Технический долг теперь стоит токенов: что показало исследование AI-агентов
Компании, внедряющие AI-агентов в разработку, сталкиваются с неожиданной проблемой: расходы на API растут быстрее, чем предполагалось, и не всегда понятно почему. Исследование, опубликованное в мае 2026 года, даёт конкретный ответ — и он касается качества самой кодовой базы.
Проблема: агенты работают по-разному на одинаковых задачах
До сих пор оценка AI-агентов для программирования фокусировалась на одном показателе: решил задачу или нет. Это разумный старт, но он упускает операционную сторону — сколько ресурсов агент потратил на пути к решению.
Исследователи поставили контролируемый эксперимент: 6 пар репозиториев с идентичной архитектурой и поведением, но разным качеством кода (чистый vs. с накопленными нарушениями статического анализа и высокой когнитивной сложностью). 33 задачи на каждую пару, 660 запусков Claude Code.
Результат: задачи решаются одинаково, но цена разная
Чистота кода не повлияла на процент успешно выполненных задач — агент справлялся в обоих вариантах. Но операционный след оказался принципиально разным:
- Токены: агенты на чистом коде потребляли на 7–8% меньше
- Навигация: на 34% меньше возвратов к уже просмотренным файлам
Другими словами, запутанный код заставляет агента «петлять» — перечитывать уже изученные файлы, тратить контекстное окно на восстановление ориентации.
Что это означает для бизнеса
Технический долг получил новую единицу измерения. Раньше его считали в часах разработчика: сколько времени уходит, чтобы разобраться в legacy-коде. Теперь добавляется второй счётчик — токены на каждый агентный запуск.
Если агент работает с кодовой базой 1000 раз в месяц, 8% экономии токенов — это конкретная строка в бюджете. При росте автоматизации этот множитель будет только увеличиваться.
Показатель навигации — новая метрика читаемости. Количество возвратов к просмотренным файлам неожиданно хорошо отражает то, насколько логична структура модуля. Это можно автоматизировать: добавить в CI-пайплайн как дополнительный сигнал качества кода.
Приоритеты рефакторинга меняются. Не весь код одинаково важен с точки зрения агентных расходов. Модули, которые агент затрагивает чаще всего, — первые кандидаты на очистку. Логи инструментов агента показывают, где сосредоточена реальная «горячая зона».
Практический вывод
Исследование добавляет к уже известным факторам эффективности агентов (выбор модели, инструментальная обвязка, проектирование промптов) ещё один — качество кодовой базы. Принципы сопровождаемости кода, которые десятилетиями обосновывались через скорость человека, теперь имеют второй, измеримый обоснователь: операционные расходы на AI.
Для команд, которые уже используют или планируют внедрять AI-агентов в разработку, это прямой аргумент для инвестиций в рефакторинг — считаемый в деньгах, а не только в «технической гигиене».