Выпускники программ по software-инженерии часто не соответствуют требованиям быстрорастущих команд: исследование IEEE выявило разрыв между академическими знаниями и реальными задачами. В то же время ИИ-ассистенты меняют ожидания работодателей, а объём кода, генерируемого ИИ, растёт. LinearB запустила Agentic Studio, чтобы помочь инженерным лидерам и кодирующим агентам лучше управлять доставкой ПО.
Разрыв между образованием и индустрией
Согласно исследованию IEEE, многие недавние выпускники испытывают трудности в начале карьеры из-за несоответствия навыков, полученных в университете, потребностям индустрии. Исследовательский проект подчёркивает, что учащиеся часто не обладают знаниями и навыками, которые ищут компании, и по выходу на работу не соответствуют стандартам отрасли. Анализ ACM также указывает на значительные ресурсы, которые компании тратят на доучивание молодых специалистов.
Как ИИ меняет разработку и ожидания
По данным LinearB, разработчики, использовавшие ИИ как минимум в 75% дней работы над кодом, в мае 2026 года вливали в среднем на 95,7% больше пул-реквестов в неделю, чем в июне 2025 года. Однако в топовых организациях только 79% пул-реквестов, открытых автономными агентами, сливаются в течение 30 дней против 92% для изменений, написанных людьми. Это указывает на проблемы с принятием кода, созданного агентами.
LinearB запустила Agentic Studio, чтобы закрыть этот разрыв, предоставив инженерным лидерам и агентам одинаковый обзор всего, что произошло в процессе доставки ПО. Платформа использует историю из таких инструментов, как GitHub и Jira, связывая изменения кода с тикетами и релизами. Менеджеры могут задать вопрос на естественном языке и получить ответ с предложенным следующим шагом. Агенты получают ту же историю через MCP-сервер и дополнительные навыки (agent skills).
Навыки для агентов и первые результаты
Первый навык, называемый effort, находится в раннем доступе и использует историю, чтобы решить, насколько усердно агент должен работать над каждым изменением. Простое изменение требует меньше токенов, сложное — больше усилий с тщательным тестированием. Навык работает с любым кодирующим агентом, а Agentic Studio уже доступен всем клиентам LinearB. Следующие навыки будут посвящены код-ревью и слиянию.
Рынок и затраты
Предприятия потратили $4,0 млрд на инструменты ИИ-кодирования в 2025 году против $550 млн годом ранее, по данным Menlo Ventures. Это делает кодирование крупнейшим применением ИИ внутри компаний — 55% от $7,3 млрд, потраченных на департаментский ИИ. MarketsandMarkets ожидает, что рынок ИИ-ассистентов для кода вырастет с $8,14 млрд в 2025 году до $127,05 млрд к 2032 году, увеличиваясь примерно на 48% в год. Gartner оценивает категорию инструментов для измерения инженерной работы примерно в $400 млн с ростом более 40% в год.
Однако больше кода не означает более быструю доставку. Отчёт LinearB о бенчмарках 2026 года, охватывающий 8,1 млн пул-реквестов от 4800 команд в 42 странах, показывает, что изменения с ИИ в 75-м процентиле составляют 408 строк кода против 157 без ИИ, то есть в 2,6 раза больше. Изменения, написанные агентами, ждут проверки 17,6 часа против 3,4 часа для человеческих изменений — в 5,2 раза дольше. После начала проверки она занимает 6,4 часа, поэтому изменение агента почти в три раза дольше ждёт в очереди, чем проверяется. В целом 84,4% изменений без ИИ были приняты в течение 30 дней против 32,7% изменений с ИИ.
Продуктивность и стоимость токенов
Среди 83 000 разработчиков в бенчмарках LinearB 2026 года те, кто использовал ИИ как минимум в трёх из четырёх дней кодирования, вливали в среднем на 95,7% больше пул-реквестов в неделю в мае 2026 года по сравнению с июнем 2025 года. Разработчики, не использовавшие ИИ, вливали на 3,6% меньше. Прирост растёт с использованием: при ИИ в половине дней — 65,4%, при редком использовании — 24,4%. LinearB отмечает, что это корреляция, а не доказательство причинности, и что у активных пользователей доля принятых изменений снизилась на 4,4% за год. ИИ используют 88,3% организаций ежедневно или еженедельно, но 44,7% не измеряют, что эти инструменты дают.
