Вайб-кодинг - разработка программ через диалог с генеративной моделью на естественном языке - за год прошел путь от эксперимента энтузиастов до корпоративной практики. Но для бизнеса главный вопрос состоит уже не в том, способен ли ИИ написать приложение. Он способен. Вопрос в другом: где заканчивается быстрое прототипирование и начинается промышленная разработка, за которую компания несет финансовую, юридическую и технологическую ответственность.
Масштаб проникновения ИИ в разработку уже велик. По опросу Stack Overflow за 2025 г., 84% разработчиков используют или планируют использовать ИИ-инструменты, однако почти 77% не считают вайб-кодинг частью профессиональной работы. Причина - разрыв между скоростью генерации и доверием к результату: 46% разработчиков скорее не доверяют точности ответов ИИ, а 66% сталкиваются с решениями, которые выглядят почти правильными, но требуют доработки.
Российский пример перехода к корпоративной модели дает Альфа-Банк. В 2026 г. банк сообщил о внедрении Enterprise Vibe Coding на базе корпоративной ИИ-платформа AlfaGen. Инженер формулирует задачу на естественном языке, а значительную часть кода создает ИИ. На внутреннем хакатоне 280 сотрудников в 81 команде использовали этот подход для автоматизации пакетной обработки финансовых операций.
Схожий, но более осторожный сценарий наблюдаем в Т-Банке. В вакансиях R&D-центра компания прямо относит к задачам инженеров создание прототипов и MVP в режиме вайб-кодинга и продвижение ИИ в программной инженерии. Это показывает практическую область применения технологии: быстрое создание первых версий продуктов и проверку гипотез до промышленной разработки.
Компания Авито, напротив, дает пример того, почему одного доступа к сильным моделям недостаточно. В 2025 г. Авито провел пилотный проект с участием 100 инженеров, которым предоставили доступ к современным ИИ-моделям. По итогам эксперимента компания не зафиксировала статистически значимых изменений в объективных показателях эффективности разработки. Однако в 2026 г. компания перешла к централизации агентного контура - общей базе навыков, контролю MCP-серверов, требованиям безопасности и аудиту.
На зарубежном рынке использование ИИ в разработке уже выходит за рамки экспериментов. Например, в компании Dropbox в 2025 г. доля инженеров, использующих ИИ-инструменты, превысила 90%. Компания применяет их для написания и проверки кода, генерации тестов, отладки, миграции кода и автоматического исправления ошибок. В 2026 г. Dropbox сообщила, что ее внутренняя система работы с ИИ-агентом Nova уже участвует примерно в каждом двенадцатом запросе на включение изменений в основную кодовую базу проекта (pull request). При этом компания подчеркивает, что ускорение генерации кода создает дополнительную нагрузку на проверку кода и его тестирования.
Похожий масштаб использования наблюдается в Spotify. В 2026 г. компания сообщила, что более 99% ее инженеров еженедельно используют инструменты ИИ для программирования, а частота создания pull request выросла на 76%. Еще в 2025 г. внутренний ИИ-агент Spotify, получивший название Honk, помог сформировать более 1500 принятых ИИ-сгенерированных pull request. Инженеры используют такие системы в том числе для обновления зависимостей, миграции программных компонентов и других массовых изменений кодовой базы.
По мнению Ильнура Ильдаровича Хасанова, кандидата технических наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, корпоративный вайб-кодинг следует оценивать не по доле кода, написанного ИИ, а по тому, насколько сокращается полный цикл от постановки задачи до безопасного выхода изменения в эксплуатацию. Если генерация ускорилась в несколько раз, но нагрузка на тестирование, проверку и исправление дефектов выросла, экономический эффект может оказаться существенно ниже ожидаемого.
Данные исследований подтверждают эту неоднозначность. Эксперимент с участием 4867 разработчиков Microsoft, Accenture и крупной промышленной компании показал рост числа pull request примерно на 26% при использовании GitHub Copilot. Но исследование некоммерческой организации METR в начале 2025 г. зафиксировало противоположный эффект. Опытные open-source-разработчики на знакомых им проектах выполняли задачи с ИИ на 19% дольше. В исследованиях более новых агентов METR в 2026 г. уже указывал на прирост производительности примерно на 4-20%, одновременно подчеркивая высокую неопределенность таких оценок.
Для экономики ИТ это означает, что считать эффект через число сгенерированных строк кода бессмысленно. Если команда из 100 разработчиков получает устойчивый прирост производительности хотя бы на 10-20%, компания теоретически получает дополнительные возможности, сопоставимую с работой нескольких специалистов, без пропорционального расширения штата. Но эта возможность превращается в экономию только тогда, когда не растут затраты на исправление ошибок, информационную безопасность, вычислительные ресурсы, лицензии и сопровождение.
По мнению Алексея Николаевича Чернякова, кандидат философских наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, роль программиста в такой модели не исчезает, а смещается от непосредственного написания каждой строки к постановке задачи, проектированию ограничений и проверке результата. Чем выше автономность ИИ-агента, тем важнее квалификация человека, который способен понять, что именно было создано и можно ли это выпускать в эксплуатацию.
Поэтому граница корпоративного вайб-кодинга проходит не между человеком и ИИ, а между контролируемой и неконтролируемой разработкой. Вайб-кодинг уже способен значительно снизить трудозатраты на проверку гипотез и автоматизацию локальных процессов. Но в промышленной системе код без программиста пока не означает разработку без инженера: человеческая роль перемещается из непосредственного производства кода в архитектуру, контроль качества и ответственность за результат.