Автор статьи пришёл к выводу: ИИ меняет экономику переписывания кода. Раньше решение переписать всё с нуля было скорее вопросом моды или борьбы с техническим долгом. Теперь появляется ещё один весомый аргумент — качество работы AI напрямую зависит от того, сколько понятного контекста модель получает из кодовой базы.
Промпт — не главное. Модель уже видела миллионы примеров популярных технологических стеков, поэтому с ними она работает отлично. Но стоит дать ей проприетарный язык, legacy-код или разрозненные фреймворки, и начинаются проблемы. Всю эту «дичь» модели приходится объяснять вручную, тратя ограниченный контекст.
Автор сравнивает два сценария. В первом разработчик берёт спецификацию, смотрит на код, где всё чётко и единообразно, и отдаёт задачу AI. Модель уже знает эти паттерны — быстро генерирует решение. Во втором — разработчик читает спецификацию, продирается через запутанную базу с историческими наслоениями, подгружает в контекст примеры и документацию, и только потом отдаёт промпт.
Во втором случае модель тратит свои ресурсы не на решение проблемы, а на то, чтобы разобраться в языке кода. Больше контекста — больше токенов, больше промптов, выше вариативность и ниже качество. А это прямые затраты.
Отсюда вывод: переписывание кода — это не просто шанс навести красоту и перейти на свежие технологии. Это возможность выстроить понятные, единообразные паттерны, которые работают с AI, а не против него. Можно тратить время на то, чтобы затаскивать модель в свой странный мир, а можно — на то, чтобы сразу решать задачу.
Пока вы учите AI своему legacy-языку, конкуренты просто жмут «сгенерировать» на понятном стеке и выдают результат быстрее и качественнее. Разрыв становится не только в скорости, но и в качестве финального кода. Экономика переписываний, по мнению автора, изменилась.