Две публикации выносят противоположные тезисы о роли систем типов в эпоху ИИ-ассистентов: статья на yyhh.org утверждает, что ИИ-генерация кода обесценивает статическую типизацию, тогда как отчёт GitHub настаивает, что типы стали критической сеткой безопасности для кода, написанного не человеком.
Что произошло
Автор статьи на yyhh.org приводит тезис: модели ИИ мгновенно исправляют ошибки компиляции, которые раньше были главным аргументом в пользу статически типизированных языков. При этом системы типов не ловят дорогие семантические ошибки — неверную бизнес-логику и пропущенные крайние случаи. В поддержку этого приводится исследование Мартина Альдерсона: динамические языки вроде Clojure требуют в среднем 109 токенов на задачу, тогда как статические — 280 и более, что даёт разницу в 2,6 раза по токеновой эффективности. С другой стороны, Cassidy Williams в статье на GitHub Blog (январь 2026) утверждает обратное: 94% ошибок при генерации кода связаны именно с типами, а TypeScript удерживает позицию первого языка на GitHub.
Контекст
Две публикации измеряют разные вещи и поэтому не противоречат друг другу напрямую. Исследование Альдерсона оценивает токеновую стоимость генерации — сколько токенов модель тратит на решение задачи. Статистика GitHub Cassidy Williams оценивает частоту ошибок — какую долю проблем с сгенерированным кодом составляют сбои типов. Тезис о том, что ИИ «мгновенно исправляет» ошибки компиляции, технически упрощён: исправление type error в контексте 128K+ токенов требует дополнительных round-trips, что увеличивает латентность и стоимость генерации. TypeScript сохраняет лидерство на GitHub, а Python остаётся доминирующим в машинном обучении — обе экосистемы пока не сдвигаются.
Почему это важно для индустрии
Дискуссия определяет направление развития языков и фреймворков. Если статические типы действительно обесцениваются как инструмент контроля качества, это стимулирует развитие более лаконичных языков для новых проектов. Если же типы остаются критической safety net — это укрепляет позиции Rust, TypeScript, Go и подталкивает инструменты вроде Cursor и Copilot к интеграции тип-чекинга как обязательного слоя валидации в пайплайн генерации. Ожидается появление eval-фреймворков для оценки type-correctness сгенерированного кода и продуктов-посредников, автоматически добавляющих аннотации типов к динамическому коду ИИ.
Почему это важно для пользователей
Выбор стека для проектов с активным использованием ИИ-ассистентов теперь требует учёта нового tradeoff: динамические языки дают экономию до 60% на токенах генерации, но требуют более тщательного тестирования, так как подавляющее большинство ошибок генерации — именно сбои типов. При работе со статическими языками стоимость инференса выше, но система типов ловит ошибки до деплоя. Для разработки новых продуктов это означает практический выбор между токеновой экономией и гарантированной безопасностью типов.
Что пока неизвестно / ограничения
Исследование Мартина Альдерсона по токеновой эффективности не публикует методику оценки, выборку задач и метрики воспроизводимости. Статистика GitHub о 94% тип-ошибках генерации требует независимой верификации — неясно, как именно классифицировались ошибки, какова доля false positives детектора и на каких моделях проводился замер. Оба исследования оперируют нерепрезентативными выборками.
Источники
- AI Coding Has Erased the Supposed Advantage of Statically Typed Languages — yyhh.org
- Why AI is pushing developers toward typed languages — GitHub Blog
- Which programming languages are most token-efficient? — Martin Alderson
Автор
Look at AI, редакция