Программисты исчезнут к концу 2026? Разбираем прогноз архитектора Claude Code — с числами, примерами и тем, что модели пока не умеют

Борис Чёрный, глава Claude Code в Anthropic, заявил в Fortune: титул "software engineer" исчезнет к концу 2026 года. Его заменит "builder" — человек, который управляет AI-агентами, а не пишет код руками. Сам Чёрный не редактировал ни одной строчки кода с ноября 2024-го. В Spotify лучшие разработчики не кодят с декабря 2025-го. Вакансий для джунов стало на 35% меньше с 2023 года.

Звучит как конец эпохи. Но так ли это?

TL;DR: Прогноз Чёрного — не фантазия: цифры реальны, кейсы подтверждены, тренд очевиден. Но "программисты исчезнут" и "роль программиста изменится" — две разные вещи. AI-модели в 2026-м генерируют в 1.7 раз больше багов, чем люди, ломаются на сложной архитектуре и не понимают бизнес-контекст. Исчезает не профессия — исчезает ручной набор кода как основное занятие.

Что конкретно заявляет Чёрный

Борис Чёрный запустил 5 параллельных сессий Claude Code в терминале, ещё 5–10 — в браузере claude.ai. Каждый день он отправляет 20–27 Pull Request'ов, каждый — на 100% написан AI. Человеческий вклад — промпт, ревью, мёрдж.

По его словам, один из коллег в Anthropic с помощью Claude Code выполнил объём работы, на который у senior-инженера из Google ушёл бы год — за один час. А продуктивность инженеров внутри Anthropic выросла на 200%.

CEO Anthropic Дарио Амодей предсказывал в марте 2025-го, что AI будет писать 90% кода через 3–6 месяцев. Внутри Anthropic — это уже реальность: компания говорит о 70–90% AI-кода по всей организации.

Spotify: кодим с телефона по дороге на работу

В Spotify пошли ещё дальше. Их внутренняя система Honk, построенная поверх Claude Code, позволяет инженерам запускать задачи со Slack на телефоне. Буквально: едешь в метро, пишешь в чат "fix bug X in iOS app", Claude пишет код, собирает билд, присылает его тебе на телефон — и ты мёрджишь в прод до того, как доберёшься до офиса.

За 2025 год Spotify выкатил более 50 новых фич и изменений. Разработчики сместились от написания кода к чему-то похожему на product management: формулируют требования, ревьюят AI-результат, оркестрируют архитектуру.

Рынок труда: джуны под ударом

Статистика рынка подтверждает тренд. По данным Revelio Labs, вакансии для entry-level разработчиков в США упали на 35% с января 2023 года. По другим оценкам (SignalFire), найм джунов в 15 крупнейших техкомпаниях сократился на 25% за 2023–2024.

Опрос менеджеров по найму показал: 70% из них считают, что AI справляется с работой интернов. 57% доверяют результатам AI больше, чем работе джуниоров.

Проблема глубже, чем кажется: AI забирает именно ту рутинную работу, на которой джуны раньше учились. Нет grunt work — нет ступеньки в карьере.

А теперь — честный взгляд на модели

Цифры Чёрного и Spotify впечатляют. Но давайте посмотрим, что AI реально может, а где ломается — прямо сейчас, в марте 2026.

Что модели делают хорошо

По бенчмарку METR, Claude Opus 4.6 способен решить задачу, на которую у человека ушло бы 870 часов — с вероятностью 50%. Для 80% надёжности — задачи до 63 часов. Это в 2.7 раза больше, чем Opus 4.5, и в 14 раз больше, чем Claude 3.7 Sonnet годом ранее.

На SWE-bench Verified — бенчмарке по решению реальных GitHub-issues — Opus 4.6 решает ~79% задач. Gemini 3.1 Pro — 80.6%. GPT-5.2 — 75.4%.

Время удвоения возможностей — 122 дня. То есть каждые 4 месяца модели становятся вдвое мощнее на длинных задачах.

Конкретно — AI-агенты уже хорошо справляются с:

• Бойлерплейтом — CRUD-эндпоинты, формы, миграции, конфиги
• Тестами — генерация unit и integration тестов по существующему коду
• Отладкой типовых багов — stacktrace в промпт → фикс через 30 секунд
• Рефакторингом маленьких модулей — переименования, извлечение функций, типизация
• Переводом между языками — Python ↔ TypeScript, SQL-диалекты

Что модели делают плохо — с конкретными числами

Отчёт CodeRabbit проанализировал 470 Pull Request'ов на GitHub (320 с AI-кодом, 150 чисто человеческих). Результаты:

• 10.83 issue на PR у AI против 6.45 у людей — в 1.7 раза больше
• Логические ошибки — на 75% чаще: бизнес-логика, неправильные условия, unsafe control flow
• Проблемы с безопасностью — в 1.5–2.7 раза чаще: XSS-уязвимости (2.74x), insecure deserialization (1.82x), проблемы с паролями (1.88x)
• Производительность — excessive I/O операции в 8 раз чаще
• Читаемость — проблемы в 3 раза чаще: несогласованные имена, форматирование

По данным Aikido Security, AI-код стал причиной каждого пятого breach'а в 2026-м. 69% разработчиков находили уязвимости, внесённые AI, в собственных системах.

