Нужно ли уметь программировать в эпоху вайбкодинга? Как словарный запас и знание алгоритмов определяют успех ИИ-разработки

Индустрия разработки программного обеспечения трансформируется благодаря интеграции больших языковых моделей. Сегодня создание рабочих цифровых продуктов больше не требует обязательного написания исходного кода вручную. Пользователь может описать требования к приложению на естественном языке, получить от нейросети готовый интерфейс и последовательно корректировать его работу, отправляя новые текстовые запросы.

Этот подход получил название vibe coding («вайб-кодинг» — программирование путем оценки поведения приложения, а не его кода). Платформы, реализующие эту концепцию, такие как Cursor, Replit и Lovable, уже насчитывают десятки миллионов пользователей. Данный формат взаимодействия снижает технический барьер для входа в индустрию, позволяя людям без навыков традиционного программирования создавать функциональные интерфейсы.

Однако массовое распространение таких инструментов ставит перед исследователями новый вопрос: какие именно компетенции теперь требуются человеку для успешной разработки? Достаточно ли простого умения грамотно излагать мысли, или разработчику по-прежнему необходима хотя-бы минимальная база в области информатики?

Группа исследователей из Швейцарской высшей технической школы Цюриха (ETH Zurich) провела перекрестное лабораторное исследование с участием 100 студентов высших учебных заведений, чтобы точно измерить, как различные навыки влияют на итоговое качество программ, созданных исключительно с помощью текстовых запросов к ИИ.

Архитектура эксперимента и условия тестирования

Для проведения исследования авторы отказались от использования коммерческих продуктов и разработали собственную платформу на базе языковой модели Claude 3.5 Sonnet. Это было сделано для того, чтобы исключить влияние сторонних факторов и строго контролировать процесс. Главной особенностью платформы стало полное скрытие исходного кода от пользователя.

Интерфейс состоял только из двух элементов: панели чата для ввода текстовых команд и окна, в котором отображалось работающее веб-приложение. Если в коммерческих редакторах разработчик может в любой момент открыть код и исправить ошибку вручную, то в рамках данного эксперимента участники были лишены такой возможности. Они могли влиять на результат только путем формулирования новых, более точных текстовых инструкций (промптов) для языковой модели. Трансляция процесса генерации кода также была визуально размыта, чтобы участники не могли прочитать даже фрагменты синтаксиса.

В ходе эксперимента студентам требовалось создать несколько графических веб-приложений. Задания разрабатывались специальной группой из восьми профильных экспертов с применением метода Дельфи для достижения консенсуса по уровню сложности. Одним из заданий было создание планировщика питания: интерфейс должен был не просто отображать меню, но и учитывать внутреннюю логику — рассчитывать суммарное количество калорий и белков, а также контролировать заданный финансовый бюджет. Другое задание представляло собой абстрактное приложение без явного контекста. Оно было необходимо для того, чтобы проверить способность участников описывать конкретные механизмы интерфейса, не опираясь на готовые шаблоны в памяти нейросети (например, модель хорошо знает, как выглядит типичный календарь, но хуже понимает нестандартные формы без четкого названия).

Измерение базовых компетенций

Чтобы выявить факторы успеха, до начала практической работы с нейросетью ученые измерили три ключевые характеристики каждого участника:

1. Базовые знания информатики. Использовался стандартизированный тест SCS1, который оценивает понимание основных концепций программирования. Особенность теста заключается в том, что он написан на независимом псевдокоде. Это позволяет оценить понимание алгоритмов, логических циклов и переменных, не привязываясь к знанию синтаксиса конкретного языка, такого как Python или C++.
2. Навыки письменной коммуникации. Участники писали эссе объемом от 300 до 450 слов на сложную тему. Работы оценивались независимыми экспертами-лингвистами по строгим критериям: логическая структура абзацев, связность предложений, богатство словарного запаса и точность формулировок.
3. Общие когнитивные способности. Для исключения статистической погрешности студенты проходили стандартизированный тест на интеллект ICAR16, включающий задачи на пространственное мышление и матричную логику. Это позволило исследователям доказать, что успехи в вайб-кодинге зависят именно от профильных знаний и навыков, а не просто от общего уровня интеллекта участника.

