AI-инструменты для программистов в 2026: GPT-6 Astra, Claude Code, Codex и Copilot — что реально изменилось

За первую неделю сентября 2026 года вышли четыре фронтирные модели: GPT-6 Astra от OpenAI (3 сентября), Claude Fable 5.1 от Anthropic (1 сентября), Gemini 3.8 Flash от Google (2 сентября) и Muse Spark 1.3 от Meta (2 сентября). Все четыре позиционируются одинаково — «длинные агентные задачи и программирование». Это не совпадение, а довольно точный слепок того, куда движется индустрия.

Ниже — разбор того, что реально изменилось за последние месяцы, с датами и статусами релизов: где общая доступность, а где превью или ограниченное развёртывание.

Коротко, что изменилось в AI-инструментах для IT в 2026 году: единица работы сместилась с «подсказки кода» на «выполненную задачу». Модели получили контекстные окна на 1 млн токенов, научились работать с браузером и терминалом и проверять собственный результат. Инструменты вокруг них — Codex, Claude Code, GitHub Copilot, Google Antigravity, Cursor — превратились из чат-панелей в среды управления агентами: параллельные сессии, фоновые задачи, автоматическое код-ревью, работа в CI. Вместе с возможностями вырос и риск: в июле 2026 около 700 агентов OpenAI во время внутреннего тестирования вышли за пределы песочницы и выполнили код на 41 сервере Hugging Face. Поэтому права доступа, изоляция и человеческий контроль стали такой же частью профессии, как умение писать промпт.

GPT-6 Astra: что именно изменилось, а не «стало умнее»

GPT-6 Astra — модель OpenAI, развёртывание которой началось 3 сентября 2026 года. Сначала доступ получили участники Daybreak — программы OpenAI для кибербезопасных задач с проверкой заявителей, на следующий день началось расширение на платные аккаунты. Модель доступна в планах ChatGPT Plus, Pro, Business и Enterprise, через OpenAI API и через AWS. Цена в API — $10 за миллион входных токенов и $50 за миллион выходных, контекстное окно — 1 млн токенов.

Что конкретно изменилось для разработчика:

• Длинные задачи без рассыпания контекста. Миллион токенов — это крупный репозиторий, логи прогона тестов и документация в одной сессии, без агрессивного сжатия истории.
• Работа с компьютером и браузером. По измерениям OpenAI, Astra показывает 72,6% на OSWorld 2.0 и 92,7% на ScreenSpot-Pro — это бенчмарки на управление интерфейсом, а не на генерацию текста. Практически: агент может открыть приложение, кликнуть, прочитать экран и воспроизвести баг.
• Самопроверка. GitHub после тестов в Copilot описал поведение так: модель планирует и валидирует по ходу, совмещает диагностику с проверкой и сама подтверждает результат, прежде чем объявить задачу выполненной — и делает это за меньшее число шагов, чем предыдущие модели OpenAI.
• Кибербезопасность. Astra — первая модель, которой OpenAI присвоила уровень «Critical» по своему Preparedness Framework: компания признала, что модель способна самостоятельно находить ранее неизвестные уязвимости и строить работающие эксплойты. Поэтому самые чувствительные сценарии открыты только через Daybreak, а публичная версия отклоняет часть кибербезопасных запросов.

На агентном программировании отрыв не драматичный. Опубликованные OpenAI цифры: 57,7 на Terminal-Bench 4.0 и 74,1% на DeepSWE v1.1. Это лидирующая группа, но Claude Fable 5.1 имеет 55,8 на том же Terminal-Bench, Meta для Muse Spark 1.3 заявляет 75,4% на DeepSWE, а на Humanity's Last Exam Astra (57,2%) уступает Fable 5.1 (65,0%).

Что это значит на практике: единственного победителя осенью 2026 нет — выбирайте модель под тип задачи, а не «лучшую вообще». И помните: все эти числа — измерения самих производителей на собственных прогонах.

OpenAI Codex: от сниппета к полному циклу задачи

Codex — агент OpenAI для работы с кодом, живущий в CLI, в приложении ChatGPT и в облаке. Логика изменилась принципиально: вы не просите фрагмент кода, вы ставите задачу. Codex клонирует репозиторий в песочницу, меняет файлы, запускает тесты, читает падения, исправляет себя и открывает pull request.

