Claude Code — точка перелома для AI-агентов: как агентная автоматизация меняет разработку и рынок enterprise AI
Claude Code — это точка перелома
Что это за инструмент, почему он так быстро меняет разработку, чем это грозит Microsoft и почему Anthropic сейчас вырывается вперед
Цифра, если честно, звучит почти неприлично: уже сейчас около 4% публичных коммитов на GitHub, по оценке авторов, создаются с помощью Claude Code. А если текущий темп сохранится, то к концу 2026 года на него может приходиться свыше 20% всех ежедневных коммитов. И да — пока рынок спорил о бенчмарках, AI тихо, без фанфар, начал съедать сам процесс разработки ПО.
Сестринское издание Fabricated Knowledge когда-то сравнило software с линейным телевидением на фоне роста интернета. А затем выдвинуло еще более любопытную мысль: рост Claude Code создает новый слой интеллекта поверх software — примерно так же, как DRAM соотносится с NAND. Ниже — разбор того, что именно представляет собой Claude Code, как его используют, почему Anthropic на этом выигрывает и что все это значит для рынка AI-агентов, enterprise AI и автоматизации.
По сути, Claude Code — это не просто удачный продукт. Это, скорее, переломный момент для всего класса агентных систем. Он показывает, как будет выглядеть следующая фаза AI: не чат-окно с ответами, а рабочий исполнитель, который читает контекст, строит план, использует инструменты и доводит задачу до результата. Для Anthropic это, вероятно, станет главным драйвером выручки в 2026 году — настолько сильным, что компания может заметно опередить OpenAI.
Авторы построили подробную экономическую модель Anthropic и оценили, как рост компании повлияет на выручку и капитальные затраты ее облачных партнеров — AWS, Google Cloud, Azure, — а также на связанные цепочки поставок: Trainium2/3, TPU и GPU. В этом и состоит основная идея модели Tokenomics.
Если смотреть на вычислительные мощности, Anthropic движется к тому, чтобы за ближайшие три года добавить примерно столько же compute, сколько и OpenAI. Это хорошо видно в их Datacenter Industry Model — трекере по объектам и инфраструктуре Anthropic и OpenAI буквально по зданиям. При этом OpenAI, по мнению авторов, заметно тормозят задержки с дата-центрами. Об этом SemiAnalysis писали задолго до громких публикаций в прессе, в частности в превью отчетности CoreWeave за Q3 2025, где прямо указывали на серьезный промах по прогнозу CapEx.
Логика здесь довольно прямолинейная: больше вычислений — больше потенциальной выручки. Поэтому можно прогнозировать рост ARR и уже на этой базе сравнивать Anthropic с OpenAI почти в лоб.
И вот что особенно бросается в глаза: по прогнозу авторов, квартальные приросты ARR у Anthropic уже обогнали OpenAI. Anthropic ежемесячно прибавляет больше выручки, чем OpenAI. Ограничитель здесь, по их мнению, не спрос, а доступный compute.
Именно поэтому имеет смысл копнуть глубже и посмотреть на главный актив Anthropic — Claude Code.
Claude Code и агентное будущее
Если совсем коротко: AI-агенты, похоже, становятся основным интерфейсом между человеком и искусственным интеллектом. Но Claude Code показывает еще кое-что. Не только то, как люди пользуются агентами, но и то, как агенты начинают работать вместе с людьми — почти как младшие коллеги, только без кофе-брейков.
Авторы считают, что будущее AI связано не с простой продажей токенов как сырья, а с оркестрацией токенов в законченные рабочие процессы. Это важный сдвиг. OpenAI API и ранний ChatGPT можно сравнить с Web 1.0: базовый протокол, базовый доступ, первые страницы. Но реальная стоимость интернета возникла не на уровне TCP/IP, а на уровне приложений, сервисов и сложных систем, построенных поверх него. С AI, вероятно, происходит то же самое. Модель важна. Но еще важнее то, во что она встраивается.
Поэтому, как считают в SemiAnalysis, отрасль снова подошла к критической точке — возможно, даже более значимой, чем момент ChatGPT в начале 2023 года.
Каждый предыдущий прорыв расширял границы возможного. GPT-3 показал, что масштабирование работает. Stable Diffusion доказал, что AI умеет создавать изображения. ChatGPT подтвердил массовый спрос на «интеллект как сервис». DeepSeek намекнул, что многое можно делать дешевле. o1 показал, что рассуждение тоже масштабируется. А Claude Code — это уже не просто еще одна модельная веха. Это прорыв на уровне агентного слоя, где ответы превращаются в действия.
