На прошлой неделе Anthropic выложила экономическое исследование по Claude Code, и любопытно в нём не то, как растёт использование, а один вывод: в агентном кодинге выигрывает не тот, кто умеет писать код, а тот, кто понимает задачу. Мы внедряем AI-агентов клиентам каждую неделю, так что прочитали внимательно и сверили с тем, что видим на проектах. Ниже — короткий разбор и наши мысли, без пересказа пресс-релиза.
Что показало исследование
Anthropic проанализировала около 400 000 рабочих сессий Claude Code от ~235 000 человек с октября 2025 по апрель 2026. Это не опрос мнений, а разбор того, как люди реально пользуются инструментом.
Первое, что бросается в глаза, — как делится работа. Человек принимает примерно 70% решений уровня «что делаем», модель — около 80% решений «как именно это реализовать». В типичной сессии уходит порядка четырёх запросов, каждый разворачивается в десяток действий модели, иногда за сотню. Замысел и архитектура остаются за человеком, рутину реализации забирает модель.
Пока это звучит как обычный рассказ про «AI-помощника». Дальше интереснее.
Главное: экспертиза важнее профессии
Anthropic смотрит не на то, программист ты или нет, а на то, насколько хорошо ты понимаешь конкретную задачу. И вот по этому признаку разрыв реально большой:
- У новичков в задаче проверяемый успех — 15% сессий. У тех, кто разбирается, — 28–33%.
- Из ошибок эксперты выбираются примерно вчетверо чаще новичков.
- Когда сессия идёт не туда, новички бросают её в 19% случаев, все остальные — в 5–7%.
А самое показательное для нас вот что: по кодинговым задачам все крупные профессии справляются в пределах 7 процентных пунктов от софтверных инженеров. Аналитик, финансист, маркетолог решают задачу почти как штатный разработчик — если понимают, что строят. Диплом программиста перестал быть пропуском.
И ещё деталь, которая один в один совпадает с нашим опытом: чем лучше человек понимает задачу, тем больше работы модель делает с одной инструкции. Эксперт одним запросом запускает в среднем 12 действий, новичок — 5. Модель не угадывает за тебя; она усиливает того, кто умеет точно сформулировать.
Что это значит для нетехнических команд
Главный вывод, который мы забираем себе и несём клиентам: ценность сместилась с «кто умеет писать код» на «кто понимает задачу настолько, чтобы поставить её правильно».
Раньше, чтобы автоматизировать кусок работы, нужен был разработчик-посредник: вы объясняете ему процесс, он переводит это в код. Теперь человек, который знает свой процесс изнутри — свою воронку, отчётность, поток заявок, — собирает рабочий инструмент почти без посредника. Узкое место переехало из «написать код» в «внятно описать, что должно происходить».
Это ровно то, о чём мы уже писали в посте почему AI не заменяет инженеров: модель снимает рутину, но не снимает необходимость понимать задачу. Просто теперь это понимание стало главным активом, а не приятным дополнением.
Наш взгляд: что меняется в найме и работе с подрядчиком
Для команды меняется то, за что вы платите. Нанимать стоит за знание домена и умение ясно мыслить, а не только за стек в резюме. Человек, который глубоко понимает вашу предметную область и умеет внятно ставить задачу, вытащит из AI-инструментов больше, чем формальный «технарь» без понимания бизнеса.
Для тех, кто берёт подрядчика, вывод зеркальный: польза от агентного кодинга прямо пропорциональна тому, насколько ясно описана проблема. Поэтому у себя мы половину времени на проекте тратим не на код, а на постановку — разложить процесс, найти, где на самом деле болит, договориться о критерии «готово». За 100+ AI-консультаций мы видели один и тот же паттерн: выигрывали не те проекты, где была самая хитрая модель, а те, где заказчик чётко понимал, какой результат ему нужен.
Если совсем коротко: инструмент усиливает экспертизу. У кого её нет — тому он усиливает хаос.
Где у исследования пределы
Чтобы это не читалось как реклама Claude Code, честно про ограничения. Anthropic не измеряла, что стало с кодом в реальной жизни: тесты прошли — засчитали успех, но «прошёл тест» и «принёс пользу бизнесу» — разные вещи. Вдобавок вся классификация построена на чтении транскриптов самой моделью, а это не идеально точный метод. Так что выводы — про направление, а не про абсолютную точность цифр. Но направление совпадает с тем, что мы наблюдаем вживую, поэтому относимся серьёзно.
Коротко
- Успех с AI-инструментами определяет понимание задачи, а не бэкграунд в коде.
- Непрограммисты отстают от инженеров всего на ~7 п.п. — домен важнее стека.
- Чем чётче поставлена задача, тем больше работы модель делает сама.
- Узкое место сместилось в постановку и проверку результата.
FAQ
Значит, программисты больше не нужны? Нужны. Исследование про другое: реализацию модель забирает, но архитектуру, понимание задачи и проверку результата — нет. Инженеры критичны там, где задача нетривиальная, а цена ошибки высокая. Подробнее — в посте почему AI не заменяет инженеров.
Нужно ли уметь кодить, чтобы пользоваться AI-агентами? По данным Anthropic — не обязательно: непрограммисты решают задачи в пределах 7 п.п. от инженеров. Важнее понимать свою предметную область и уметь чётко формулировать.
С чего начать нетехнической команде? С узкого, понятного процесса, который вы знаете досконально, и с ясного критерия результата — а не с «давайте внедрим AI везде». Если нужна помощь с постановкой, это наши услуги по внедрению AI.
Сколько времени люди реально проводят в Claude Code? По исследованию — в среднем около 20 часов в неделю. Это уже не «попробовать на выходных», а основной рабочий инструмент.
Если хотите разобрать под ваш бизнес, где AI-агенты дадут результат, а где это пустая трата денег, — напишите нам.