Рефакторинг как рычаг снижения токен-стоимости: эксперимент в серии Фоулера по генеративному ИИ

В серии Giles Edwards-Alexander из цикла Fowler's exploring-gen-ai проводится небольшой эксперимент: разложение большой функции и наблюдение за изменением стоимости токенов при изменениях с помощью ИИ. Теперь рефакторинг с использованием рычага можно измерить в долларах.

Простыми словами. В новом выпуске серии Мартина Фаулера exploring-gen-ai Гайлс Эдвардс-Александр проводит эксперимент: разбивает большую функцию на части, а затем измеряет, действительно ли стоимость токенов для последующих изменений с помощью ИИ снижается. Интересный ход — не в результате, а в методе. Экономическая целесообразность рефакторинга впервые становится численно осязаемой так, как это поймёт бухгалтер.

Где это пересекается

В ветке hype-fatigue-2026 до сих пор звучат голоса, что большие языковые модели (LLM) не убирают сложную часть программирования — они перераспределяют её. Статья Эдвардса-Александера добавляет к этому аргументу конкретную, измеримую рамку: прирост скорости без очистки отражается в ежемесячном счёте за токены, а не только в моральном состоянии команды.

Измерение, а не мораль

Главное в эксперименте — это единица измерения. Исторически аргумент «рефакторинг окупается» защищали через время на внесение изменений, уровень дефектов или скорость команды — всё реально, но всё слишком шумно и сопротивляется при обсуждении бюджета. Стоимость токенов — другое. Это строка в счёте за облачные услуги. Если хорошо разбитый на модули код требует значительно меньше токенов для каждого изменения с помощью ИИ — потому что помощнику нужно меньше контекста за один шаг — рефакторинг превращается в число, которое уже отслеживает финансовый директор.

Обобщаются ли конкретные цифры Эдвардса-Александера — не суть. Методологический вклад в том, что спор теперь можно вести в токенах за изменение, а не в «вибрациях за спринт».

Описанный режим отказа

Что подводит меня к шаблону, который я постоянно вижу в работе с клиентами: окисление, движимое помощником. LLM добавляет функцию в модуль, который плохо им моделируется. Функция работает, но не вписывается — дублирующий хелпер, условный хак, приватная инверсия существующей утилиты. Тесты проходят. Через три дня тот же помощник начинает считать этот хаос истиной в последней инстанции и расширяет его. Накапливается за квартал, и помощник становится одновременно причиной и хранителем технического долга.

Фреймворк Эдвардса-Александера полезен, потому что он ставит оксиление в счёт. Модуль, который становится всё сложнее для моделирования помощником, — это модуль, где стоимость токенов за изменение растёт. Это сигнал, который можно мониторить.

Под капотом: два датчика

Какие цифры я бы стал отслеживать в любом кодебазе с интенсивным использованием ИИ, заимствуя рамку эксперимента:

• Токены за изменение с помощью ИИ, в разрезе модулей, отслеживаемые ежемесячно. Если растёт вместе с ростом использования помощника — идёт окисление.
• Коэффициент дублирования в исправлениях, написанных ИИ. Дешёвый в вычислении с помощью инструментов поиска похожего кода; ранний индикатор роста токенов.

Ни то, ни другое — не KPI для отчётов наверх. Оба — это ранние предупреждающие сигналы.

Где статья не идёт дальше

Эксперимент не затрагивает следующий честный вопрос: когда сам рефакторинг делегируется помощнику, что мешает ИИ «очистке» удалить что-то критически важное. Этот пробел в исследованиях реален — и именно поэтому я бы рассматривал рамку стоимости токенов как диагностический инструмент, а не автопилот.

Итог

Для руководителя: 15–25% любого спринта с интенсивным использованием ИИ должно уходить на явный рефакторинг, рассматриваемый как себестоимость, а не как резерв. Для лица, принимающего решения: дисконтируйте заявленную скорость разработки с учётом траектории стоимости токенов. Скорость, которая увеличивает токены за изменение, — это не продуктивность, а перенос затрат на следующий месячный счёт за облако.