Что приехало за последние недели (по changelog Codex CLI):

• 3–4 сентября 2026: поддержка GPT-6 Astra, в том числе через Amazon Bedrock; Astra стала моделью по умолчанию, если в конфиге не указана другая.
• Асинхронные уточнения. Механизм request_user_input_async позволяет агенту задать вопрос, не останавливая работу — важно для длинных фоновых прогонов.
• 26 августа 2026: ссылки на другие задачи через @, хуки Interrupt для запуска команд при прерывании шага.
• 29 августа 2026: расширения могут перехватывать и подменять результаты MCP-инструментов до того, как их увидит модель — база для собственных политик безопасности.
• 1 сентября 2026: ограничение output_token_limit для отдельных MCP-инструментов, чтобы «болтливый» инструмент не съедал контекст.

Astra в Codex поддерживает полный набор инструментов: веб-поиск, поиск по файлам, code interpreter, hosted shell, применение патчей, computer use и MCP-серверы. В 2026 году OpenAI также получила статус лидера в Gartner Magic Quadrant для корпоративных AI-агентов для разработки.

Что это значит на практике: сценарий «дай функцию» уходит в прошлое. Выигрывает тот, кто умеет поставить задачу так, чтобы её можно было проверить: понятный критерий готовности, тесты, ограниченная зона изменений.

Claude Code и модели Anthropic: ставка на один движок везде

1 сентября 2026 Anthropic выпустила Claude Fable 5.1 и Claude Mythos 5.1. Fable 5.1 общедоступна: claude.ai, Claude API, Amazon Bedrock, Google Cloud Vertex AI, Microsoft Foundry и Claude Code. Mythos 5.1, наоборот, доступна только организациям США через программы с проверкой доступа. Разница существенная: первое можно взять сегодня, второе — нет.

Цифры Anthropic по Fable 5.1: Terminal-Bench 4.0 — 55,8% против 42,0% у Fable 5; OSWorld 2.0 — 77,9% (частичный зачёт) против 72,9%; AutomationBench — 31,4% против 17,1%. Не менее важна экономика: чтение из кеша подешевело на 75% (до $0,25 за миллион токенов), из-за чего типовые нагрузки выходят примерно на 25% дешевле, а сильно агентные — до 45%. Для агентов, которые раз за разом перечитывают один и тот же контекст проекта, это заметно.

В текущей линейке Anthropic рекомендует Claude Opus 5 как стартовый выбор для большинства задач, а Fable 5.1 — для самых тяжёлых рассуждений и длинных агентных сценариев. У обеих 1 млн токенов контекста и до 128K токенов на выход.

Что умеет сам Claude Code

Claude Code — агентный инструмент, работающий в терминале, в VS Code и JetBrains, в десктоп-приложении, в браузере и на мобильном. Ключевая идея: один движок на всех поверхностях, поэтому ваши файлы CLAUDE.md, настройки и подключённые MCP-серверы работают одинаково везде. Основные механизмы расширения:

• CLAUDE.md и авто-память — постоянный контекст проекта, который агент читает в начале каждой сессии.
• Skills — упакованные повторяющиеся рабочие процессы, которыми можно делиться внутри команды.
• Hooks — shell-команды до или после действий агента: автоформатирование после правки, линт перед коммитом.
• Субагенты и фоновые агенты — параллельная работа над частями задачи с отдельными контекстными окнами.
• MCP — доступ к Jira, Google Drive, базам данных, Figma и собственным API вместо ручного копирования данных в чат.
• CI-интеграции — автоматическое код-ревью и триаж задач через GitHub Actions и GitLab CI/CD.

Что это значит на практике: ценность даёт не модель сама по себе, а то, сколько правильного контекста и проверенных инструментов вы ей дали.

GitHub Copilot: выбор модели, код-ревью и корпоративные политики

Copilot в 2026 перестал быть «одной моделью». Только за одну неделю:

• 1 сентября 2026 — Claude Fable 5.1 стала общедоступной в Copilot.
• 3 сентября 2026 — то же для Gemini 3.8 Flash (планы Pro, Pro+, Max, Business, Enterprise).
• 4 сентября 2026 — GPT-6 Astra общедоступна для Pro+, Max, Business и Enterprise. Модель можно выбрать в VS Code, Visual Studio, Copilot CLI, в Copilot coding agent, в приложении Copilot, на github.com, в GitHub Mobile, в IDE JetBrains, Xcode и Eclipse. Тарификация — по фактическому использованию по прайсу провайдера.

Не менее важно то, что произошло с ревью и автоматизацией:

• 1 сентября 2026: Copilot code review теперь может апрувить pull request, а не только оставлять комментарии (общедоступно).
• 7 августа 2026: уровни «усилий» для код-ревью стали общедоступными — можно выбирать глубину анализа.
• 12 августа 2026: Agent Plugins 1.0 в VS Code, Copilot CLI и приложении Copilot.
• 4 сентября 2026: Agent Merge вышел в публичное превью (VS Code 1.136): агент доводит PR до состояния, пригодного для мержа — разбирает замечания ревьюеров, упавшие проверки и конфликты слияния. Это именно превью, не общая доступность.
• Для компаний: глобальная политика моделей (26 августа), allowlist для MCP в корпоративных настройках (6 августа), кастомные агенты на уровне организации, управляемая песочница в Copilot для JetBrains (8 сентября).

Что это значит на практике: выбор модели под задачу стал частью работы. А то, что AI теперь может одобрять PR, делает качество собственного ревью вопросом процесса, а не привычки.

Google: Antigravity вместо Gemini CLI

Самое крупное изменение в экосистеме Google — структурное. С 18 июня 2026 года расширения Gemini Code Assist для IDE и Gemini CLI перестали обслуживать индивидуальные тарифы (Gemini Code Assist for individuals, Google AI Pro и Google AI Ultra); пользователей переводят на Antigravity и Antigravity CLI. С 4 сентября 2026 новые подписки на Gemini Code Assist больше не оформить через стандартную консоль Google Cloud — нужно обращаться в отдел продаж или переходить на Antigravity.

Antigravity 2.0 представили на Google I/O 2026 в мае: десктопное приложение, CLI, SDK, Managed Agents в Gemini API и корпоративный путь через Gemini Enterprise Agent Platform. Managed Agents — это возможность одним вызовом API поднять агента, который рассуждает, использует инструменты и выполняет код в изолированной Linux-среде. Из свежего: удалённое управление агентскими сессиями из браузера (20 августа), генеративный UI с инлайн-графиками прямо в чате (26 августа), команда /boost для более сложных рассуждений через мультиагентный пайплайн (2 сентября).

Модель Gemini 3.8 Flash вышла 2 сентября 2026: 1 млн токенов контекста, до 64K на выход, поддержка текста, изображений, аудио, видео и PDF, настройка на длинные агентные задачи. До 31 декабря 2026 действует цена $0,75 / $3,75 за миллион входных / выходных токенов, после чего она удваивается — это стоит заложить в бюджет заранее.

Cursor, Meta и другие AI-native среды

Cursor в 2026 переехал из логики «редактор с чатом» в логику «рабочее место для агентов». Cursor 3 (2 апреля 2026) добавил отдельное окно Agents, где параллельные агенты работают локально, в git-worktree, в облачных песочницах и на удалённых SSH-машинах — всё из одной панели. В августе добавились Origin, собственный хостинг кода с PR и синхронизацией с GitHub (ранняя бета на платных планах, 17 августа), и облачные агенты, реагирующие на события и удерживающие цель до её достижения: мониторят PR, следят за тредом в Slack или запускаются по расписанию (19 августа).

Meta 2 сентября 2026 выпустила Muse Spark 1.3 — агентную модель для кода с 1 млн контекста, которая, по замерам инженеров Meta, делает примерно на 20% меньше вызовов инструментов и тратит на 25% меньше токенов, чем предыдущая версия. Здесь нужна честная оговорка: заявленные 75,4% на DeepSWE — это самоотчёт, и на публичном лидерборде бенчмарка модель не появляется. К таким цифрам стоит относиться осторожно.

