LLM-генерация кода стала дешёвой и быстрой: автодополнение, шаблоны и готовые библиотеки позволяют за минуты получить то, что раньше писалось часами. Однако скорость создания не равна скорости понимания. Самые важные вопросы в разработке — безопасно ли это, что сломается через неделю, какие последствия в проде — остаются без ответа, потому что генеративные модели не умеют автоматически производить смысл.
Проблема усугубляется тем, что знания о системе распределены между множеством источников: исходным кодом, логами, трассировками, метриками, инцидентами, postmortem-отчётами, code review, комментариями, документацией и памятью команды. GitLab и GitHub отлично фиксируют source of change — что изменилось, кто и когда, — но не хранят meaning: почему интерфейс устроен именно так, какие правила стоят за вызовом, какие инциденты привели к решению. Разрыв между change и truth существовал и раньше, но ручное написание кода давало иллюзию погружения. Теперь, когда код можно получить слишком быстро, иллюзия разрушается.
Кодогенерация не создала новый дефект — она сделала старый слишком заметным. Если по-прежнему считать код единственным источником истины, ИИ будет лишь ускорять производство артефактов, смысл которых потом придётся восстанавливать вручную. Инженерное знание на самом деле живёт в инцидентах, объяснениях на ревью, логах и неявных правилах команды. Признание этого факта меняет модель разработки: важным становится не только как быстро сгенерировать и закоммитить код, но как восстановить смысл решения, связать код с инцидентами и хранить контекст, а не только дифф.
