ВЛИЯНИЕ ГЕНЕРАТИВНЫХ НЕЙРОСЕТЕЙ (НА ПРИМЕРЕ GITHUB COPILOT) НА ПРОДУКТИВНОСТЬ РАЗРАБОТКИ И КОГНИТИВНУЮ НАГРУЗКУ ПРОГРАММИСТОВ

ВВЕДЕНИЕ

В конце 2021 года GitHub совместно с OpenAI выпустил Copilot — плагин к Visual Studio Code и другим редакторам, который генерирует целые функции, комментарии и тесты. К 2025 году число пользователей превысило один миллион, а в некоторых проектах до 40–50% кода создаётся нейросетью [7]. Программисты получили инструмент, избавляющий от рутины: нет необходимости помнить синтаксис редкой библиотеки, искать примеры в документации, писать однотипные конструкции. Однако быстро появились и тревожные сигналы. Разработчики сообщают, что Copilot генерирует код, который выглядит логичным, но содержит ошибки в пограничных случаях, или использует устаревшие функции, приводящие к багам. Возникает противоречие: нейросеть ускоряет написание, но может замедлять отладку и снижать качество.

Проблема заключается в том, что Copilot меняет структуру деятельности программиста. Ранее разработчик самостоятельно проектировал решение, разбивал его на шаги, вспоминал нужные конструкции. Теперь он получает готовый фрагмент кода, который необходимо проверить и принять. Это иной тип деятельности, требующий других когнитивных навыков. Как показано в исследовании [1], разработчики склонны доверять предложениям нейросети просто потому, что они выглядят правдоподобно. Согласно данным [2], опытные инженеры активнее критикуют сгенерированный код. Следовательно, единого ответа о характере влияния Copilot не существует — многое зависит от контекста.

Объект исследования — генеративные нейросетевые модели автодополнения программного кода. Предмет исследования — влияние GitHub Copilot на продуктивность написания кода и когнитивную нагрузку программистов.

Цель работы — проанализировать влияние генеративных моделей автодополнения кода на продуктивность и когнитивную нагрузку программиста.

Задачи исследования:

1. Описать устройство Copilot и его аналогов.
2. Рассмотреть существующие метрики и методики измерения эффективности.
3. Собрать и сравнить данные ключевых эмпирических исследований за 2022–2025 годы.
4. Сформулировать практические рекомендации.

Методология. Работа выполнена в жанре обзорно-аналитического исследования. Основной метод — систематический обзор литературы. Дополнительно проведено пилотное тестирование на типовых задачах (парсинг, реализация бинарного поиска, написание юнит-теста) для интерпретации данных из публикаций.

Актуальность обусловлена тем, что инструменты типа Copilot стали мейнстримом, но академических обобщений на русском языке недостаточно. Статья адресована практикующим разработчикам, преподавателям IT-дисциплин и студентам.

ОСНОВНАЯ ЧАСТЬ

1. Генеративные нейросети в разработке ПО: современное состояние

Под генеративными нейросетевыми ассистентами кодирования понимаются инструменты на базе больших языковых моделей (LLM), которые в режиме реального времени предлагают разработчику фрагменты кода, функции, тесты или документацию. Наиболее известным представителем этого класса является GitHub Copilot, выпущенный в 2021 году. Существуют аналоги: Codeium, Tabnine, Amazon CodeWhisperer [3, С. 45]. Все они объединяет общий принцип работы: модель дообучается на репозиториях публичного кода (для Copilot — 159 ГБ исходного кода с GitHub) и на основе контекста предсказывает наиболее вероятное продолжение [1, С. 16].

Copilot используют более миллиона разработчиков по всему миру. Пилотные проекты правительства Великобритании (2024–2025) с участием более 1000 специалистов показали, что участники экономили в среднем 56 минут рабочего дня (около 28 дней в год). 72% опрошенных согласились, что инструмент предлагает хорошее соотношение цены и качества, а 58% не хотели бы возвращаться к работе без AI-ассистента [10, С. 76].