Даже лучшие команды используют ИИ меньше, чем принято думать. В элитных организациях (топ-10% в выборке LinearB) ИИ помогает писать только 54% пул-реквестов, ИИ пишет 45% кода, который сливается, а полностью автономные агенты открывают лишь 4,7% всех изменений. Самое большое отличие элитных команд — использование ИИ-код-ревью: 57% пул-реквестов против 8% в средних организациях (топ-60%), что в семь раз больше. Это самый простой способ повысить принятие: изменения с ИИ-ревью принимаются чаще — до пяти процентных пунктов, а августовский анализ LinearB показал прирост в два-три пункта почти для всех типов изменений.
Больше ИИ-выхода означает и большие счета: элитные организации сливают 2,6 пул-реквеста на разработчика в неделю (вдвое больше, чем 1,3 в средних), но тратят $481 в месяц на разработчика на ИИ-токены против $50 — в 9,6 раза больше. Удвоение выпуска стоит почти в десять раз дороже по использованию ИИ — это компромисс, который инженерные лидеры теперь объясняют советам директоров и финансовым командам. LinearB называет эти цифры по токенам приблизительными средними, но направление ясно: навык effort призван сократить разрыв, экономя дорогие усилия ИИ для нужных изменений.
Проблема принятия агентских изменений
Принятие — слабое место агентов: в элитных организациях 79% изменений, открытых автономными агентами, сливаются в течение 30 дней против 92% изменений, написанных только людьми, — разрыв в 13 пунктов. В более слабых организациях принятие агентов падает до 58% в хороших и 37% в средних, отставая от общего уровня на 28 и 44 пункта. LinearB объясняет это ответственностью: изменение, за которое ни один разработчик не чувствует ответственности, часто не сливается. Поэтому Agentic Studio даёт агентам историю владения кодом, чтобы агент знал, чей код он трогает, прежде чем открыть изменение.
Счета за токены растут быстрее всего у самых активных пользователей: в 90-м процентиле разработчики теперь используют $35,20 ИИ-токенов за день кодирования, что почти на 75% больше за три месяца, тогда как у типичного разработчика расходы почти не изменились. Это составляет $481 в месяц или $5772 в год на разработчика, что, по словам LinearB, всё ещё менее 4% от общей стоимости разработчика. Gartner ожидает, что расходы на инструменты ИИ-кодирования превысят среднюю зарплату разработчика к 2028 году.
LinearB приводит пример: компания с 350 разработчиками, которая вчетверо увеличивает расходы на токены с $300 000 до $1,2 млн в месяц, поднимая выпуск с 3,3 до 5,67 слитых изменений на разработчика в неделю, снижает стоимость доставленного изменения на 29% — с $864 до $613.
Примеры использования и планы
Kraken использовала MCP-сервер LinearB с ИИ-ассистентом, чтобы выяснить, что замедляет код-ревью, и обнаружила, что причина — часовые пояса и доступность ревьюеров, а не крупные изменения. За следующие четыре месяца компания сократила самые медленные проверки (90-й процентиль) более чем вдвое. Emburse использует данные на уровне совета директоров: технический директор Кен Рингдал включает графики LinearB в презентации для совета, который хочет знать, как компания использует ИИ и какую отдачу получает. LinearB утверждает, что её ИИ-ассистент и доступ через MCP имеют самый высокий уровень удержания пользователей среди всех функций.
LinearB планирует следующие навыки для агентов по код-ревью и слиянию, а затем инструменты для безопасного управления ИИ-кодом и сокращения расходов на ИИ. Генеральный директор и соучредитель Ори Керен описывает данные компании как граф знаний всего процесса доставки ПО, которого нет у производителей инструментов кодирования, а соучредитель и операционный директор Дэн Лайнс говорит, что цель — перевести лидеров от чтения дашбордов к пониманию следующих шагов.
Для инженерных лидеров данные LinearB указывают на три места, где ИИ-кодирование теряет ценность: очередь на ревью, агентское изменение без владельца и верхушка счёта за токены. Agentic Studio — попытка LinearB исправить все три, дав людям и агентам одинаковый контекст на рынке, который Gartner оценивает примерно в $400 млн с ростом более 40% в год.
Источник: hackernoon.com
Дополнительные источники: csoonline.com, helpnetsecurity.com, siliconangle.com, researchgate.net, ieeexplore.ieee.org, ieeexplore.ieee.org, reddit.com, dl.acm.org