В начале 2025 года известный российский сторонник искусственного интеллекта заявил, что нейросети могут полностью склонировать даже корпоративные продукты за пару недель, а программисты вскоре станут не нужны. Директор компании-разработчика платформы продвинутой аналитики Алексей Арустамов решил проверить это на практике. Он предложил автору громкого заявления воспроизвести их собственный сложный продукт, используя только открытую документацию и возможности ИИ. Эксперимент получил название «краш-тест клона корпоративной системы, написанного ИИ за 48 часов».

В качестве подопытного взяли платформу для продвинутой аналитики, которая работает с множеством источников данных, поддерживает параллелизм, асинхронный интерфейс, тяжёлые математические алгоритмы и специфичную логику потоковой обработки. Участникам дали ровно 48 часов. На входе были только общедоступные материалы: описание принципов работы на сайте, пользовательская документация, вики, руководства и демо-примеры. Исходный код, архитектурные схемы, оптимизации памяти и обработка граничных случаев остались за скобками. Задача формулировалась просто: «Вот документация — сделай примерно так же». Процесс шёл циклами: генерация, ручное тестирование, передача замечаний апологету ИИ и перегенерация. Оценка велась по классическим критериям ПО: функциональность, удобство, производительность, надёжность и безопасность. Тестирование включало ручной прогон на реальных данных, в том числе на массивах до 50 млн строк.

Первые результаты оказались ошеломляющими. За двое суток ИИ сгенерировал современный веб-интерфейс с тёмной темой, которую пользователи просили годами, пошаговые визарды настроек с подсказками, быстрый просмотр промежуточных результатов на каждом узле без пересборки сценария, визуализацию ROC-кривых и метрик бинарной классификации, а также автоматически созданную справку и демо-примеры. Более того, система добавила функционал, которого не было в оригинале: узел поиска аномалий (Anomaly Detection). ИИ самостоятельно решил, что для такой платформы эта фича логична, и реализовал её. Арустамов признался, что на мгновение у него возникла мысль: «Всё, приехали, надо закрывать бизнес». Однако эйфория быстро сменилась разочарованием, когда дело дошло до проверки на реальных данных и отклонения от демонстрационного сценария.

Краш-тест выявил серьёзные проблемы. Узлы для выполнения JavaScript и Python кода, которые в интерфейсе выглядели рабочими, на деле оказались не интегрированы в поток данных. В оригинальной архитектуре узел лениво забирает данные из потока, обрабатывает и возвращает обратно, а ИИ создал кнопку «Выполнить», запускающую код в вакууме. Функционал был объявлен, но архитектурно отсутствовал. Математические галлюцинации проявились при построении OLAP-куба: визуально он работал, но при сверке с эталоном выяснилось, что куб показывал строго 1000 записей, игнорируя остальной объём данных. Смысла в такой визуализации не было. Кроме того, автоматические тесты, сгенерированные самим ИИ, почти всегда проходили, но стоило отклониться от базового сценария, как система падала. Разработчики указывали на ошибки, их «правили», и снова отчитывались об успешных тестах — и так по кругу. По словам Арустамова, они проверяли, работает ли система так, как надо в реальности, а не факт прохождения тестов, написанных ИИ.

Этот эксперимент ярко высветил водораздел между простыми поделками и крупными продуктами со сложными зависимостями и высокой ценой ошибки. Сторонники ИИ часто утверждают, что достаточно правильно объяснить задачу, и всё получится. Но если бы обычный разработчик требовал чёткого и однозначного пояснения каждой мелочи до написания кода, зачем он вообще нужен? В реальности документация описывает лишь принципы работы, а детальные вещи — оптимизации, обработка edge-cases — это и есть исходный код и накопленный опыт, а не текст на сайте. ИИ продемонстрировал способность быстро создавать внешне привлекательные интерфейсы и даже предлагать новые функции, но он не смог обеспечить архитектурную целостность и корректность вычислений на реальных данных. Это подтверждает, что для ответственных корпоративных систем требуется принципиально другой подход, включающий глубокое тестирование и участие человека.

Для российского рынка разработки ПО этот кейс имеет особое значение. В условиях активного внедрения ИИ-инструментов в процессы создания софта важно трезво оценивать их возможности. Компании, которые слепо доверятся генеративным моделям, рискуют получить продукты, которые красиво выглядят, но не работают в реальных условиях. Эксперимент Арустамова показывает, что ИИ пока не заменяет программистов, а лишь становится ещё одним инструментом, требующим контроля. Отраслевые эксперты отмечают, что подобные тесты помогают сформировать реалистичные ожидания и избежать опасных иллюзий, навеянных роликами о «пятиминутных» решениях. В то же время ИИ может ускорять прототипирование и генерацию кода для типовых задач, но для сложных систем нужен человек, способный проверить логику и обеспечить надёжность. Сравнение с альтернативами — традиционной разработкой и гибридными подходами — показывает, что ИИ выигрывает в скорости создания интерфейса и шаблонного кода, но проигрывает в глубине понимания предметной области. Классические команды тратят годы на шлифовку продукта, зато достигают предсказуемого качества. Гибридный подход, где ИИ генерирует рутинные части, а инженеры занимаются архитектурой и тестированием, выглядит более перспективным. Однако эксперимент Арустамова подчёркивает, что даже при таком подходе нельзя слепо доверять автоматическим отчётам о тестировании. Необходимы ручная проверка на реальных данных и проверка на устойчивость к отклонениям от сценария.

Что будет дальше? Очевидно, что ИИ продолжит развиваться, и его возможности будут расти. Но пока не решены фундаментальные проблемы: галлюцинации функционала, отсутствие архитектурного мышления, неспособность гарантировать корректность на больших объёмах данных. Открытыми остаются вопросы: как интегрировать ИИ в процесс разработки, чтобы он приносил пользу, а не создавал иллюзию готового продукта? Как обучать модели пониманию предметной области на уровне эксперта? И главное — готовы ли компании нести ответственность за ошибки, допущенные ИИ? Ответы на эти вопросы определят, станет ли ИИ полноценным партнёром разработчиков или останется лишь генератором красивых картинок. Эксперимент Арустамова — важное напоминание о том, что за любые сложные системы нужно платить временем, опытом и вниманием, и никакие 48 часов этого не заменят.