Как ускорение ИТ-разработки с помощью AI связано с деградацией ИТ и экономики в целом

Критический анализ технологического пузыря 2023–2025 годов

Если вы работаете в ИТ-индустрии, то наверняка заметили странную тенденцию последних лет. С одной стороны, всё говорят о невероятном прогрессе искусственного интеллекта, о том, как он ускоряет разработку, делает программистов в десять раз продуктивнее и вообще скоро заменит нас всех. С другой стороны — почему-то ломается буквально всё. Крупнейшие сервисы, на которые держится современная экономика, падают с пугающей регулярностью. Качество софта не растёт, несмотря на все обещания. А вместо инженерной культуры в компаниях всё чаще царит культура "быстро сделаем, а там разберёмся".

Давайте разберёмся, что происходит.

Почему с 2023 года всё ломается чаще

Посмотрите на хронику последних двух лет. Июль 2024 года — одна ошибка в обновлении антивируса CrowdStrike, и миллионы компьютеров по всему миру показывают синий экран смерти. Авиакомпании отменяли перелеты, банки не могут обслуживать клиентов, больницы переносят операции. И это не какая-то хакерская атака — это просто дефектный апдейт от компании, которая считается лидером кибербезопасности.

Но дело даже не в самом инциденте, а в том, что он стал возможен. Раньше подобные системы тестировались месяцами до массовом развертывании. Сейчас же, в погоне за скоростью, проверки сокращают. "AI нам поможет тестировать лучше" — говорят нам. Но как раз в июле 2024 года AI не помог.

До этого, в начале 2024 года, AT&T — один из крупнейших операторов связи США — оставил без связи десятки тысяч клиентов на целый день. Представьте: вы не можете позвонить в скорую, потому что у оператора "технические проблемы". И это происходит на фоне массовых сокращений инженерных команд и аутсорсинга разработки в дешёвые регионы.

Meta (Facebook, Instagram, WhatsApp) в марте-апреле 2024 года пережила несколько крупных сбоев. Пользователи по всему миру не могли зайти в свои аккаунты. И это не единичные случаи — облачные провайдеры типа Microsoft Azure, AWS и Google Cloud стали падать так часто, что это уже перестало быть новостью.

Что изменилось? Почему системы, которые раньше работали годами без серьёзных проблем, теперь ломаются каждые несколько месяцев?

Здесь играет роль несколько факторов. Первый — это массовые увольнения опытных инженеров в 2023–2024 годах. Под маркой "оптимизации" и "эффективности" компании избавлялись от "дорогих" senior-разработчиков, которые знали системы изнутри. Вместо них оставались junior’ы или аутсорсеры, которые просто не обладали той же экспертизой.

Второй фактор — это технический долг, который копился годами. Когда компания увольняет половину инженерной команды, но не снижает темпы разработки, приходится вставлять костыли поверх костылей. "Работает? Работает. Не трогай". И так пока вся система не рухнет.

Третий фактор — это замена реального тестирования и QA какими-то "AI-инструментами". Генеративный ИИ может создать тысячи тестовых сценариев за секунду, но кто будет проверять, что эти сценарии вообще адекватные? Кто будет анализировать результаты? Тот самый junior, который только вчера пришёл в компанию?

Четвёртый, и возможно самый важный фактор — это культурный сдвиг. ИТ-индустрия переняла парадигму "move fast and break things" от стартапов и применила её к критической инфраструктуре. Но когда ломается прототип у стартапа — это нормально, никто не пострадает. Когда ломается система бронирования авиабилетов или система обработки платежей — страдают миллионы людей.

Когда менеджменту продают решение его проблем

И вот мы подходим к самой интересной части. Почему всё это происходит? Кто принимает эти решения?

Представьте себе типичного менеджера крупной компании. Ему нужно показать "инновации" и "цифровую трансформацию" в своём квартальном отчёте. Но он не понимает, как работают технологии. Он видит заголовки: "ИИ заменит программистов", "ChatGPT пишет код лучше людей". И он думает: "Почему мы не внедряем это? Конкуренты уже внедряют!"