И вот тут начинается самое интересное.
Что такое Claude Code?
Claude Code — это AI-агент, изначально спроектированный для терминала. Не для боковой панели в IDE и не для чат-виджета, как у многих ассистентов. Это CLI-инструмент, который читает кодовую базу, понимает структуру проекта, планирует многошаговые задачи и затем выполняет их. И, возможно, думать о нем только как об инструменте для программирования уже тесновато. Скорее, это Claude Computer: агент, который получает доступ к рабочей среде, понимает контекст и действует итеративно, уточняя курс по ходу дела.
Он не просто пишет код. Он работает с компьютером как с операционной средой. Пользователь формулирует цель на естественном языке — не расписывая каждую команду и не диктуя реализацию по буквам. Затем Claude Code строит план, проверяет детали, использует инструменты и доводит задачу до результата. Это уже очень близко к тому, что в корпоративной среде называют разработкой AI-агентов и автоматизацией: система не отвечает, а исполняет.
Можно дать ему таблицу, репозиторий, ссылку на страницу, набор файлов — и попросить добиться конкретного результата. Он разберется, что к чему, и начнет работать. Не всегда идеально, конечно. Но часто — пугающе хорошо.
Это не абстрактное «будущее когда-нибудь потом». Это уже происходит в software. И многие сильные инженеры, мягко говоря, не стоят в стороне:
Andrej Karpathy, введший термин vibe coding, открыто говорит о фазовом сдвиге и признает: «Я уже замечаю, что постепенно теряю навык писать код вручную. Генерация кода и его оценка — это разные когнитивные способности».
Malte Ubl, CTO Vercel, говорит, что его «новая основная работа» — объяснять AI, где тот ошибся.
Ryan Dahl, создатель Node.js, прямо говорит: «Эпоха, когда люди пишут код, закончилась».
David Heinemeier Hansson, создатель Ruby on Rails, пишет о ручном кодинге почти с ностальгией наперед — как о ремесле, которое еще живо, но уже начинает пахнуть музейной витриной.
Boris Cherny, создатель Claude Code, утверждает: «Практически 100% нашего кода написано Claude Code + Opus 4.5».
Даже Linus Torvalds не обходит стороной vibe coding: https://github.com/torvalds/AudioNoise
Но дело уже давно не только в программистах. Внутри SemiAnalysis аналитики, технические специалисты и исследовательские команды выполняют очень разные задачи: кто-то еженедельно просматривает сотни документов, кто-то сверяет BOM на тысячи строк, кто-то обновляет прогнозы почти в реальном времени, пока спотовые цены скачут как ошпаренные. Есть и команды, которые поддерживают live-dashboard для InferenceMAX, включая ночные прогоны новых software-рецептов на девяти типах систем и кластеров. От регуляторной отчетности и разрешений до спецификаций, конфигов и кода — сам способ взаимодействия с компьютером меняется.
Например, аналитики отраслевой модели используют Claude Code для генерации диаграмм и аналитических артефактов, которые помогают быстро вытащить смысл из больших массивов данных.
Вот исходные данные:
А вот что получается на выходе:
Именно здесь становится видно главное: программисты и аналитики все меньше делают работу руками и все больше делегируют ее агенту. В этом, собственно, и магия Claude Code — он просто работает. Не всегда изящно. Иногда криво в мелочах. Но работает. И да, это слегка нервирует.
Точка конкуренции смещается. Одержимость линейными бенчмарками и споры о том, какая модель «лучшая», скоро могут выглядеть наивно — как спор о скорости dial-up и DSL в момент, когда рынок уже строит полноценные веб-сервисы. Модели по-прежнему важны, конечно. Но реальная производительность будет измеряться не качеством одного ответа, а качеством завершенного результата, собранного через инструменты, память, подагентов и циклы верификации. Иными словами, речь уже идет не о модели как таковой, а о архитектуре AI-агентов.
Opus 4.5 — это двигатель, который делает такую оркестрацию возможной. И то, что важно в линейных тестах, может почти ничего не говорить о задачах с длинным горизонтом, где агент должен помнить, проверять, исправлять и идти дальше. Такая вот штука.
За пределами кодинга: это плацдарм, а не конечная станция
Когда-то программирование было, пожалуй, самой ценной формой информационного труда. В 2020-х инженеры-программисты были в центре спроса, и не без причины. Но теперь coding выглядит скорее как первая крепость, которую агентные системы уже начали брать. А за ней — куда более широкий рынок информационной работы объемом около 15 трлн долларов. По данным ILO, в мире свыше 1 млрд knowledge workers, то есть примерно треть всей глобальной рабочей силы. Масштаб, мягко говоря, не игрушечный.