2. Продуктивность разработки: метрики и ограничения

Наибольший эффект от использования Copilot наблюдается при решении рутинных, шаблонных задач («boilerplate»-кода). Исследование зафиксировало ускорение выполнения задач на 55% при использовании Copilot  [5, С. 44]. Разработчики отмечают, что Copilot особенно полезен для написания юнит-тестов, типовых CRUD-операций, генерации документации и изучения новых языков [4, С. 20].

Однако существуют ограничения. Copilot хуже справляется с менее распространёнными языками программирования и специфичными типами файлов. Кроме того, для получения качественного результата требуется тщательно формулировать промпт — новый навык, который необходимо развивать [3, С. 112].

Скорость не должна достигаться за счёт надёжности. Анализ 194 тестовых случаев, сгенерированных Copilot на Python, показал: 47,4% тестов содержали как минимум один «test smell» — признак низкого качества (отсутствие документации в проверке, дублирование кода, избыточность) [6, С. 33]. Это демонстрирует, что нейросеть генерирует синтаксически правильный, но не обязательно хороший код. Разработчику приходится тратить время на рефакторинг, что частично нивелирует выигрыш от автоматизации.

3. Когнитивная нагрузка: парадокс «лёгкого кода»

Когнитивная нагрузка — объём умственных усилий, затрачиваемых на решение задачи. Традиционно считается, что чем ниже внешняя когнитивная нагрузка (усилия на вспоминание синтаксиса, поиск готовых решений), тем выше продуктивность. Исследование ставит этот тезис под сомнение [9, С. 88]. В эксперименте с 23 профессиональными программистами сравнивалась нагрузка при чтении кода, написанного человеком, и кода, сгенерированного ИИ. Наибольшая когнитивная нагрузка фиксировалась при чтении человеческого кода. Наименьшая — при чтении кода, сгенерированного с промптом «лёгкий для чтения».

Однако исследователи предупреждают: снижение нагрузки может быть обманчивым. Когда код не требует умственных усилий, разработчик склонен принимать его некритически, не замечая скрытых логических ошибок [9, С. 91]. Разработчики часто сталкиваются с ситуацией, когда Copilot генерирует код, который выглядит правильным, но таковым не является [1, С. 19]. Возникает иллюзия понимания, а реальные ошибки обнаруживаются только на этапе тестирования.

4. Валидация и доверие: проверка кода от ИИ

Ключевой навык при работе с генеративными нейросетями смещается с написания кода на его верификацию. Исследование показало, что если явно не указано происхождение кода (человек или ИИ), разработчики часто не способны его идентифицировать [8, С. 122]. Однако когда они осведомлены, что код сгенерирован нейросетью, их поведение меняется: они чаще переключаются между кодом и комментариями, прикладывают больше поисковых усилий и демонстрируют более высокую когнитивную нагрузку. Осознанное недоверие к ИИ требует дополнительных усилий.

В ходе трёхнедельного исследования Microsoft с участием более 200 инженеров до начала эксперимента только около 20% разработчиков доверяли коду от ИИ. После трёх недель использования Copilot восприятие полезности выросло, но проблема верификации осталась. Ежедневные опросы показали, что самыми частыми вызовами являются генерация кода, который выглядит правильно, но содержит ошибки, и дополнительное время на проверку предложений ИИ [2, С. 91].

5. Дифференцированный эффект: роль опыта разработчика

Влияние Copilot неодинаково для новичков и экспертов. Исследователи предполагают, что автоматические подсказки Copilot воспринимаются опытными разработчиками как прерывания когнитивного потока [7, С. 310]. Эксперт знает, как решить задачу, и постоянные предложения (особенно неуместные) вызывают тревожность, что снижает продуктивность. В этом случае предпочтительнее режим подсказок «по запросу».

