Source: https://clickhouse.com/blog/agentic-coding

TL;DR: Текст — это не столько обзор AI-хайпа, сколько практический манифест от ClickHouse о том, где агентное программирование уже реально работает в крупной инженерной организации. Главный тезис: AI-агенты не заменяют мышление и архитектурные решения, но уже резко ускоряют рутинную, исследовательскую и отладочную работу, особенно там, где есть сильная инженерная культура, хорошее тестирование и жёсткий review-процесс.

5–8 ключевых мыслей

• Автор занимает прагматичную позицию: вокруг agentic coding слишком много поляризации, а реальная ценность есть не “везде”, а в конкретных сценариях, где агенты уже полезны на практике.
• В ClickHouse AI-агенты уже встроены в рабочие процессы: от генерации boilerplate и внутренних тулов до code review, расследования багов, flaky tests, security research и CI-автоматизации.
• Ключевой перелом, по версии автора, произошёл во второй половине 2025 года: модели стали достаточно сильными, чтобы работать даже с большим C++-кодом, а не только с типовыми JS/Python-задачами.
• Автор различает 3 уровня AI-assisted coding: от простого copy-paste из чата до многоагентных автономных циклов; ClickHouse в основном уверенно использует второй уровень и только подбирается к третьему.
• Самая сильная мысль текста: AI лучше всего работает не как “замена инженера”, а как ускоритель сильного инженера. Хорошие специалисты становятся заметно сильнее, слабые — могут просто быстрее делать ошибки.
• Наиболее убедительный кейс — массовое исправление flaky tests и CI-проблем: с помощью агентов автор и команда смогли сделать объём изменений, который годами не получалось вытянуть организационно.
• При этом текст честно признаёт риски: ложные гипотезы, усложнение кода, зависимость от моделей и провайдеров, рост расходов, возможное ухудшение фокуса команды и даже “AI mania”.
• Итоговая позиция — не “AI всё решит”, а “использовать больше, но умно”: с валидацией, тестами, review, несколькими моделями и ясным пониманием, где агентам место, а где нет.

Что здесь действительно важно и почему

Самое важное в этом тексте — он описывает не теорию, а operational reality: как AI-агенты встраиваются в зрелую инженерную среду. Это ценнее обычных AI-эссе, потому что автор показывает, что реальная польза возникает не от магии модели, а от сочетания четырёх вещей: сильные инженеры, хорошая кодовая база, развитый CI/testing и дисциплина проверки результата. Без этого агенты легко производят красивую, но опасную иллюзию продуктивности.

Второй реально важный вывод: наибольший ROI — не обязательно в “написать новую фичу”, а в ремонте инженерной машины: flaky tests, merge conflicts, stale PRs, code review, расследование багов, внутренние инструменты, мелкие рефакторинги, интеграции. Это очень зрелый и правдоподобный взгляд, потому что именно такие зоны обычно тормозят большие команды сильнее, чем “чистое кодирование”.

Третий важный момент: текст по сути утверждает, что AI повышает контраст между инженерами. То есть AI — не уравнитель, а усилитель. Для сильного инженера это multiplier. Для слабого — способ быстрее прийти к неправильному выводу с очень убедительным объяснением. Это, пожалуй, один из самых содержательных тезисов статьи.

Слабые места, натяжки, спорные тезисы или признаки низкой надёжности

Есть несколько мест, где текст нужно читать осторожно.

Во-первых, это явно позиционный текст изнутри компании, а не нейтральное исследование. Автор не скрывает advocacy-позицию: он хочет продвигать более широкое использование AI в ClickHouse. Поэтому текст силён как свидетельство практики, но слабее как беспристрастная оценка рынка.

Во-вторых, ряд сильных утверждений поданы анекдотически, без строгой метрики. Например, кейсы про “агент решил сложный баг”, “ускорил расследование в 3–4 раза”, “оптимизировал сборку на 28%”, “700 pull requests” звучат впечатляюще, но это всё же набор illustrative examples, а не формальный measurement framework с контролем, baseline и воспроизводимой методологией.

В-третьих, местами текст слишком категоричен. Фразы в духе “скептики не выживут в 2026” или “если security researcher не использует AI — пора на пенсию” — это риторика, а не аналитика. Она делает текст ярче, но снижает его нейтральность.

В-четвёртых, автор честно говорит о рисках, но не до конца разбирает долгосрочные последствия: рост техдолга в vibe-coded tooling, зависимость от внешних провайдеров, возможное размывание архитектурной дисциплины и экономику масштабного AI-использования. Эти риски признаются, но не исследуются глубоко.