Влияние навыка письменной речи на качество работы ИИ

Результаты исследования подтвердили гипотезу о том, что способность грамотно излагать мысли напрямую влияет на качество генерируемых программ. Статистический анализ показал уверенную положительную корреляцию между оценками за написание эссе и итоговыми баллами за созданные веб-приложения.

Ключевым механизмом, связывающим эти два показателя, стало качество самих текстовых запросов к нейросети. Исследователи проанализировали промпты участников с помощью автоматических метрик лексического разнообразия и человеческой оценки. Выяснилось, что студенты с высоким баллом за письменную коммуникацию создавали более структурированные инструкции для ИИ. Они последовательно описывали требования, избегали двусмысленности в терминологии и четко формулировали условия.

Поскольку языковые модели оперируют вероятностями, точность входных данных критически важна. Пользователь, умеющий структурировать текст, минимизирует риск того, что машина неверно интерпретирует задачу или упустит важную деталь при генерации интерфейса.

Роль алгоритмического мышления при отсутствии исходного кода

Главным и наиболее парадоксальным открытием эксперимента стало то, что базовые знания в области информатики оказались значительно более сильным фактором успеха, чем навык письма. Уровень знаний алгоритмов определял результативность разработки в два раза сильнее, чем уровень письменной коммуникации. Этот показатель оставался статистически значимым даже после корректировки данных с учетом общих когнитивных способностей.

Парадокс заключается в том, что технические знания оказались решающими в условиях, где участники не читали и не писали программный код.

Причина кроется в самом характере взаимодействия с системой. При создании сложных интерфейсов нейросеть неизбежно допускает ошибки. Пользователь без технического бэкграунда воспринимает приложение только на уровне интерфейса и описывает проблему поверхностно (например: «данные не сохраняются при нажатии кнопки»). Языковой модели часто не хватает контекста для точного исправления такой ошибки.

Участник с базовыми знаниями информатики обладает навыком декомпозиции систем. Он понимает скрытую архитектуру приложения: концепции состояний, потока управления, хранения переменных и обработки событий. Сталкиваясь с ошибкой, такой разработчик не просто констатирует факт поломки. Он локализует проблему в логике работы программы и формулирует текстовый запрос так, чтобы указать модели на конкретный этап обработки данных, где происходит сбой. Таким образом, алгоритмическое мышление позволяет управлять процессом генерации кода на структурном уровне, используя естественный язык как интерфейс передачи точных системных требований.

Корреляция с частотой использования нейросетей

Дополнительный анализ данных выявил еще одну статистическую закономерность: частота повседневного использования языковых моделей показала значительную отрицательную корреляцию с результатами тестирования. Студенты, которые сообщали о регулярном использовании ИИ в учебе и жизни, в среднем получали более низкие оценки как за навык письменной речи, так и за итоговые задачи по разработке интерфейсов.

Исследователи не делают однозначных выводов о причинно-следственной связи данного явления, но предлагают два варианта интерпретации. Первый вариант: люди, изначально испытывающие трудности со структурированием информации и написанием текстов, чаще прибегают к помощи алгоритмов. Второй вариант предполагает негативное влияние самого инструмента: привычка получать приемлемые результаты по коротким, небрежным запросам может постепенно снижать навык точной и подробной формулировки мыслей. В ситуациях, требующих детального и последовательного инструктажа многокомпонентной системы, такая потеря концентрации приводит к неудовлетворительному результату.

Выводы и последствия для индустрии

Результаты исследования, проведенного Швейцарской высшей технической школой Цюриха, доказывают, что переход к программированию посредством диалога с ИИ не устраняет потребность в техническом образовании. Меняется лишь форма применения знаний.

Способность писать синтаксически верный код на конкретном языке программирования действительно отходит на второй план. Однако на первый план выходят два других независимых навыка. Для успешного создания программного обеспечения современному разработчику требуется глубокое понимание базовых принципов работы компьютерных систем, дополненное способностью предельно точно, логично и структурированно излагать эти принципы в текстовом формате. Разработка становится процессом строгого специфицирования логики на естественном языке.

Источник:CHI 26: Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems