Возвращаясь к одной конкретной дате
В ноябре 2025 года разработчик по имени Пит опубликовал на GitHub проект под названием «Warelay». Первой строкой кода стала лицензия MIT. Тогда он вряд ли мог предположить, что за следующие три месяца проект переименуют шесть раз: Warelay → CLAWDIS → CLAWDBOT → Clawdbot → Moltbot → OpenClaw, и в итоге он станет персональным ИИ-ассистентом, которым будут пользоваться сотни тысяч людей по всему миру.
Что ещё важнее, подавляющая часть кода этого проекта была написана ИИ-агентом для программирования.
В своём пятиминутном выступлении на PyCon US 2026 Саймон Уиллисон связал эту историю с помощью временной шкалы. Но по-настоящему важно не само приложение OpenClaw, а стоящая за ним более масштабная тенденция: в ноябре 2025 года Coding Agent преодолел критический порог.
От «иногда работает» к «пригодно для ежедневного использования»
Большую часть 2025 года OpenAI и Anthropic незаметно занимались одним и тем же: обучением с подкреплением на основе проверяемых вознаграждений (Reinforcement Learning from Verifiable Rewards, RLVR).
Логика этого метода обучения предельно проста: вместо того чтобы полагаться на человеческих разметчиков, оценивающих вывод модели, лучше позволить говорить самому коду — запускается он или нет, проходят ли тесты. Код объективен: он либо компилируется, либо выдаёт ошибку; либо все тесты зелёные, либо всё красное. Такой проверяемый сигнал вознаграждения гораздо точнее субъективных человеческих оценок.
К ноябрю накопленный опыт RLVR начал давать взрывной эффект. В сочетании с агентными фреймворками Codex и Claude Code качество Coding Agent совершило качественный скачок:
- До: мог написать скрипт или дополнить функцию, но на сложных задачах постоянно ошибался, требуя от вас массу времени на исправление его «глупых» багов
- После: стал пригоден в качестве основного рабочего инструмента, способного выполнять реальные инженерные задачи без необходимости вашего постоянного вмешательства
Этот водораздел стал результатом не выпуска какой-то одной модели, а совместной эволюции трёх компонентов: метода обучения + агентного фреймворка + возможностей модели.
Почему именно ноябрь?
Оглядываясь назад, можно выделить несколько наложившихся друг на друга факторов, сделавших ноябрь поворотным моментом:
- Проявился масштабный эффект RLVR: после более чем полугода накопления объём обучающих данных с проверяемыми вознаграждениями достиг критической массы
- Созрели агентные фреймворки: Codex и Claude Code были обновлены до версий, способных стабильно управлять многоэтапными задачами программирования
- Оптимизация контекстного окна и вызова инструментов: агенты получили возможность одновременно работать с более крупными кодовыми базами и вызывать больше внешних инструментов
Эти три направления пересеклись в ноябре, образовав цикл положительной обратной связи: более совершенные агентные фреймворки генерируют больше высококачественных данных для программирования, эти данные, в свою очередь, используются для обучения более мощных моделей, а более мощные модели улучшают работу агентных фреймворков.
Что это значит для рядовых разработчиков
Это не просто академическая тенденция, интересная только специалистам в сфере ИИ. Она напрямую меняет повседневную работу разработчиков:
- Снижение порога входа для новичков: не нужно начинать с нуля, агент поможет создать каркас проекта и объяснить логику кода
- Декомпозиция сложных задач: задачи по рефакторингу, которые раньше приходилось разбивать самостоятельно, теперь можно поручить агенту для подготовки плана, который вы проверите перед выполнением
- Помощь в код-ревью: агент способен автоматически проверять типичные паттерны ошибок, уязвимости безопасности и узкие места производительности
Но важно сохранять трезвость: агент не заменит вас, но тот, кто умеет работать с агентом, заменит того, кто не умеет. Истинный смысл этого критического порога в том, что возможности ИИ в программировании превратились из «забавного трюка» в «необходимую инфраструктуру».
Следующие шесть месяцев
В своей презентации Саймон Уиллисон показал интересную диаграмму: с ноября 2025 по начало 2026 года титул «самой мощной модели» переходил от Anthropic к OpenAI и Google пять раз. Sonnet 4.5 → GPT-5.1 → Gemini 3 → GPT-5.1 Codex Max → Opus 4.5.
Этот темп конкуренции не остановится. Но что ещё важнее, фокус борьбы смещается с вопроса «чья модель мощнее» на «чей агентный фреймворк удобнее». Разрыв между моделями сокращается, тогда как разрыв в удобстве работы с агентами увеличивается.
Следующим критическим порогом может стать момент, когда агенту больше не нужно будет говорить, что делать: он сможет самостоятельно находить возможности для улучшения кодовой базы и сам создавать pull-реквесты (PR). Возможно, этот день уже не за горами.