Почти любой workflow в информационном труде укладывается в один и тот же шаблон: READ — поглотить неструктурированную информацию; THINK — применить доменные знания; WRITE — сформировать структурированный результат; VERIFY — проверить соответствие стандартам. Это касается огромного числа профессий, включая research. Если агенты уже научились «есть» software, то какой именно пласт умственного труда останется нетронутым? Вопрос, честно говоря, уже не риторический.
Авторы считают, что таких областей немного. По мере роста Claude Code и Cowork общий адресуемый рынок агентных систем становится намного шире, чем рынок самих LLM. Нишевые сценарии — customer support, разработка ПО — постепенно выходят в более крупные вертикали: финансы, юридические услуги, консалтинг и не только. Именно на это и смотрит SemiAnalysis Tokenomics Model.
Если принять coding как killer use case и признать, что Claude Code и Cowork хорошо обобщаются на другие задачи, то и расчет рынка должен быть другим. Автоматизация значительной части повторяемой обработки информации и сценариев call-and-response выглядит вполне достижимой. А это уже огромный потенциал в абсолютных деньгах. Для компаний, которые строят мультиагентные системы, это особенно важный сигнал: выиграют не те, у кого просто «умная модель», а те, кто умеет собирать устойчивые рабочие контуры вокруг нее.
Главное ограничение внедрения: горизонт задачи
Что действительно открывает для автоматизации все больший кусок рынка — так это длина автономной задачи. Иначе говоря: как долго агент может работать самостоятельно, прежде чем сорвется, запутается или начнет галлюцинировать? Данные METR показывают, что горизонты автономных задач удваиваются каждые 4–7 месяцев, причем в 2024–2025 годах темп, похоже, ускорился примерно до 4 месяцев.
Каждое такое удвоение открывает новую долю рынка. При горизонте в 30 минут агент может дописывать фрагменты кода. При 4,8 часа — уже рефакторить модуль или собирать сложный отчет. При горизонте в несколько дней — проводить аудит, миграцию, исследование или многослойную проверку. И, судя по всему, Anthropic это прекрасно понимает.
12 января 2026 года компания запустила Cowork — по сути, «Claude Code для общего использования компьютера». Четыре инженера собрали продукт за 10 дней. Большую часть кода написал сам Claude Code. Архитектура знакомая: Claude Agent SDK, MCP, подагенты. Cowork умеет создавать таблицы из чеков, раскладывать файлы по содержимому, собирать отчеты из разрозненных заметок. Это Claude Code без терминала, но с рабочим столом.
Это и есть взгляд в будущее: оболочка, которая понимает контекст повседневной работы и по запросу строит обработку информации. Вместо того чтобы вручную выгружать данные из базы, собирать графики, форматировать отчет и пересылать его коллегам, агент делает это сам. Нужно собрать данные по sales quota? Он достанет их из UI или API, структурирует и подготовит итоговый документ. Информационная работа начинает автоматизироваться примерно так же, как Claude Code автоматизировал software engineering.
Да, сегодня это еще не идеально. Да, бывают галлюцинации, промахи, странные решения и вот это все. Но уже видно, что в среднем система может обрабатывать, синтезировать и форматировать данные быстрее, чем большинство людей. Во многих сценариях — еще и точнее, и дешевле. А если результат проходит приемлемую проверку и передается дальше по цепочке, то предложение труда фактически резко растет. Проще говоря: теперь почти любой человек может запустить агентный workflow и получить многомерную регрессию, на освоение которой в 2000-х ушли бы годы. Ну или месяцы боли — как минимум.
Согласно опросу разработчиков Stack Overflow 2025, 84% программистов уже используют AI. Это передний край внедрения. При этом только 31% используют именно coding agents, а значит, кривая проникновения для более широкой автоматизации информационного труда все еще на ранней стадии. Но, если судить по динамике, надолго это не затянется.
Цена интеллекта падает стремительно
Software engineering долго был золотым стандартом информационной работы. Но как только качество AI перешло критический порог, отношения между инженером и инструментом перевернулись. Теперь разработчик все чаще использует black box-систему, чтобы получить результат, а не пишет все сам. И это стало возможным не только из-за роста качества, но и из-за резкого падения стоимости интеллекта в пересчете на токены. Один человек с Claude Code теперь способен сделать то, на что раньше у команды уходил месяц.
