ПРЕИМУЩЕСТВА И НЕДОСТАТКИ ПРИМЕНЕНИЯ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАЗРАБОТКЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ Северо - Кавказский федеральный университет, г. Ставрополь, Россия Аннотация. В статье рассматриваются преимущества и недостатки применения генеративного искусственного интеллекта (GenAI) в разработке программного обеспечения. На основе анализа современных исследований (DORA State of AI 2025, DFKI и Accenture, IEEE Software) и экспериментального исследования с участием 5 разработчиков выявлены ключевые эффекты внедрения GenAI - инструментов. Установлено, что GenAI обеспечивает повышение производительности на 35–45% для типовых задач, но одновременно создаёт риски снижения качества кода, роста уязвимостей безопасности и эрозии профессиональных навыков. Показано, что эффект от внедрения GenAI зависит от organisational context: технология усиливает как сильные стороны высокоэффективных команд, так и дисфункции проблемных. Предложены практические рекомендации по безопасной интеграции GenAI в процесс разработки. Полученные результаты могут быть использованы при формировании стратегий внедрения AI - инструментов и разработке политик их применения в организациях. Ключевые слова: генеративный искусственный интеллект, разработка программного обеспечения, большие языковые модели, производительность разработки, безопасность кода, технический долг, человеко - машинное взаимодействие. Введение За последние несколько лет генеративный искусственный интеллект (GenAI) совершил стремительный переход из области академических исследований в повседневную практику разработки программного обеспечения. Инструменты на основе больших языковых моделей (LLM), такие как GitHub Copilot, Cursor и Replit, стали неотъемлемой частью рабочего процесса миллионами разработчиков по всему миру. Согласно данным DORA State of AI- assisted Software Development 2025, 90% специалистов в области технологий используют AI на работе . Однако стремительное распространение технологии сопровождается растущим числом вопросов и противоречий. С одной стороны, эмпирические исследования сообщают о росте производительности до 55% для конкретных задач кодирования. Крупные технологические компании публично заявляют о значительной доле AI - сгенерированного кода: до 30% кода Microsoft и более четверти кода Google, по данным руководителей компаний. С другой стороны, накапливаются свидетельства серьёзных проблем: около 40% AI - сгенерированного кода содержит уязвимости безопасности, растёт технический долг, а активное использование AI - ассистентов может приводить к эрозии профессиональных навыков разработчиков . Таким образом, актуальность темы обусловлена необходимостью систематического и сбалансированного анализа эффектов внедрения GenAI в разработку ПО. Цель настоящего исследования — выявление и систематизация преимуществ и недостатков применения GenAI, а также разработка практических рекомендаций по его эффективному и безопасному использованию. Методы Исследование включало два основных компонента: анализ научной литературы и экспериментальное исследование. Анализ литературы. Проведён систематический обзор ключевых исследований и отраслевых отчётов за 2025–2026 годы, включая DORA State of AI-assisted Software Development , совместный белый доклад DFKI и Accenture , публикации IEEE Software, исследования ACM и отраслевые отчёты Forrester. Анализ охватывал как количественные данные о производительности, так и качественные оценки влияния на процессы и людей. Экспериментальное исследование. В исследовании приняли участие 5 разработчиков с опытом работы от 1 до 8 лет. Каждый участник выполнял три типовые задачи на языках Python и JavaScript в двух условиях: с использованием GitHub Copilot и без него. Задачи включали: 1. написание функции обработки данных по заданной спецификации; 2. написание модульных тестов для существующей функции; 3. рефакторинг кода с улучшением читаемости и производительности. Для каждой задачи измерялись: время выполнения (в минутах), количество попыток до первого рабочего решения, цикломатическая сложность кода, количество дефектов, выявленных при экспертной проверке. Всего выполнено 30 измерений (5 участников × 3 задачи × 2 условия). Статистическая обработка включала расчёт средних значений и сравнительный анализ. Результаты Анализ показывает, что использование Copilot значительно сокращает время выполнения задач (на 39,1%) и количество попыток (на 42,9%). Однако при этом наблюдается ухудшение качества кода: рост цикломатической сложности на 21,4% и увеличение числа дефектов на 33,3%. На рисунке 1 представлено сравнение времени выполнения задач в зависимости от уровня опыта разработчика. Рис. 1. Время выполнения задач с Copilot и без него Анализ качественных данных, собранных в ходе опроса участников, выявил следующие паттерны: ̶ Разработчики с опытом 3–5 лет демонстрируют наибольший прирост производительности (снижение времени на 45%) ; ̶ Наименее опытные разработчики (1–2 года) показывают высокий прирост производительности (снижение на 38%), но при этом их код содержит наибольшее количество дефектов — на 50% больше, чем у опытных коллег ; ̶ Наиболее опытные разработчики (6–8 лет) получают наименьший прирост производительности (снижение на 28%), но лучше всего контролируют качество генерируемого кода. Эти данные согласуются с результатами исследований, показывающих, что менее опытные разработчики подвержены риску чрезмерной зависимости от AI и могут не замечать ошибки в сгенерированном коде . Обсуждение Полученные результаты позволяют сформулировать систематизированное представление о преимуществах и недостатках GenAI в разработке ПО. Преимущества : 1. Повышение производительности. Экспериментальные данные подтверждают значительное ускорение выполнения типовых задач разработки. Это согласуется с отраслевыми отчётами, сообщающими о росте производительности до 55%. Как отмечает DFKI и Accenture, GenAI позволяет разработчикам фокусироваться на творческих и концептуальных задачах, автоматизируя рутинную работу . 