Назарій Попов, старший директор з AI-інженерії та впровадження EPAM Ukraine, стверджує, що прогнози про швидку заміну розробників штучним інтелектом не справдилися. За його словами, AI-трансформація йде як еволюція, а не одномоментна революція, а перша хвиля хайпу поступається місцем тверезому розрахунку окупності.
Назарій Попов, старший директор з AI-інженерії та впровадження EPAM Ukraine, стверджує, що прогнози про швидку заміну розробників штучним інтелектом не справдилися. За його словами, AI-трансформація йде як еволюція, а не одномоментна революція, а перша хвиля хайпу поступається місцем тверезому розрахунку окупності.
Головна помилка оптимістів, на думку Попова, у спрощеному уявленні про роботу розробника. Безпосереднє написання коду становить лише невеликий відсоток бюджету й термінів створення ПЗ. AI добре працює у greenfield-проєктах, тобто з нуля, коли вимоги можна коротко й чітко описати. Проте, за його оцінкою, понад 90% бюджетів у світовому IT припадає на brownfield: наявні системи з 10–15-річною історією, де нова функція має вписатися в інтеграції, відповідати вимогам кібербезпеки й GDPR та враховувати застарілий код. Зчитати такий контекст без допомоги людини AI поки не здатний.
Ще одна проблема: замовники на старті часто самі не мають чіткого бачення продукту. Попов пропонує уявити ідеальну AI-модель і завдання зробити систему рівня маркетплейсу «Розетка»: описати весь функціонал точно надзвичайно складно. Сформулювати правильне завдання для алгоритму, за його словами, це 80% успіху проєкту, і ця робота лягає на людину. Тому дедалі частіше говорять про принцип Human-in-the-Loop: AI бере на себе написання коду та рутину, а людина розуміє бізнес, ставить задачі, відповідає за архітектуру й контроль результату.
Ринок, каже Попов, починає усвідомлювати: повністю автономний AI (AI-Autonomous), коли агенти самостійно виконують завдання через тисячі спроб та ітерацій, передусім дорогий. Як приклад він наводить завдання підняти історію листування та написати підсумковий лист. Автономний агент може «спалити» токенів на десятки доларів за один лист, а людина з AI-асистентом (AI-Assisted) зробить це за три хвилини з витратами у кілька центів. Здешевити роботу агента допомагає семантичний шар на кшталт Second Brain, проте навіть для локальних задач це нетривіальне завдання.
Показовим він називає проєкт EPAM з автоматичної міграції застарілої системи з Cobol на Java. Агентів запустили в автономному режимі, щоб вони ітеративно переписували, тестували й виправляли код. Проєкт був успішним, але рахунок лише за токени перевищив вартість роботи інженерів, які супроводжували процес. Попри це загальна вартість усе одно була суттєво нижчою, ніж за ручної міграції. Висновок Попова: автономність може окупитися, але токени стають окремою великою статтею витрат, яку треба планувати заздалегідь.
Суттєвого здешевлення токенів найближчим часом, за його оцінкою, чекати не варто. Компенсувати це можна ефективним використанням токенів і AI-орієнтованими архітектурами та процесами. Бізнес, що розраховує повністю замінити людей алгоритмами, ризикує зіткнутися з операційними та фінансовими бар'єрами. Попов нагадує про прогноз Gartner: до 2029 року бізнесу доведеться повторно найняти майже третину працівників, звільнених через AI, але на значно дорожчих умовах.
Попов вважає, що AI не замінює IT-індустрію, а пришвидшує її еволюцію. Коли написання коду дешевшає, розробка не зникає, а масштабується: здешевлення «кілограма коду» робить кастомну розробку доступною для тисяч нових компаній, тому ринок зростає, а не падає. Він пов’язує це з парадоксом Джевонса.