Подписка Claude Pro или ChatGPT стоит около 20 долларов в месяц, а Max — порядка 200. При этом медианный knowledge worker в США обходится компании примерно в 350–500 долларов в день полной стоимости. Если агент берет на себя хотя бы часть ежедневного workflow за 6–7 долларов, ROI в 10–30x выглядит не фантазией, а очень даже рабочей арифметикой.
Enterprise уже начинает шевелиться
Столь сильная дефляция стоимости интеллекта неизбежно приведет к переоценке маржи почти любой информационной компании, особенно там, где много повторяемой работы. Accenture уже заключила соглашение по обучению 30 000 специалистов работе с Claude — это крупнейшее внедрение Claude Code на текущий момент. Фокус — финансовые услуги, life sciences, здравоохранение, государственный сектор. То есть как раз те отрасли, где автоматизация AI-агентами и enterprise AI может дать особенно заметный эффект. OpenAI, в свою очередь, анонсировала Frontier, явно нацеленную на enterprise-внедрение.
Enterprise software уже выглядит первой крупной жертвой падения стоимости интеллекта. Сам SaaS — это, по сути, кристаллизованная обработка информации и workflow, зашитые в код. Три главных защитных рва SaaS — издержки переключения из-за данных, lock-in через пользовательские процессы и сложность интеграций — начинают размываться. Агенты умеют переносить данные между системами, не зависят от интерфейсов, придуманных для человека, и все лучше работают через MCP и другие интеграционные слои. Когда валовая маржа SaaS держится на уровне 75%, рынок, конечно, начинает нервничать.
Простой пример: агент может напрямую выполнить запрос к Postgres, построить график и отправить его заинтересованному лицу по email. По сути, это и есть значительная часть ценности многих SaaS-workflow — CRM, BI, аналитика, отчетность. Только теперь не нужно переучивать людей под новый UI, не нужно вручную переносить данные, не нужно поддерживать лишний слой интерфейсов. Оно просто работает. BI/analytics, data entry, ITSM, back-office reconciliation — все это уже входит в зону активной автоматизации.
По мнению авторов, под наибольшим риском находится любая работа, где человек кликает кнопки, собирает информацию и переформатирует ее в другой носитель: email, график, Excel, презентацию, отчет. LLM особенно сильны именно в таких преобразованиях. Они легко превращают текст в аудио, английский — в китайский, слова — в изображения, а сырые данные — в структурированный артефакт. И именно поэтому, считают авторы, одна из крупнейших угроз нависает над Microsoft.
Причем не только над Microsoft как вендором офисного ПО, но и над всей логикой seat-based software. Там, где ценность продукта строилась на том, что человек сидит в интерфейсе и руками выполняет цепочку действий, агентный слой начинает отъедать саму основу модели. А дальше всплывают уже совсем практические вопросы: безопасность AI-агентов, контроль доступа, аудит действий, трассируемость, политика разрешений, хранение контекста, агентная память и RAG. Без этого в enterprise далеко не уедешь — и это не мелочь, а фундамент.
Если агент получает доступ к данным, системам и рабочим процессам, компании неизбежно понадобятся агентная память и RAG, а также механизмы AI compliance и соответствия требованиям. Иначе автоматизация быстро упрется в регуляторику, риски утечек и банальную невозможность объяснить, почему агент принял то или иное решение. Это уже не вопрос «прикольной фичи». Это вопрос промышленной эксплуатации.
Конкурентный ландшафт: головоломка Microsoft
Падение стоимости интеллекта подрывает саму логику seat-based software. И если учитывать масштаб внутреннего использования Claude Code в SemiAnalysis, то, возможно, ни у кого сдвиг доли не ощущается так болезненно, как у Microsoft с ее Office 365. Microsoft — это почти эталонный пример программного обеспечения, построенного вокруг интерфейсов для людей: кнопки, меню, формы, вкладки, согласования, пересылки. Все то, что агент умеет обходить.
Следить теперь стоит не только за отдельными приложениями, а за целым классом межотраслевых workflow-продуктов, спроектированных под человеческое взаимодействие. Если агент может сам открыть систему, найти данные, преобразовать их, проверить и передать дальше, то seat-based лицензия начинает выглядеть не как вечный ров, а как временная привычка рынка. И вот это уже серьезно.
Короче говоря, Claude Code важен не потому, что он хорошо пишет код. Таких инструментов становится много. Он важен потому, что показывает новую форму вычислительного труда: агент читает контекст, планирует, использует инструменты, исправляет ошибки, помнит промежуточные шаги и доводит задачу до результата. Это и есть тот самый inflection point — точка, после которой рынок уже не возвращается назад.
Не мгновенно. Не без сбоев. Не без смешных и местами кривоватых провалов. Но назад — вряд ли.