2. Снижение когнитивной нагрузки. AI- ассистенты помогают быстрее вспоминать синтаксис, генерировать шаблонный код и избегать мелких ошибок, что особенно ценно при работе с незнакомыми технологиями и фреймворками . 3. Улучшение процессов тестирования. Опыт Meta с инструментом TestGen- LLM показывает, что AI может эффективно улучшать существующие тесты: 73% рекомендаций были приняты для production - развертывания . 4. Ускорение прототипирования. GenAI позволяет быстро создавать рабочие прототипы и исследовать альтернативные решения, что особенно ценно на ранних этапах разработки . Недостатки и риски : 1. Снижение качества кода и рост технического долга. Экспериментальные данные показывают рост цикломатической сложности и количества дефектов. Это согласуется с исследованиями, указывающими на то, что AI - генерированный код, будучи проще по структуре, содержит больше неиспользуемых конструкций и сложностей поддержки. Итеративные запросы к AI могут приводить к непредсказуемым переписываниям кода, что создаёт долгосрочные проблемы с поддержкой . 2. Уязвимости безопасности. Около 40% AI - сгенерированного кода содержит уязвимости безопасности. Как отмечает исследование Apiiro, AI- инструменты сокращают поверхностные ошибки, но усиливают структурные уязвимости: ошибки в архитектуре приложений, опасные схемы авторизации, утечки секретов. При этом разработчики, использующие AI - ассистенты, склонны переоценивать безопасность своего кода . 3. Эрозия профессиональных навыков. Активное использование GenAI может приводить к атрофии фундаментальных навыков программирования: алгоритмического мышления, отладки, архитектурного планирования. Это создаёт особые риски для младших разработчиков, у которых сокращаются возможности для обучения через наставничество и парное программирование. Опросы показывают, что молодые и менее опытные разработчики чувствуют большую неуверенность в работе . 4. Проблемы доверия и объяснимости. 30 –40% разработчиков сообщают о низком уровне доверия к AI - сгенерированному коду. Это требует дополнительного времени на проверку и валидацию, что частично нивелирует выигрыш в производительности . 5. Организационные риски. Успешное внедрение GenAI требует значительных инвестиций, специализированных знаний и управленческих изменений. Без сквозного внедрения AI повышение производительности может оказаться разочаровывающим . Важно отметить, что эффект от внедрения GenAI сильно зависит от организационного контекста. Как показывают исследования DORA, AI действует как усилитель: он приумножает сильные стороны высокоэффективных организаций и дисфункции проблемных команд . На основе проведённого анализа могут быть сформулированы следующие практические рекомендации: 1. Поэтапное внедрение. Интеграция GenAI должна быть постепенной, контролируемой и непрерывно адаптируемой. Начинать следует с задач с низким уровнем риска . 2. Сохранение человеческого контроля. Критически важные решения должны оставаться под контролем человека. AI — это инструмент, а не замена разработчика . 3. Инвестиции в обучение. Компании должны инвестировать в развитие фундаментальных навыков разработчиков и предусматривать задачи, требующие самостоятельного решения без AI . 4. Усиление практик качества. Внедрение GenAI требует усиления, а не ослабления практик код - ревью, тестирования и статического анализа . 5. Разработка политик. Организациям необходимо разрабатывать чёткие политики использования GenAI, определяющие допустимые сценарии, требования к проверке и ответственность за результаты. Заключение В результате проведённого исследования были систематизированы преимущества и недостатки применения генеративного ИИ в разработке программного обеспечения. Экспериментальные данные подтверждают значительное повышение производительности (снижение времени выполнения задач на 35–45%), но одновременно выявляют риски снижения качества кода, роста уязвимостей безопасности и эрозии профессиональных навыков. Установлено, что эффект от внедрения GenAI зависит от organisational context: технология усиливает как сильные стороны высокоэффективных команд, так и дисфункции проблемных. Ключевым условием успешного внедрения является сохранение человеческого контроля над критическими решениями и усиление, а не ослабление практик обеспечения качества. Полученные результаты могут быть использованы при формировании стратегий внедрения GenAI - инструментов, разработке политик их применения и организации обучения разработчиков. Дальнейшие исследования могут быть направлены на изучение долгосрочных эффектов использования GenAI, разработку методов автоматической оценки качества AI - сгенерированного кода и исследование моделей эффективного человеко - машинного взаимодействия в разработке ПО. Список литературы 1. DORA State of AI-assisted Software Development Report 2025. — URL: https://dora.dev/research/2025/dora-report/ 2. DFKI and Accenture. Generative AI in Software Engineering: Transforming the Software Development Process. White Paper, 2025. — URL: https://saarland-informatics-campus.de/en/piece-of-news/dfki-and- accenture-publish-joint-white-paper-generative-ai-in-software-engineering- transforming-the-software-development-process/ 3. IEEE Software. The Impact of AI on Productivity and Code. Vol. 43, Issue 4, July-August 2026, pp. 23 – 27. 4. ACM. SOK: Exploring Hallucinations and Security Risks in AI-Assisted Software Development with Insights for LLM Deployment, 2025. 5. ACM TechBrief: AI 'Vibe Coding' Could Reshape Software Development but Lacks Key Safeguards, 2026. 6. Apiiro Research. AI-Assisted Code Generation and Security Vulnerabilities, 2025.