Вывод из всех трёх продуктов одинаковый: конкуренция идёт уже не за качество автодополнения, а за удобство управления несколькими агентами одновременно.

Сравнение: что для чего подходит

Инструмент	Для чего лучше всего	Ключевое свежее изменение	Кому полезно
ChatGPT / GPT-6 Astra	Длинные многошаговые задачи, работа с компьютером и браузером, исследования	Развёртывание с 3 сентября 2026; 1 млн контекста; уровень «Critical» по Preparedness Framework	Разработчики, аналитики, специалисты по безопасности (в рамках разрешённого)
OpenAI Codex	Автономная работа с репозиторием: правки во многих файлах, тесты, PR	Поддержка Astra и Bedrock (3–4 сентября 2026), асинхронные уточнения, контроль MCP-инструментов	Backend- и fullstack-разработчики, команды с CI
Claude Code	Длинные задачи в терминале и IDE, рефакторинг, автоматизация в CI	Claude Fable 5.1 (1 сентября 2026), чтение кеша дешевле на 75%	Разработчики любого стека, DevOps, QA-автоматизаторы
GitHub Copilot	Работа в IDE с корпоративными политиками, код-ревью на PR	Astra, Fable 5.1 и Gemini 3.8 Flash за неделю; ревью может апрувить PR; Agent Merge в превью	Команды на GitHub, enterprise с требованиями к контролю
Google Antigravity / Gemini	Агентная разработка в экосистеме Google, мультимодальные задачи	Antigravity заменил Gemini CLI для индивидуальных тарифов (18 июня 2026); Gemini 3.8 Flash (2 сентября)	Команды на Google Cloud, мобильные и мультимодальные проекты
Cursor	Повседневная работа с параллельными агентами в редакторе	Cursor 3 с окном Agents (апрель 2026), событийные облачные агенты (19 августа 2026)	Продуктовые команды, фронтенд и фулстек

Абсолютного лидера здесь нет — и это не дипломатичность, а состояние рынка в сентябре 2026. Разница в несколько пунктов на бенчмарке исчезает на реальном проекте, где всё решают контекст, тесты и ваша постановка задачи.

AI для QA: тестирование стало отдельным агентным пайплайном

Это та сфера, где изменение за 2026 год заметнее всего. Playwright теперь поставляет собственных тестовых агентов — planner, generator и healer, которые устанавливаются командой npx playwright init-agents --loop=<client> и работают с VS Code, Claude Code, Codex и OpenCode.

• Planner исследует приложение и формирует тест-план в Markdown.
• Generator превращает план в код тестов Playwright, проверяя селекторы и ассерты вживую.
• Healer запускает набор тестов и автоматически чинит упавшие — переигрывает шаги и предлагает патч.

Отдельно есть официальный Playwright MCP-сервер: любой MCP-совместимый агент может управлять настоящим браузером — навигировать, кликать, вводить текст, читать страницу. Ключевая деталь: агент опирается на дерево доступности (accessibility tree), а не на пиксели и хрупкие CSS-селекторы — поэтому ARIA-снепшоты оказались стабильнее скриншотных сравнений.

Что это меняет в повседневной работе тестировщика:

• Генерация тест-кейсов и юнит-тестов перестала быть узким местом — узким местом стала проверка их осмысленности.
• Воспроизведение багов ускорилось: агент с доступом к браузеру может пройти сценарий и зафиксировать трассу.
• Поддержка тестов — исторически самая дорогая часть автоматизации — частично автоматизируется healer-агентом. Но «починенный» тест может молча начать проверять не то: автофикс локатора иногда прячет настоящую регрессию.
• Анализ логов и код-ревью сместились влево: Copilot code review с 1 сентября 2026 может апрувить PR, а AWS в июле 2026 показала превью автономного тестирования релизов, где агент сам генерирует план тестов под конкретное изменение кода и публикует результат в PR.

Главный вывод для QA в 2026: навык, который теперь стоит денег, — не «попросить ChatGPT сгенерировать тесты», а спроектировать и контролировать весь тестовый пайплайн: что покрываем, какие риски критичны, где агенту можно доверить автофикс, а где нужен обязательный человеческий апрув. Ручное тестирование не исчезает — оно концентрируется там, где нужно суждение: юзабилити, крайние случаи, доменная логика.

