LLM для кода: почему рост производительности всего 2x, а не 10x

Что произошло

За последние полтора года языковые модели (LLM) стали достаточно надёжными помощниками в программировании, но не заменили разработчиков. По наблюдениям автора, они дают примерно двукратный прирост продуктивности — но не десятикратный, как некоторые ожидали.

Ключевая причина: LLM отлично справляются с чёткими, проверяемыми задачами ("сделай кнопку, которая делает X"), но пока не могут принимать сложные архитектурные решения или писать по-настоящему поддерживаемый код.

Детали

Автор выделяет три уровня использования LLM в разработке:

1. Замена поисковику и Stack Overflow
2. Интерактивное программирование через чат
3. Декларативные спецификации (описание желаемого результата)

"Рабочая реализация раньше означала, что задача выполнена на 80%, теперь это всего 20% работы"

Сейчас основной прогресс идёт не в улучшении самих моделей, а в создании инструментов вокруг них: песочниц, систем контроля версий и рабочих процессов. Например, песочницы избавляют от необходимости постоянно давать модели новые разрешения.

Почему это важно

Для практиков это означает:

• LLM — мощный инструмент, но не замена разработчику
• Лучше всего они работают на этапе черновика кода
• Архитектурные решения и документацию пока стоит делать вручную
• Основные улучшения будут в инструментах, а не в "магии" моделей

Что дальше

Перспективные направления развития:

1. Инструменты для "виб-кодинга" (генерация кода без полного понимания)
2. Тестовые практики для безопасного использования чёрного ящика LLM
3. Автоматизация рутинных проверок и итераций

Но в обозримом будущем LLM останутся помощниками, а не заменой разработчикам. Как заключает автор: "Я пока останусь со своими handmade README".