Коротко по ключевым выводам исследования:

🟣 Продуктивность растёт — но за счёт объёма, а не скорости.
Инженеры делают больше задач, пишут больше кода, больше тестов и документации.
Однако реальная экономия времени невелика: графики показывают лишь лёгкий сдвиг влево. Claude ускоряет не отдельную задачу, а масштаб всей работы.

🟣 Появляется работа, которой раньше бы просто не существовало.
Около 27% задач — это «nice-to-have»: паперкаты, рефакторинг, визуализации, внутренние инструменты, мини-автоматизации. Claude снижает порог входа, и эти задачи наконец-то начинают выполняться.

🟣 Растёт автономия ИИ — инженеры всё меньше вмешиваются.
Средняя сложность задач поднялась с 3.2 до 3.8, модель делает вдвое больше автономных шагов (10 → 21), а человеческих реплик в диалогах становится меньше.
Инженеры постепенно «отпускают руль», и Claude вполне уверенно продолжает ехать.

🟣 Но deep-skills "ржавеют" — и разработчиков это тревожит.
Люди меньше читают код, реже строят ментальные модели систем, меньше копаются в инфраструктуре.
Возникает парадокс: чтобы проверить ИИ, нужны навыки, которые из-за ИИ же начинают проседать.

🟣 Социальная динамика меняется — менторство проседает.
80–90% вопросов, которые раньше шли к коллегам, теперь идут Claude.
Это полезно для скорости, но срезает ролевую модель сеньоров и уменьшает количество технических обсуждений внутри команд.

🟣 И меняется сама профессия: разработчик → менеджер ИИ-агентов.
Всё больше инженеров говорят, что 50–70% их работы — это ревью, корректировка и мониторинг тактических действий Claude.
Писать код руками становятся редкой фазой — а вот проверять и направлять ИИ — ежедневной нормой.

🟣 Open source закрепился на ~30% и привёл с собой Китай. Открытые модели стабильно держат около трети токенов. Особенно выросли китайские OSS (DeepSeek, Qwen, Kimi): с ~1–2% до до 30% трафика в отдельные недели, в среднем ~13%.

🟣 "Medium is the new small": рынок смещается к 15–70B. Маленьких моделей много, но их доля в использовании падает. Реальный рост — в medium-классе (15–70B): Qwen2.5 Coder 32B, Mistral Small 3, GPT-OSS 20B.

🟣 Главные use-cases для OSS: roleplay и кодинг. У открытых моделей: Roleplay ≈ 50%+ токенов: игровые сценарии, персонажи, фанфик-миры, «длинные» диалоги. Programming — второй по величине сегмент. Китайские OSS сдвинуты ещё сильнее в практику: у них roleplay уже не доминирует, а кодинг + технологии = ~39% нагрузки.

🟣 Agentic inference стал нормой, а не экспериментом. Reasoning-модели обслуживают уже >50% всех токенов. Растёт доля запросов с tool-calling, появляются модели заточенные «под агентность». Средний запрос стал длинным: prompt вырос ~с 1.5K до >6K токенов, completion почти утроился.

🟣 Программирование стало "killer-категорией": 11% → >50% токенов. В начале 2025 года программирование ≈ 11%, в последние недели — уже больше половины трафика. Лидирует Claude: стабильно >60%. OpenAI вырос с ~2% до ~8%, Google удерживает ~15%. OSS (Qwen, Mistral, DeepSeek и др.) активно захватывают mid-tier, MiniMax растёт особенно быстро.

🟣 Roleplay и кодинг по объёму сопоставимы. Если вы думали, что LLM — это «про работу и B2B», данные показывают: развлекательные/эмоциональные сценарии не менее масштабны.

🟣 География: Азия резко догоняет, язык почти полностью английский. По континентам (share по токенам): Северная Америка: 47%, Азия: ~29% (было ~13%, стало ~31% в неделях под конец), Европа: ~21%. По языкам: английский ≈ 83%, далее упоминаются китайский, русский, испанский.

🟣 Рынок почти не чувствителен к цене. Дорогие модели вроде Claude Sonnet стоят около $2 за 1M токенов и всё равно получают огромные объёмы, дешёвые «рабочие лошадки» вроде Gemini Flash и DeepSeek V3 стоят меньше $0.4 и загружаются сопоставимо, ультрадорогие GPT-4/5 Pro по $30–35 используются для узких задач, а сверхдешёвые OSS-модели за $0.03–0.05 остаются нишевыми. Цена сама по себе не решает: критичны качество, стабильность и интеграции.

🟣 "Glass Slipper": когда модель идеально попадает в задачу, её уже не меняют. У frontier-моделей есть короткий момент, когда они впервые закрывают болезненный workload и формируют «фундаментальную» когорту, которая остаётся надолго. Так случилось у Claude 4 Sonnet и Gemini 2.5 Pro с retention около 40% на 5-й месяц. У моделей без такого момента (например, Gemini 2.0 Flash или Llama 4 Maverick) устойчивых когорт не возникает. У DeepSeek заметен «бумеранг»: пользователи пробуют альтернативы и возвращаются, подтверждая, что именно он лучше решает их задачу.