• В отчёте OpenAI: использование ChatGPT в корпоративной среде за год выросло в 8 раз; средний объём запросов на человека — на 30%.
• Оценка из интервью: ИИ способен экономить около 20–30% рабочего времени на типовых задачах.
• Пример нагрузки: в одной команде на 8 разработчиков приходится 2 аналитика, поэтому типовые задачи делегируют ИИ.
• В одном из кейсов внутри компании делают LLM для формализации типовых задач; она не заменит ТЗ на 300 страниц, но может закрывать задачи на 1–2 часа.
• По данным Tech.co: 85% бизнесов используют ИИ-инструменты; 14% владельцев компаний признали, что ИИ снизил необходимость в отдельных ролях.
• Согласно Forrester, 55% работодателей, уволивших людей из-за ИИ, теперь сожалеют; Tech.co также отмечает, что 78% компаний после таких сокращений планируют снова нанимать.

Почему это важно: В интервью подчёркивается, что рынок требует быстрее выпускать релизы при неизменном или меньшем размере команд, поэтому внимание смещается на рутинные артефакты и спецификации. При этом ИИ описывается как ускоритель, а не «полноценный боец»: без человека, который задаёт контекст и проверяет результат, растут ошибки и потери качества. Отдельно выделяются риски утечек и неверных допущений, которые особенно опасны в требованиях и архитектурных описаниях.

Как использовать: Разделяйте задачи на «смысл и контекст» и «оформление артефактов»: делегируйте второе, но фиксируйте правила ревью (границы ответственности, источники истины, точки отказа). Для диаграмм используйте docs-as-code: просите модель писать PlantUML/Mermaid и работайте итеративно по схеме текст → структура → код. Для OpenAPI и SQL давайте модели схему данных, ограничения и ожидаемый результат, а затем проверяйте логику и крайние случаи. Перед отправкой данных в модель оценивайте безопасность: по возможности работайте во внутреннем контуре, обезличивайте сущности и не включайте в запросы ключи и бизнес-правила.