Кодирование как написание фрагментов стало почти решённым благодаря LLM, но основная сложность остаётся в проектировании систем, обеспечении надёжности и ответственности за результат — ИИ не заменяет, а усиливает человеческую экспертизу. LLM эффективно генерируют код для мелких задач (например, преобразование блокирующего TCP-хендлера в асинхронный), но не справляются с проектированием архитектуры, API и долгосрочной эволюцией систем. Основная стоимость ПО — в поддержке, тестировании и обеспечении надёжности; LLM могут помочь через генерацию фаззеров, property-тестов и полных трассировок. Код-ревью как человеческий процесс утратил эффективность из-за объёмов генерируемого кода; замена его на AI-ревью создаёт циклическую зависимость без реального контроля качества. Спор: некоторые утверждают, что LLM пишут компилируемый код без ошибок, поэтому проверка не нужна — другие возражают, что это игнорирует контекст, логику и бизнес-требования, которые ИИ не понимает. ИИ не заменяет понимание кода, а лишь помогает выявить неочевидные пути его выполнения — ответственность за результат остаётся у человека. Опытные разработчики отмечают: LLM ускоряют написание кода, но требуют больше времени на проверку, корректировку и понимание сгенерированного — это меняет роль инженера, а не устраняет её. В enterprise-софте 90% кода — простые, плохо написанные системы, которые и так работают; LLM ускоряют их создание, не решая проблему качества. Использование LLM в критически важных отраслях (медицина, авиация) требует не меньшего, а большего контроля — текущие практики не готовы к этому. Совет: тестировать LLM на сложных задачах (например, генерация полного приложения с UI) и сравнивать с предыдущими версиями моделей для оценки реального прогресса. Проблема не в плохом коде LLM, а в том, что они делают его слишком легко — это снижает мотивацию к глубокому пониманию системы, ведёт к накоплению технического долга. Создание кода стало дешевле, но это не уменьшает риски — наоборот, увеличивает объём отслеживаемого кода и усиливает эффект Даннинга-Крюгера. ИИ не может быть юридически ответственен — ответственность передаётся разработчикам и компаниям, создавая правовые и этические риски в критических системах. Миграция GitHub Copilot с TypeScript на Rust с использованием ИИ заняла 14.5 недель и стоила $120K в токенах — подтверждает, что ИИ ускоряет рутинные задачи, но не устраняет необходимость человеческого управления. Современные LLM способны решать сложные задачи в математических библиотеках (например, в Rocq-провере), что ставит под сомнение представление о них как о «просто паттерн-матчинге». Разработчики с 30+ годами опыта признают: их навыки устаревают, но ИИ не заменяет их — он меняет фокус с написания кода на управление, проверку и принятие архитектурных решений.