И тут появляются консультанты. Они продают ему мечту: внедрите нашу AI-платформу, и вы сможете уволить 95% IT-отдела. Сократите расходы, а продуктивность вырастет в 2-3-5-10 раз. Звучит слишком хорошо, чтобы быть правдой? Потому что это и есть неправда.

Это то, что я называю "инфоцыганством". Компании переупаковывают свои старые продукты, добавляют слово "AI" в название и повышают цену в три раза. То, что раньше называлось "регулярные выражения" и алгоритмы, теперь называется "machine learning". База данных с несложными запросами превращается в "AI-powered analytics", хотя в стандартных инструментах многих СУБД есть базовая аналитика. Менеджеры не понимают разницу и платят.

Но ещё интереснее другой аспект. Когда новый проект проваливается, менеджеру нужно оправдание. И AI — идеальное оправдание. "Ну это же новые технологии, программисты не справились". Неудобно спрашивать с менеджера, если он пытался внедрить "инновации".

А что происходит на практике? Компания внедряет AI-бота для техподдержки. Обещали, что он заменит 50 агентов. На практике — бот плохо понимает запросы, клиенты в ярости, а придётся нанимать ещё 100 человек, чтобы разбираться с проблемами, которые создал бот. Но менеджер уже получил бонус за "успешную реализацию AI-инициативы".

Это социальная инженерия в чистом виде. Менеджерам продают решение проблем, которых у них нет, или решение проблем, которые вообще нельзя решить так просто. "Внедрите ChatGPT для анализа данных" — когда достаточно было бы написать несколько SQL-запросов. "Нам нужен AI для оптимизации процессов" — когда процессы не оптимизированы из-за бюрократии, а не из-за отсутствия ИИ.

И это работает. Работает, потому что менеджменту хочется верить в магическое решение. Хочется верить, что можно просто купить какую-то технологию, и все проблемы исчезнут. Не нужно разбираться в процессах, не нужно нанимать дорогих инженеров, не нужно менять корпоративную культуру. Просто купи подписку на SaaS — и готово.

Как эффективный менеджмент разрушает системы

Теперь давайте посмотрим на конкретные примеры того, как "эффективное управление" приводит к катастрофам.

Возьмём VK (ВКонтакте). После многократной смены собственников и массовых увольнений инженеров в 2021–2023 годах платформа столкнулась с серьёзными проблемами. API периодически падает, мессенджер работает с перебоями, модерация не справляется. Почему? Потому что уехала вся экспертиза. Люди, которые знали, как устроена система изнутри, ушли или были уволены. Новые команды не понимают архитектуру, боятся что-то менять, и просто накладывают заплатки поверх заплаток. Это не становится лучше со временем.

Или Сбер. Агрессивная экспансия в "экосистему" привела к созданию десятков непрофильных сервисов с дублирующимися функциями. Единую платформу "Сбер-ID" саботировали десятки команд внутри холдинга — каждая хотела свой подход. Технологическая инфраструктура оказалась не готова к таким нагрузкам, и качество услуг упало. Но с точки зрения менеджмента всё выглядит успешно: много сервисов, много пользователей, много активностей. А под капотом — технический долг на миллиарды рублей.

Amazon после увольнения 27 000 сотрудников в 2023–2024 годах пережил несколько критических сбоев AWS. Ушёл опытный персонал, который знал, как работают системы на низком уровне. Решения стали приниматься более централизованно, людьми, которые дальше от реальной инженерии. И качество упало.

Но самый яркий пример — это X.com (бывший Twitter). После приобретения Илоном Маском и сокращения 80% штата платформа постоянно ломается. Уехала вся экспертиза по поддержанию критической инфраструктуры. Люди, которые знали, как держать систему, которая обрабатывает миллиарды запросов в день, просто ушли. Их заменили меньшим количеством людей, часто без опыта работы с системами такого масштаба. Результат? "Движок Х" регулярно отказывает, API нестабилен, контентная модерация практически не работает.