А Veracode сообщает, что 45% AI-сгенерированного кода содержит security-дефекты.

Конкретные сценарии, где AI ломается

Большие кодобазы и контекст. У моделей есть потолок контекстного окна. Даже у Opus 4.6 с 200K токенами — это примерно 400-500 файлов по 100 строк. Реальный энтерпрайз-проект — тысячи файлов с неявными зависимостями. AI обновит определение метода, но пропустит 12 call sites в других модулях.

Сложная рекурсия и алгоритмы. LLM — это вероятностные предсказатели токенов. Они не "понимают" глубину стека, halting problem или математические гарантии завершения рекурсии. На нетривиальных алгоритмических задачах модели выдают решения, которые выглядят правильно, но ломаются на edge cases.

Архитектурные решения с долгосрочными последствиями. Выбрать между монолитом и микросервисами, спроектировать схему данных под будущий рост, оценить trade-off'ы между consistency и availability — модели могут предложить варианты, но не могут ПРИНЯТЬ решение с учётом конкретного бизнес-контекста.

Legacy-код. При рефакторинге больших legacy-систем AI-агенты часто ломают бизнес-логику, предлагают API несуществующих версий библиотек и игнорируют неявные связи между модулями. 96% разработчиков не доверяют AI-коду без ручной проверки.

Распределённые системы. Отладка race conditions, deadlocks, проблем eventual consistency — тут нужно adversarial thinking, которое у моделей пока слабое. Concurrency-баги в AI-коде появляются вдвое чаще.

Подводные камни

"100% AI-кода" — это маркетинг. Чёрный не пишет код руками — но он тратит часы на формулирование промптов, ревью результатов, итерации с Plan Mode. Это всё ещё программирование, просто на другом уровне абстракции. Когда он говорит "не редактировал ни одной строки", он умалчивает о десятках итераций с Claude, пока результат не станет приемлемым.

Anthropic — идеальный кейс, не репрезентативный. Чёрный пишет код ДЛЯ Claude Code ЧЕРЕЗ Claude Code. Модель тренирована на этом типе задач. Это как если бы Excel хвастался, что лучше всех создаёт таблицы. В компаниях с legacy-системами на COBOL, C++ или специфических фреймворках ситуация радикально другая.

Предсказания Амодея не сбылись по срокам. В марте 2025 он обещал 90% AI-кода через 3–6 месяцев для индустрии в целом. Март 2026 — и по анализу Redwood Research, даже внутри Anthropic цифра "90%" требует серьёзных оговорок. За пределами Big Tech до этого ещё далеко.

Рост возможностей ≠ исчезновение профессии. Исторически каждый скачок автоматизации (COBOL, SQL, no-code) не уничтожал разработчиков, а создавал новые ниши. SQL "демократизировал" доступ к данным — и количество разработчиков только выросло, потому что появились новые задачи.

Технический долг от AI ускоряет, а не уменьшает потребность в людях. Если AI генерирует в 1.7 раза больше issue на PR, то кто-то должен эти issue находить, исправлять и предотвращать. По данным исследователей, статические предупреждения выросли на 30%, а сложность кода — на 41% после массового внедрения AI. Эта лавина техдолга потребует людей, которые ПОНИМАЮТ код.

Вердикт

Чёрный прав в одном: ручной набор кода как основное занятие программиста — уходит. Уже ушёл для top-инженеров в передовых компаниях.

Но "программисты исчезнут" — это подмена тезиса. Исчезает конкретный навык (набор кода), не профессия. Gergely Orosz точно сформулировал: ценность смещается от polyglot-кодера к tech lead'у, который понимает архитектуру, продукт и бизнес. AI делает прототипирование и знание конкретного стека менее важными, а системное мышление и продуктовый подход — более важными.

Реальная угроза — для junior-разработчиков, которые не успели набрать опыт до AI-волны, и для mid-level'ов, которые умеют только "писать код по спеке". Для senior'ов, архитекторов, tech lead'ов — AI не конкурент, а мультипликатор: один человек с 5 параллельными Claude Code делает работу за 5 инженеров.

Прогноз: к концу 2026 тайтл "software engineer" не исчезнет, но его содержание изменится необратимо. Те, кто научится дирижировать AI-агентами — выиграют. Остальным будет, как честно предупреждает Чёрный, "painful".

Как попробовать

Если хотите оценить возможности AI-кодинга на своих задачах:

1. Установите Claude Code — npm install -g @anthropic-ai/claude-code (нужен API-ключ Anthropic или подписка Max/Pro)
2. Создайте CLAUDE.md в корне репозитория — опишите архитектуру, конвенции, частые ошибки. Чёрный и его команда делают это и обновляют каждый раз, когда Claude ошибается
3. Попробуйте Plan Mode — дайте Claude задачу и попросите сначала составить план (/plan), итерируйте, и только потом переключайтесь в auto-accept
4. Запустите на реальном баге — возьмите issue из бэклога, дайте Claude stacktrace и контекст. Сравните с тем, сколько вы потратили бы сами
5. Прочитайте документацию по workflow — параллельные сессии, worktrees, субагенты