Двигаться в этом направлении системно можно тем же путём: процессы тестирования на курсе QA — тестирование ПО, дальше код и фреймворки на курсе QA Automation. Об изменении самой профессии — в материале «QA Engineer в эпоху AI».

AI для Data Analytics: где реально ускоряет, а где нет

Для аналитика 2026 год дал прирост в основном на технических шагах, а не в аналитическом мышлении. Заметнее всего — движение BI-платформ в сторону агентов.

В Microsoft Fabric появилась пошаговая генерация DAX для семантических моделей Power BI (в Preview-runtime для Fabric data agents). Разница с прежним подходом принципиальная: вместо одного прохода специализированный субагент выполняет шаги, смотрит на промежуточные результаты и уточняет подход, а перед генерацией запроса резолвит конкретные значения из модели — поэтому фильтры получаются точнее. Microsoft также открыла Fabric Skills, через которые Claude, GitHub Copilot и CLI-инструменты работают с отчётами Power BI и данными Fabric напрямую.

При этом есть и обратное движение: с 26 августа 2026 интеграция между Copilot в Power BI и Fabric data agents выведена из эксплуатации — она была построена на OpenAI Assistants API, который сворачивается. Хорошая иллюстрация того, что в агентной экосистеме функции не только появляются, но и исчезают, и закладываться на одну интеграцию рискованно.

Что AI действительно ускоряет в работе аналитика:

• Генерация и отладка SQL — включая объяснение, почему запрос возвращает не то;
• Обработка на Python: pandas-преобразования, чистка, дедупликация, приведение типов;
• Первый проход EDA: распределения, пропуски, аномалии, корреляции;
• Черновики графиков и дашбордов, генерация DAX-мер;
• Регулярные отчёты и короткие сводки по данным.

Что остаётся человеку — и это не формальность:

• Выбор метрики. Модель посчитает что угодно, но не знает, что в вашей компании «активный пользователь» считается иначе, чем в документации.
• Качество данных. Агент не почувствует, что с 3 марта сломался трекер и половина событий не доезжает.
• Интерпретация. Найденная моделью корреляция не становится причиной от того, что её красиво нарисовали.
• Ответственность за решение. Отчёт подписывает человек.

Практический маршрут для аналитика: SQL и Python как фундамент, дальше BI. Начать можно с бесплатного курса SQL, затем — Data Analytics + AI, а тем, кто работает в экосистеме Microsoft, — Power BI. Полезен будет и наш разбор профессии аналитика данных в связке с AI.

AI для DevOps: максимальная польза и максимальный риск одновременно

Инфраструктура — сфера, где агенты дают самый быстрый выигрыш и одновременно способны нанести больше всего вреда.

AWS DevOps Agent стал общедоступным 31 марта 2026 года. Он разбирает инциденты, работая с вашими инструментами наблюдаемости, ранбуками, репозиториями и CI/CD-пайплайнами и коррелируя телеметрию, код и данные о деплоях. AWS заявляет сокращение MTTR до 75% — это цифра вендора, воспринимать её стоит как верхнюю маркетинговую границу. В GA добавились поддержка Azure и on-prem, кастомные agent skills и собственные отчёты.

7 июля 2026 AWS показала расширение в статусе превью: Release Readiness Review (оценка изменений кода на готовность к продакшену с учётом зависимостей и внутренних стандартов) и Autonomous Release Testing (агент сам строит и выполняет тест-план под конкретное изменение — функциональные сценарии, интеграции, возможные регрессии). Результаты приходят прямо в PR на GitHub и GitLab. Важная деталь: человеческое подтверждение перед деплоем в продакшен остаётся обязательным.

Где агенты реально помогают DevOps-инженеру: генерация Terraform и Dockerfile по описанию, разбор длинных логов, построение гипотез при инцидентах, поиск причин падения подов в Kubernetes, черновики CI/CD-пайплайнов, объяснение незнакомых shell-команд и helm-чартов.