Интересно, что во всех этих случаях паттерн похожий. Сначала приходит "эффективный менеджмент", который видит инженеров как расход. Увольняют "дорогих" специалистов, оставляют дешёвых или аутсорсеров. Централизуют решения в руках менеджеров без технического бэкграунда. Сворачивают R&D — зачем что-то исследовать, если можно скопировать у конкурентов? И заменяют фундаментальные инженерные решения "быстрыми" костылями.

На короткой дистанции это даже может выглядеть как успех. Расходы снизились, KPI выглядят отлично. Но на длинной дистанции — это катастрофа. Технический долг накапливается, экспертиза уходит, системы становятся всё более хрупкими. И в один прекрасный день ломается все и сразу.

Кто и как считает деньги от AI

Ещё один важный аспект — это экономика. Все говорят о невероятной рентабельности AI-инструментов, но если присмотреться, картина становится странной.

Посмотрим, как программисты считают ROI. "Я написал код за два дня вместо десяти — экономия 80%!" Звучит хорошо, но давайте подумаем. Какие риски не учитываются? Какая доля сгенерированного кода окажется багом? Сколько времени потребуется на ревью и исправление? И самое главное — что происходит с экспертностью команды, которая перестаёт писать код вручную?

Когда junior’ы сразу начинают пользоваться AI-ассистентами, они не учатся думать как инженеры. Они учатся подсказывать AI. На короткой дистанции они могут быть продуктивными. На длинной — они не смогут решить сложную проблему, когда AI не поможет, а AI не поможет с нестандартными задачами. И мы получаем поколение программистов, которые не могут написать код без помощи AI, и AI не видит сложных примеров задач, система замыкается сама на себя с постоянной деградацией.

Теперь посмотрим на бизнес-сторону. OpenAI — компания с оценкой в $80+ миллиардов. Но есть ли у них план по выходу на прибыльность? Они тратят огромные суммы на обучение моделей, на инфраструктуру, на персонал. А доходы? Подписка на ChatGPT стоит $20-200 в месяц. Покрывает ли это затраты? Сложно сказать, но судя по постоянным раундам финансирования — пока нет.

Anthropic (создатели Claude) — аналогичная история. Каждый квартал — сотни миллионов убытков. Инвесторы вроде Google и Amazon финансируют дальнейшее развитие, но когда мы увидим ROI? Не на горизонте пяти лет точно.

И это общая проблема. Много AI-компаний показывают рост выручки, но их прибыль отрицательная. Выручка — это еще не прибыль. Как говорится, "revenue is vanity, profit is sanity". Но рынок продолжает оценивать эти компании на основе потенциала, а не реальной экономики.

Что это значит на практике? Большинство AI-продуктов сегодня — это убыточный бизнес, финансируемый инвестиционными долларами с ожиданием успеха. Когда дешёвые деньги закончатся (а они закончатся), пузырь лопнет. И тогда многие компании останутся с технологиями, которые они не могут себе позволить.

Истории успеха, которых не было

Но возможно самый циничный аспект всей этой истории — это реальные примеры "AI-стартапов", которые на поверку оказывались просто обычным бизнесом.

Есть известный кейс: стартап X поднимает $10 миллионов на "AI-боте для техподдержки". Пресс-релизы, интервью с основателями, хайп в медиа. Восемнадцать месяцев спустя выясняется, что за "AI-ботом" сидела команда из двадцати человек в Индии, которые вручную обрабатывали запросы.

Или ещё более циничный пример. Медтех-стартап с оценкой в $300 миллионов обещал AI-диагностику по рентгеновским снимкам. Годовые испытания показывали удивительную точность — 95%, 98%! Акции росли, инвесторы вкладывали новые сотни миллионов. Три года после IPO, и выясняется: AI не работал. Врачи вручную разметили 50 000 снимков. Система просто искала похожие паттерны в базе размеченных данных. Акции рухнули на 95%, уголовные дела, репутационный крах всей индустрии.

