Долгие годы сюжет про ИИ в разработке звучал одинаково: машина пишет код быстрее человека. Последние месяцы всё настойчивее рисуют другой — причём с противоположного конца. Языковые модели, судя по всему, всё активнее занимаются зачисткой устаревшего кода, ИИ-агенты ищут уязвимости в старом программном фундаменте, а в сообществах реверс-инженеров модели обсуждают уже как полноправного помощника по разбору чужих систем. Общее у этих историй одно: нигде машина ничего не сочиняет — она читает, сопоставляет и разбирает накопленное. Технический долг, самая нелюбимая часть профессии, похоже, становится первой задачей, где ИИ выдаёт не демо, а измеримый результат.
В любой зрелой кодовой базе есть свой осадок: флаги экспериментов, свёрнутых годы назад, ветки для продуктов, которых больше не существует, функции, которые никто не вызывал ещё с прошлой эпохи. Стереть это страшно — на кону работающий сервис, а мёртвый код от просто плохо написанного без глубокого погружения не отличишь. Вот его и не трогают. Годами.
Теперь эту работу чаще отдают машинам. Агентам поручают прочёсывать кодовые базы: искать устаревшие флаги и недостижимые ветки, собирать доказательства, что их действительно никто не использует, и готовить патчи на удаление. Финальное слово всё равно за людьми — ревью никуда не делось. Первые результаты, если верить сообщениям, обнадёживают: кода меньше, сборка быстрее, поверхность для ошибок уже, а новеньким проще войти в проект.
Самое циничное: технически всё это было возможно и раньше — статические анализаторы существуют десятилетиями. Не хватало не инструментов, а мотивации. За удаление кода не платят, карьерных очков оно не приносит, зато ответственность за упавший сервис вполне материальна. ИИ удешевляет сразу две вещи — ошибку и скуку. И задача внезапно оказывается выгодной.
Вторая история — про безопасность. Значительная часть сайтов, если верить распространённым оценкам, до сих пор стоит на серверном стеке возрастом не в одно десятилетие: PHP и обросшие патчами фреймворки вокруг него. Идеальная среда для легаси-багов — утечки памяти, выходы за границы буфера, логические дыры, копившиеся годами.
Исследователи всё активнее натравливают на такие кодовые базы агентов. Те читают исходники целиком, а не выборочно — только там, где пахнет, — и выдают список кандидатов в уязвимости. Направление уже приносит первые заметные результаты: от реальных, прежде неизвестных находок в широко используемых библиотеках до демонстраций того, что автономная система способна не просто найти дыру, но и подготовить патч для настоящего ПО. Машину выручает отсутствие скуки: человек читает чужой код урывками и устаёт, модель читает, пока позволяют токены.
Оговорка всё же нужна: каждая находка требует ручного подтверждения, ложных срабатываний много, а гарантий полноты нет никаких. Но сравнение честное. Раньше этим занимались одиночки-энтузиасты с фаззерами — теперь к делу подключился конвейер.
Третий сюжет самый неожиданный. Реверс-инжиниринг прошивки — это чтение чужого кода в предельной форме: ни исходников, ни документации, только дампы машинных команд и огромная кропотливая работа по их осмыслению. Именно так ломают игровые консоли. И именно здесь, судя по разговорам в этих сообществах, агенты всё чаще оказываются кстати: модель читает дизассемблированный код, сопоставляет функции и выдвигает гипотезы, куда копать дальше, — человек остаётся штурманом.
Симметрия с первой историей точная: не «напиши мне игру», а «разбери, как это устроено». Самую трудоёмкую часть взлома делегировали машине. Для индустрии безопасности это сигнал хуже любого эксплойта: закрытые системы, как ожидается, будут анализироваться всё быстрее, и производителям железа придётся закладывать это в модель угроз. Причём закладывать всерьёз.
В России чужой код — беда покрупнее, чем в среднем по миру. Банки и телеком два десятилетия наращивали монолиты, госсектор живёт в зоопарке разнородных систем, а уход зарубежных вендоров доверху добавил задачу миграции. Одновременно рынок столкнулся с дефицитом инженеров — и сопровождение старого кода первым делом отдают тому, кто подешевле. Всё чаще этот «кто-то» — модель.
Свои инструменты тоже появляются: отечественные компании развивают ИИ-ассистентов для работы с кодом, помощников на собственных моделях, если верить сообщениям, уже встраивают в рабочие процессы и облака, а инфраструктуру для закрытых контуров дают российские платформы хостинга кода. В крупных компаниях — от банков до маркетплейсов — ML, судя по всему, применяют для автоматического ревью и поиска дефектов.
Ограничения типовые: доступ к передовым моделям ограничен, требования по защите данных заставляют разворачивать всё on-premise — и проект резко дорожает. Но именно поэтому ниша ИИ-аудита легаси у нас и выглядит многообещающей: систем с многолетним наследием много, а разбор чужого кода прощает модели куда больше, чем генерация сложной новой логики с нуля.
Сдвиг глубже, чем кажется. Если ИИ сначала заберёт чтение и сопровождение — а все три сюжета очерчивают именно это, — изменится сама структура профессии: ценность перетечёт от умения писать к умению понимать систему. Классическая работа джуна — разобраться в чужом коде и починить мелочь — автоматизируется первой, и порог входа в индустрию придётся придумывать заново. А ирония в том, что самая презираемая работа отрасли — разгребать чужое наследие — может оказаться первым местом, где машины по-настоящему полезны. Им не жалко на это ни времени, ни памяти.