Штучний інтелект дедалі глибше вкорінюється в програмуванні – від допоміжних інструментів до систем, здатних відтворювати масштабні проєкти за години, а не місяці. Один з таких випадків нещодавно викликав гарячу дискусію в професійній спільноті: інженерка Google розповіла, що AI-асистент Claude Code від Anthropic зміг за одну годину створити рішення, яке її команда будувала цілий рік.
Поштовхом до обговорення стала публікація інженера зі штучного інтелекту Рохана Пола 3 січня на платформі X (колишній Twitter). У своєму дописі він нагадав прогноз генерального директора Anthropic Даріо Амодея, зроблений у березні 2025 року: мовляв, протягом приблизно року штучний інтелект писатиме весь код у світі. Далі Пол передав розповідь «головного інженера в Google» про те, що Claude Code нібито «зіставився з річним результатом роботи команди за одну годину».
Йдеться про Claude Code – це командний (CLI) помічник від Anthropic, створений спеціально для розробників. Він допомагає планувати архітектуру проєкту, тестувати код, аналізувати великі репозиторії, знаходити помилки й пропонувати варіанти їх виправлення. За словами Пола, системи на кшталт Claude Code вже знімають з програмістів значну частину рутинної роботи: нескінченні цикли відлагодження, пошук однакових патернів у різних системах, орієнтування в заплутаних, «зарастаних» роками кодових баз.
Як Google зіткнулася з Claude Code
Після допису Рохана Пола розпочалося жваве обговорення. І тут з’явилася неочікувана деталь: розробниця з Сан-Франциско, інженерка Google Яанна Доган, публічно визнала, що саме вона була тією «головною інженеркою», на слова якої послався Пол.
У своєму коментарі вона пояснила контекст: команда в Google вже з минулого року намагається створити «орchestrators» для розподілених агентів – системи, які керують взаємодією набору програмних агентів, що розподілені по різних сервісах чи вузлах. Такі розробки особливо важливі для хмарних екосистем на кшталт Google Cloud, де безліч сервісів мають узгоджено працювати разом у реальному часі.
За словами Доган, у компанії обговорювалися різні підходи до проєктування таких оркестраторів, і повної єдності між командами не було. У цій ситуації вона вирішила перевірити, наскільки потужним став Claude Code. Вона подала системі текстовий опис задачі – без покрокових інструкцій, але з достатньою технічною деталізацією, – і за годину отримала результат, який «відтворював» те, що її команда будувала протягом року.
«Це не відкриття, а пришвидшення»
Попри гучний ефект цієї історії, Доган наголосила на деталях, які різко приземляють страшні сценарії про «заміну людей машинами». Вона підкреслила: Claude Code не запропонував нічого концептуально нового. Модель не винайшла оригінальне архітектурне рішення й не віднайшла нестандартний підхід. Натомість AI виявився дуже вправним у відтворенні вже сформульованої інженерної ідеї, причому набагато швидше, ніж звичайна команда, що проходить через обговорення, рев’ю, тестування та узгодження.
Іншими словами, прискорилася саме реалізація, а не народження задуму. Власне, це добре показує загальну тенденцію: сучасні системи штучного інтелекту чудово працюють із наявними патернами, готовими концепціями та вже відомими підходами до проєктування. Вони не «замінюють» глибоке розуміння домену, але здатні значно стискати часові проміжки між ідеєю та першим працюючим прототипом.
Де саме працює інженерка Google і чому це важливо
Цікаву деталь до історії додає й те, що Яанна Доган працює над API для Gemini – флагманської лінійки систем штучного інтелекту від Google. Gemini – це сімейство моделей, які компанія позиціонує як власну відповідь на продукти OpenAI та Anthropic. Вони мають широке застосування: від генерації тексту до роботи з кодом, аналізу зображень і створення мультимодальних рішень.
API для таких систем – це програмний інтерфейс, через який розробники з усього світу можуть під’єднувати моделі до власних застосунків, сервісів і внутрішніх інструментів. Від зручності, стабільності й продуманості цього інтерфейсу залежить, наскільки активно компанії й незалежні розробники використовуватимуть той чи інший AI-продукт. Тому участь Доган саме в такому проєкті робить її оцінку ще вагомішою: вона щодня працює з можливостями та обмеженнями великих мовних моделей й розуміє, як ними користуються інші інженери.
Її відверте визнання, що конкурентний продукт – Claude Code – зміг відтворити річну роботу команди за годину, працює своєрідним дзеркалом для всієї галузі. Якщо навіть інженери, які будують інструменти для Google Gemini, випробовують й інші AI-системи, це свідчить про високу напругу змагання та швидкість змін у сфері розробки програмного забезпечення.