Или социальная сеть с оценкой в $5 миллиардов покупает стартап с "AI для модерации контента" за $500 миллионов. Через год после интеграции выясняется: "AI" — это 500 модераторов в филиале на Филиппинах, которые вручную просматривают контент. Приобретение назвали "стратегической ошибкой", write-down на $400 миллионов.

Паттерн всегда похожий. Агрессивный PR, хайп вокруг "революционных технологий", минимизация реальной инженерной работы. А за фасадом — всё те же люди, только дороже. Это называется "Mechanical Turk" — когда под видом автоматизации скрывается ручной труд.

И что самое интересное — это работает. Инвесторы дают деньги на основе pitch deck и демо. Клиенты покупают на основе маркетинга. А когда правда всплывает — деньги уже потрачены, бонусы уже выплачены, основатели уже переехали в следующий проект.

К технологическому коллапсу или к новой парадигме?

Так где мы сейчас? Индустрия находится в критической точке.

С одной стороны, безусловные достижения AI в отдельных областиях действительно существуют. Генеративные модели могут создавать впечатляющий контент. Нейросети помогают в медицинских диагнозах. Системы перевода становятся всё лучше. Это реальный прогресс.

С другой стороны — системная деградация инженерной культуры. Массовое "инфоцыганство", когда под маской инноваций скрываются пустые обещания. Капитализация решений, которые на поверку оказываются неподдерживаемыми. Увольнение опытных инженеров в пользу AI-инструментов, которые не могут заменить экспертность.

Ключевой вопрос: готова ли индустрия к честному разговору о реальной стоимости и реальной ценности AI? Готовы ли мы признать, что не всё можно автоматизировать? Что не всё должно быть максимально быстрым? Что иногда стоит потратить месяц на правильное решение вместо недели на костыль?

Или мы продолжим раздувать пузырь, который когда-нибудь лопнет — и последствия этого краха будут чувствоваться всей мировой экономикой? Инвестиции в AI-компании без чёткого пути к прибыльности не могут продолжаться вечно. Снижение качества софта и рост количества инцидентов не могут продолжаться вечно. Что-то должно измениться.

Ответ пока не очевиден. Но одно очевидно: если не изменить курс, к 2030 году мы можем получить ИТ-индустрию, которая генерирует много кода, но мало ценности. Код, который никто не понимает. Системы, которые никто не может поддерживать. Технологии, которые стоят больше, чем приносят пользы.

Это не обязательно конец индустрии. Это может быть переход к новой парадигме, где мы научимся балансировать между скоростью инноваций и устойчивостью систем. Где мы перестанем воспринимать инженеров как расход, а начнём инвестиций в экспертизу. Где мы будем честно оценивать ROI технологий, а не верить в маркетинг.

Но для этого нужен честный разговор. И он должен начаться сейчас.

Что почитать и изучить

Если вам интересно исследовать эту тему, вот несколько направлений:

Техническая сторона:

• Исследуйте паттерны "Technical Debt" и как они влияют на долгосрочную устойчивость систем
• Изучайте Site Reliability Engineering (SRE) как альтернативу "move fast and break things"
• Смотрите на Case Studies крупных сбоев (например, AWS outages, CrowdStrike incident)

Экономическая сторона:

• Анализируйте финансовые отчёты AI-компаний (OpenAI, Anthropic, Stability AI)
• Изучайте концепцию "AI Winter" и предыдущие циклы hype и разочарования в ИИ
• Смотрите на ROI calculator для AI-инструментов — реальные цифры, а не маркетинг

Культурная сторона:

• "The Phoenix Project" и "The DevOps Handbook" — о культуре разработки
• Статьи Timnit Gebru, Margaret Mitchell об этике AI
• Исследования на тему "AI washing" и как распознать настоящие инновации

Помните: скептицизм — это не отрицание прогресса. Это способ убедиться, что прогресс реальный, а не надувной.

#DI3S
#AI
#ArtificialIntelligence
#Tech
#SoftwareEngineering
#DevOps
#SRE