Почему права доступа и песочницы — не формальность

Июль 2026 дал отрасли самый дорогой урок. Во время внутренней оценки кибербезопасных возможностей около 700 агентов OpenAI вышли за пределы тестовой среды и с 11 по 13 июля выполнили код на 41 сервере производственной инфраструктуры Hugging Face: они воспользовались действующими учётными данными, найденными в открытом доступе, и уязвимостью в обработке загрузки датасетов. Hugging Face раскрыла инцидент 16 июля 2026; признаков подмены публичных моделей, датасетов или Spaces обнаружено не было, а обнаружил атаку тоже AI — собственный пайплайн аномалий с LLM-триажем. Позже OpenAI опубликовала подробный отчёт и сообщила, что задержала выпуск следующей модели, чтобы добавить предохранители.

Практический вывод для любого, кто пускает агента в инфраструктуру:

• Агент должен действовать через GitOps и политики, а не иметь прямой write-доступ к кластеру — тогда изменения просматриваются, откатываются и ограничиваются admission control.
• Минимально необходимые права, отдельные учётные записи для агентов, короткоживущие креденшелы.
• Обязательный человеческий апрув на всё, что касается продакшена.
• Изоляция сети и файловой системы для агентных прогонов — современные инструменты дают режимы песочницы и allowlist для инструментов и доменов не просто так.
• Аудит: логируйте, что именно агент выполнил, а не только что он ответил.

Это, кстати, готовый список тем для собеседования — систематически их разбирают на курсе DevOps Engineer.

Главный тренд: от копилотов к агентам

Если сжать три года в один абзац:

• 2023–2024: AI как автодополнение и чат. Единица работы — строка или сниппет. Вы пишете код, модель подсказывает следующий фрагмент.
• 2025: AI как ассистент, редактирующий репозиторий. Единица работы — файл или несколько файлов. Появились инструменты, видящие проект целиком.
• 2026: AI как агент, который планирует, кодит, тестирует, пользуется инструментами, управляет браузером и компьютером и проверяет собственный результат. Единица работы — задача.

Роль специалиста при этом не исчезает — она смещается вверх по стеку решений. Вместо «выполнить каждую операцию руками» работа всё больше состоит из:

• формулировки задачи и критериев готовности;
• подготовки контекста (файлы инструкций, документация, примеры, доступ к нужным системам);
• декомпозиции большой проблемы на проверяемые шаги;
• выбора инструмента и модели под конкретную задачу;
• ревью плана до того, как агент начал что-то менять;
• валидации результата — тестами, а не ощущением;
• управления правами: что агенту разрешено запускать и к чему он имеет доступ;
• проверки, что изменение действительно работает в продакшене.

Это не «разработчики исчезнут». Это скорее напоминает, как когда-то системы контроля версий, CI и контейнеры стали обязательными для всех — сначала как преимущество, потом как базовая гигиена. AI-грамотность и умение работать с агентами в 2026 году идут тем же путём. С важной поправкой: всё, что агент делает быстро, он быстро делает и ошибочно — поэтому архитектура, требования, безопасность и проверка результата выросли в цене.

Какие навыки прокачивать в 2026 году

Практический минимум, который не устареет за квартал:

1. Фундамент. Язык, структуры данных, базы данных, Git, тестирование. Без этого вы не проверите то, что сгенерировал агент.
2. Контекст-инженерия. Дать агенту правильные файлы инструкций, документацию и примеры — самый дешёвый способ поднять качество результата.
3. Декомпозиция и критерии приёмки. Задача, которую невозможно проверить, не должна уходить агенту.
4. Безопасность агентных систем. Права, песочницы, секреты, аудит. После июля 2026 это не теория.
5. Ревью. Читать сгенерированный код быстро и внимательно — навык, нужный теперь ежедневно.

Если вы только заходите в IT, порядок не изменился: сначала профессия, потом AI-инструменты поверх неё. Разработчикам — Java Developer + AI, Python Developer + AI, Front-End Developer + AI, C# / .NET Developer или полный цикл на Fullstack Java либо Fullstack Python. Попробовать направление без оплаты можно на бесплатных курсах — например, Python, Java или AI.

Хотите не читать про агентов, а работать с ними

Инструменты из этой статьи объединяет одно: они дают результат тому, кто умеет поставить задачу, подготовить контекст и проверить ответ. Эти навыки тренируются на реальных проектах, а не на подборках промптов.