Як програмісти сперечаються про роль AI у своїй роботі
Допис Рохана Пола та пояснення Яанни Доган миттєво перетворилися на майданчик для суперечки про те, як саме варто вплітати штучний інтелект у робочі процеси. Частина розробників сприймає AI як черговий інструмент, подібний до компіляторів, Git чи IDE з підказками коду – потужний, але керований людиною. Інші побоюються, що з часом великі компанії, отримавши «дешевий» код від моделей, почнуть скорочувати команди розробників.
У коментарях до обговорення Доган поділилася власним підходом: за її словами, Claude Code «не ідеальний», і вона продовжує покроково покращувати результат, який отримала від моделі. Таким чином, штучний інтелект у її практиці не є безапеляційним автором, а радше швидким виконавцем чернетки, яку досвідчений інженер потім аналізує, чистить від помилок і адаптує до вимог конкретної інфраструктури.
Порада від інженерки Google: тестуйте AI там, де ви найсильніші
Окрема частина її коментаря стала практичним посланням до колег, які досі не наважилися серйозно спробувати AI-асистентів або ставляться до них із недовірою. Вона запропонувала простий, але показовий експеримент: взяти галузь, у якій розробник уже має глибоку експертизу, і попросити AI побудувати з нуля щось складне в межах цього домену.
Сенс такого підходу в тому, що, маючи глибоке розуміння проблеми, фахівець здатен миттєво оцінити якість результату. Він бачить, де модель вибудувала елегантне рішення, а де «з’їхала» в банальні або помилкові фрагменти. Таке тестування набагато корисніше, ніж загальні враження від «демо» в незнайомій темі, де важко зрозуміти, наскільки правильним є відповідь.
Ця порада має й ширший підтекст: інженер, який розуміє власну сферу діяльності на глибинному рівні, зберігає вагому роль навіть тоді, коли багато кроків реалізації делегуються AI. Людина задає напрям, формулює вимоги, відсікає помилки й формує остаточну архітектуру. Моделі ж стають прискорювачами, а не повноправними авторами складних систем.
Opal, китайські роботи й зростаюча мозаїка AI
Історія з Claude Code вписується у ширшу картину пришвидшення розробки завдяки AI. Google паралельно розвиває власні інструменти, зокрема Opal – внутрішній сервіс для програмістів, який допомагає писати та аналізувати код, працювати з великими проєктами та пропонує оптимізації. Він доповнює екосистему, в якій вже є такі продукти, як GitHub Copilot чи різноманітні плагіни для інтегрованих середовищ розробки.
На іншому кінці світу, в Китаї, інженери будують роботів із дедалі більш «людяною» вправністю. З’являються механічні системи, здатні виконувати складні маніпуляції руками – від тонкої збірки деталей до взаємодії з крихкими об’єктами. Такі розробки поєднують досягнення в галузі мехатроніки, сенсорики та адаптивного керування на основі штучного інтелекту. У результаті AI опановує не лише віртуальну площину коду чи тексту, а й фізичний світ, де точність і швидкість руху мають критичне значення.
На тлі цих змін фраза Пола про «монстра Франкенштейна, який створює власне дитя», звучить радше як яскрава метафора, ніж як науковий опис. Він натякає: системи, які колись були лише результатом праці програмістів, сьогодні самі беруть участь у створенні нового програмного забезпечення. Для когось це привід для натхнення, для іншого – джерело тривоги.
Межа між автоматизацією та творчістю
Попри гучні заяви про «код, який пише весь інший код», історія з Google і Claude Code демонструє важливе розрізнення. Вона показує, що автоматизація вже чудово підходить для повторюваних частин роботи, для розгортання відомих архітектур і перенесення усталених рішень у нові контексти. Проте саме формування бачення, вибір напрямку, постановка вимог і відповідальність за остаточний результат досі лежать на людях.
Саме тому суперечки в спільноті програмістів точаться не лише навколо того, «чи замінять нас», а й навколо питання: як зміниться сама професія. Частина розробників уже сьогодні скорочує тривалість рутинних етапів за допомогою AI, звільняючи більше часу для проєктування, аналізу вимог клієнтів, безпеки й масштабування систем. Інші, навпаки, відчувають, що з приходом моделей знецінюються роки, витрачені на відточування ремесла – адже тепер за кілька хвилин можна згенерувати скрипт, на який раніше йшли години й дні.
Історія, яку розповіли Рохан Пол і Яанна Доган, не розставляє крапки в цих суперечках. Вона радше показує зріз моменту: років праці команди проти години роботи AI, де люди лишаються авторами ідеї й арбітрами якості, а модель – потужним, але залежним від їхніх рішень інструментом.