Экономика надёжности,
в мировом масштабе
CAST Intelligence Unit представил результаты масштабного исследования технического долга, основанного на анализе 10 миллиардов строк кода из 47 000 приложений в 17 странах, совокупно представляющих 51 % мирового ВВП.
Исследование переводит понятие технического долга в измеримый показатель - человеко-дни
Общий объем работ по исправлению накопившегося технического долга оценивается в 611 миллиардов человеко‑дней — консервативная оценка, учитывающая лишь выявленные дефекты.
Если бы все 25 миллионов разработчиков мира сосредоточились исключительно на рефакторинге, работа была бы завершена лишь к 2034 году. Это подчеркивает масштаб зависимости бизнеса от систем, находящихся в состоянии критического износа.
Страны, ранее лидировавшие в цифровизации, сегодня несут наибольшую нагрузку по техническому долгу.
Топ‑3 страны по затратам на исправление 1 000 строк кода:
- США — 2,07 дня;
- Италия — 1,99 дня;
- Франция — 1,98 дня;
Развивающиеся экономики (например, Перу — 1,40 дня, Эквадор — 1,45 дня) демонстрируют существенно меньший уровень технического долга.
Это создает потенциал для «технологического рывка»: внедряя ИИ и современные платформы на относительно чистом коде, компании из развивающихся стран могут обойти страны, вынужденные поддерживать устаревшие системы.
Отчет опровергает предположение, что генеративные ИИ (LLM) могут автоматически устранять технический долг. Вероятностная природа нейросетей эффективна для создания нового кода, но малоприменима для исправления сложных, устаревших систем.
При этом менее 10 % технического долга носит критический характер, однако именно он причиняет основной ущерб.
Для снижения рисков предлагается (да по сути ничего нового и не предлагается, но перечислим):
1. Интегрировать метрики технического долга в KPI IT‑подразделений.
2. Сегментировать портфель систем, выделив критически важные с низкой устойчивостью.
3. Внедрить автоматический контроль состава ПО для управления рисками
4. Проводить глубокий анализ кода перед миграциями или внедрением ИИ‑решений.
Источник: The State of Global Technical Debt 2025 (CAST Intelligence Unit, 2025)
@Simple_Reliability
в мировом масштабе
CAST Intelligence Unit представил результаты масштабного исследования технического долга, основанного на анализе 10 миллиардов строк кода из 47 000 приложений в 17 странах, совокупно представляющих 51 % мирового ВВП.
Исследование переводит понятие технического долга в измеримый показатель - человеко-дни
Общий объем работ по исправлению накопившегося технического долга оценивается в 611 миллиардов человеко‑дней — консервативная оценка, учитывающая лишь выявленные дефекты.
Если бы все 25 миллионов разработчиков мира сосредоточились исключительно на рефакторинге, работа была бы завершена лишь к 2034 году. Это подчеркивает масштаб зависимости бизнеса от систем, находящихся в состоянии критического износа.
Страны, ранее лидировавшие в цифровизации, сегодня несут наибольшую нагрузку по техническому долгу.
Топ‑3 страны по затратам на исправление 1 000 строк кода:
- США — 2,07 дня;
- Италия — 1,99 дня;
- Франция — 1,98 дня;
Развивающиеся экономики (например, Перу — 1,40 дня, Эквадор — 1,45 дня) демонстрируют существенно меньший уровень технического долга.
Это создает потенциал для «технологического рывка»: внедряя ИИ и современные платформы на относительно чистом коде, компании из развивающихся стран могут обойти страны, вынужденные поддерживать устаревшие системы.
Отчет опровергает предположение, что генеративные ИИ (LLM) могут автоматически устранять технический долг. Вероятностная природа нейросетей эффективна для создания нового кода, но малоприменима для исправления сложных, устаревших систем.
При этом менее 10 % технического долга носит критический характер, однако именно он причиняет основной ущерб.
Для снижения рисков предлагается (да по сути ничего нового и не предлагается, но перечислим):
1. Интегрировать метрики технического долга в KPI IT‑подразделений.
2. Сегментировать портфель систем, выделив критически важные с низкой устойчивостью.
3. Внедрить автоматический контроль состава ПО для управления рисками
4. Проводить глубокий анализ кода перед миграциями или внедрением ИИ‑решений.
Источник: The State of Global Technical Debt 2025 (CAST Intelligence Unit, 2025)
@Simple_Reliability