Для начинающих программистов ситуация обратная. Они чаще находятся в состоянии «блокировки» (не знают, как подступиться к задаче). Автоматические предложения выступают как «спасательный круг», снижают тревожность и помогают двигаться дальше. Новички более терпимы к ошибочным подсказкам и получают пользу, обучаясь на предлагаемых образцах [7, С. 312].

ВЫВОДЫ

Проведённый анализ позволяет сделать следующие выводы.

1. О продуктивности. Copilot ускоряет написание рутинного, хорошо структурированного кода. Данные исследований показывают ускорение от 30 до 55% в зависимости от типа задачи и квалификации разработчика [5, С. 44]. Однако на сложных, многофайловых задачах выигрыш снижается. Сгенерированный код требует дополнительной проверки, что может обнулить экономию времени.
2. О качестве кода. Внешняя синтаксическая правильность кода от Copilot не гарантирует логической корректности. Почти половина сгенерированных тестов содержат признаки низкого качества [6, С. 34]. Нейросеть склонна предлагать устаревшие или неоптимальные решения. Использование Copilot не отменяет, а усиливает необходимость code-ревью и тестирования.
3. О когнитивной нагрузке. Выявлен парадокс: код от нейросети субъективно легче читать, но эта лёгкость создаёт иллюзию понимания. Разработчик склонен принимать предложения некритически, не углубляясь в логику. Когнитивная нагрузка смещается с этапа генерации на этап верификации, требующий иных навыков [1, С. 18].
4. О дифференцированном эффекте. Эффект от Copilot не одинаков для разных категорий программистов. Новички получают больше пользы, эксперты могут испытывать расстроенность от навязчивых подсказок. Внедрение Copilot требует учёта уровня квалификации команды и, возможно, настройки режима работы.

Итоговое обобщение. Генеративные нейросети автодополнения кода — это инструмент, эффективность которого определяется навыками пользователя. Они ускоряют рутину, но не решают сложных архитектурных задач. Они снижают когнитивную нагрузку на вспоминание синтаксиса, но повышают нагрузку на проверку и критическое мышление.

Перспективы дальнейших исследований связаны с разработкой методик обучения работе с нейросетевыми ассистентами, а также с созданием метрик, позволяющих оценивать не только скорость написания кода, но и его долгосрочную поддерживаемость при использовании ИИ.

1. Кузнецов А.В. Влияние нейросетевых ассистентов на когнитивную нагрузку программиста. Программная инженерия, 2024. - №3. – 15-22с.
2. Петров С.Д., Сидоров И.А. Анализ эффективности GitHub Copilot в разработке программного обеспечения. Информационные технологии, 2025. – т.31, №2. – 88-95с.
3. Васильев Д.А., Ахметов Р.Р. Генеративные модели в программировании: учебное пособие для вузов. Санкт-Петербург: Лань, 2023. – 248с.
4. Смирнов Д.А. Обзор метрик продуктивности разработчиков в условиях применения LLM. Программная инженерия, 2025. – т.15, №1. – 18-25с.
5. Иванов С.В. Анализ эффективности применения технологий искусственного интеллекта в процессе разработки ПО. Приборы и системы. Управление, контроль, диагностика, 2024. - №3. – 42-49с.
6. Морозов А.А. Сравнительный анализ нейросетевых помощников программиста. Информационные технологии, 2025. - №4. – 30-36с.
7. Соколов М.И. Нейросетевые технологии в разработке ПО: практическое руководство. Москва: ДМК Пресс, 2024. – 312с.
8. Михайлов О.Г. Оценка когнитивной нагрузки программиста при работе с нейросетевыми ассистентами. Информационные технологии и системы (ИТиС-2024): сборник трудов конференции. Москва: ИПУ РАН, 2024. – 120-124с.
9. Новикова Т.Л. Методы оценки умственной нагрузки оператора в цифровых средах. Вопросы психологии труда, 2024. - №2. – 86-94с.
10. Лебедев Д.С. Практика внедрения GitHub Copilot: результативность и подводные камни. Системный администратор, 2025. - №1. – 74-79с.

Все статьи автора «Малькова Анастасия Александровна»