Проблема оценки сроков в эпоху ИИ-разработки

Раньше вы могли сказать менеджеру: "Эта фича займет две недели". И это звучало убедительно. Сейчас, с agentic coding, когда ИИ не просто дописывает код, а сам придумывает и реализует решения, точные прогнозы ушли в прошлое.

Старая схема оценок (которая хоть как-то работала)

В чисто человеческой разработке всё было предсказуемо:

• Знание кодовой базы + Сложность архитектуры + Скорость набора + Время на тесты и отладку = Примерный дедлайн

Вы знали все углы проекта. Понимали, где база данных хромает, а где аутентификация на уровне. Могли прикинуть часы на рефакторинг и возможные подводные камни. Плюс-минус 20-30% — норма, но направление угадывалось.

ИИ-агент меняет правила игры

Теперь отдайте задачу ИИ. Переменные взрываются:

Разберётся ли он в архитектуре с первого раза? Зависит от документации, размера контекстного окна и поддержки вашего стека.

Предложит ли идеальное решение сразу? Если повезёт — часы работы. Если нужны доработки и переспросы — дни.

Сколько придётся переписывать? Код от ИИ часто требует доработки под безопасность, интеграцию и ваши нюансы.

Честно? Слишком много факторов вне вашего контроля.

"Вайб-кодинг" — то, о чём не говорят вслух

Разрабы редко признаются: мы оцениваем на глазок по скорости ИИ, а не по сложности. Надеемся на "попадание с первого дубля". Забываем про интеграцию с legacy. Переоцениваем, как быстро ловим галлюцинации или дыры в безопасности.

Это не лень. Просто старые инструменты оценки не подходят.

Что реально помогает (проверенные приёмы)

Боретесь с прогнозами в ИИ-разработке? Вот что спасает:

1. Соберите базу по ИИ

Перед обещаниями протестируйте на мелких задачах. Замерьте время генерации, циклы итераций, правки. Получите данные, а не домыслы.

2. Разделите время человека и машины

Не лепите в кучу. Разбейте:

• Генерация ИИ: Промпты, инференс, первый код.
• Человеческий аудит: Проверка, безопасность, доработки.
• Интеграция: Подключение, тесты, баги.

Так контролируете своё, а не магию модели.

3. Создайте контекстные пакеты

ИИ тонет без фона. Потратьте 2-3 часа на доки архитектуры, конвенции кода, примеры. Качество вырастет, итераций меньше — проект ускорится.

4. Добавьте буферы неопределённости

Забудьте "ровно 5 дней". Говорите "3-8 дней, в зависимости от модели". Честнее и полезнее для планирования.

5. Фиксируйте и улучшайте процесс

У каждой команды свой идеал: глубокие промпты или поэтапная доводка. Собирайте метрики по стеку и людям, корректируйте оценки на фактах.

Общая картина

Если оценки хромают — это не ваша вина. Меняется вся основа. Переходим от "сколько человеку кодить" к "сколько ИИ поймёт задачу, предложит код, а вы проверите и вставите".

Тут всё плавает из-за:

• Качества модели и скорости.
• Специфики задачи и тренинговых данных.
• Доков и структуры вашего кода.
• Умения команды рулить ИИ.

Плюсы на горизонте

Зато если ИИ угадывает с ходу — фича готова за дни, а не недели. Разброс больше, но средняя скорость растёт.

Главное — признайте разброс, измеряйте его и подстраивайте мозги под новую реальность.

Что делать дальше

Успешные разрабы не цепляются за старое. Они:

1. Мирились с хаосом оценок.
2. Фанатично меряют свой ИИ-флоу.
3. Делают топовые промпты и контексты.
4. Дают диапазоны, но правдивые.
5. Делают упор на скорость и уроки из спринтов.

Ваш "вайб-кодинг" — не баг. Это норма умной разработки, где мы учимся оценивать вместе с ИИ, а не вопреки ему.