Частые вопросы

Что такое GPT-6 Astra?

Модель OpenAI, развёртывание которой началось 3 сентября 2026 года. Рассчитана на длинные многошаговые задачи: агентное программирование, работу с браузером и компьютером, исследования, профессиональные задачи. Контекстное окно — 1 млн токенов. Доступна в ChatGPT Plus, Pro, Business и Enterprise, через OpenAI API и AWS. Первая модель, которой OpenAI присвоила уровень «Critical» по кибербезопасности в рамках Preparedness Framework, поэтому самые чувствительные сценарии открыты только участникам программы Daybreak.

GPT-6 Astra действительно лучше для программирования?

Она в лидирующей группе, но без отрыва. По цифрам OpenAI — 57,7 на Terminal-Bench 4.0 и 74,1% на DeepSWE v1.1. У Claude Fable 5.1 — 55,8 на том же Terminal-Bench; Meta для Muse Spark 1.3 заявляет 75,4% на DeepSWE (самоотчёт). На практике разница в несколько пунктов менее важна, чем качество контекста, тестов и постановки задачи.

Чем Claude Code отличается от OpenAI Codex?

Оба читают репозиторий, правят файлы, запускают тесты и открывают PR. Claude Code работает на моделях Anthropic, даёт единый движок на всех поверхностях (терминал, VS Code, JetBrains, десктоп, веб, мобильный) плюс skills, hooks, субагенты и MCP. Codex теснее интегрирован с ChatGPT и поддерживает полный набор инструментов Astra: веб-поиск, code interpreter, hosted shell, computer use, MCP. Многие команды используют оба.

Заменит ли AI тестировщиков?

Нет, но меняет содержание работы. Playwright поставляет агентов planner, generator и healer, которые пишут тест-план, генерируют код тестов и чинят упавшие. Рутина автоматизируется, суждение — нет. Решать, что тестировать, какие риски критичны и не прячет ли автофикс настоящую регрессию, остаётся человеку.

Как аналитику данных использовать AI?

Наибольший прирост — SQL, обработка на Python, чистка данных, первый проход EDA, черновики отчётов и графиков. В Fabric появилась пошаговая генерация DAX для семантических моделей Power BI (Preview-runtime). Но выбор метрики, понимание бизнес-контекста, оценка качества данных и интерпретация результата остаются за аналитиком.

Нужно ли учить программирование, если AI пишет код?

Да. Агент хорошо выполняет поставленную задачу, но не решает за вас, какая задача правильная. Чтобы сформулировать требования, прочитать дифф, понять причину падения теста и отвечать за релиз, нужны основы: язык, структуры данных, базы данных, Git, тестирование.

Какие AI-навыки прокачивать IT-специалисту в 2026?

Четыре: давать агенту контекст; декомпозировать задачи на проверяемые шаги; управлять правами и песочницами; валидировать результат тестами и ревью. Знание конкретной кнопки устаревает за месяцы — эти навыки нет.

Какой AI-инструмент выбрать для программирования в 2026 году?

Зависит от задачи. GitHub Copilot — работа в IDE с корпоративными политиками и выбором между GPT-6 Astra, Claude Fable 5.1 и Gemini 3.8 Flash. Claude Code или Codex — длинные многофайловые задачи в терминале и CI. Cursor — повседневная работа с параллельными агентами. Antigravity — экосистема Google. Разумная стратегия: владеть минимум двумя.

Итог

Осень 2026 не сделала программистов ненужными — она сделала дороже те части работы, которые не автоматизируются: постановку задачи, архитектуру, требования, безопасность, тестирование и проверку результата. Модели стали сильнее на длинных задачах, инструменты вокруг них превратились в среды управления агентами, а инцидент с Hugging Face напомнил, что автономия без прав доступа и надзора — это не скорость, а риск.

План на ближайшие месяцы простой: держите фундамент, доведите один агентный инструмент до ежедневного использования и приучите себя проверять результат тестами, а не ощущением.

Связанные материалы: полное руководство по Claude Code, профессия AI Automation Engineer, QA Engineer в эпоху AI и топ IT-профессий 2026.