У лютому 2026 року в подкасті Confluent Developer технічний чемпіон Confluent Джозеф Мораїс і ведучий Тім Берглунд говорили не про абстрактне «майбутнє AI», а про те, як саме вони вже сьогодні пишуть код разом із моделями. Без спонсорських угод і рекламних інтеграцій, лише з позиції розробників, які щодня пробують нові інструменти — від Claude Code до Gemini — у реальних проєктах, від бекенду на Kotlin до візуалізацій на Raspberry Pi та побутових задач на кшталт вибору автомобіля.
Цей досвід показує: агентне програмування перестало бути футуристичною концепцією. Воно вже змінює те, як розробники формулюють задачі, як планують проєкти і навіть як мислять — переходячи від дрібних технічних цілей до роботи на рівні ідей.
Від скепсису до «це вже продакшн»: якісний стрибок моделей наприкінці 2025 року
Ще близько року до запису епізоду, коли Тім Берглунд уперше серйозно спробував AI-асистентів для коду, враження були радше стримані. Він узяв особистий хардверний проєкт — LED-версію ніксі-годинника на мікроконтролері з Wi?Fi — і поставив перед моделлю цілком практичні задачі.
Перша задача здавалася ідеальною для сучасних моделей: написати Netlify Function, яка за IP-адресою робить реверс-геокодування, визначає, чи діє літній час, і повертає компактну відповідь, зручну для парсингу в обмеженому C++?фірмварі. Код функції модель згенерувала, але далі все розвалилося: Next.js не збирався, деплой на Netlify не проходив. Для екосистеми, де є величезний масив відкритого коду й документації, це виглядало як провал.
Друга задача стосувалася підтримки HTTPS у тому ж мікроконтролерному проєкті. Тім спробував отримати від моделі робочий приклад із використанням Raspberry Pi Pico SDK. Результат виявився «сміттям»: приклади не працювали, довелося розбиратися вручну й реалізовувати все «по-старому». Висновок на той момент був простий: мовні моделі цікаві, але як інструмент для реальної інженерної роботи — ще не готові.
Цей фон робить контраст із кінцем 2025 року особливо разючим. Узимку, буквально за кілька місяців до розмови, Тім повернувся до теми, уже з Claude Code. І цього разу сценарій був інший: бекенд на Kotlin для особистого проєкту, який спілкується з пристроєм по Bluetooth. Він сформулював задачу — і отримав працюючий застосунок. Без довгих танців із бубном, без тотальної переробки. Код «розгорнувся» і запрацював.
Тім описує це як момент усвідомлення: «Окей, тепер це прайм-тайм». На його погляд, десь у грудні 2025 року відбувся помітний злам якості моделей. Не поступове покращення, а саме відчутний стрибок, який він називає «когнітивною еволюцією». Моделі перестали бути лише генераторами прикладів і почали працювати як інструмент, на який можна покластися в продакшн-коді.
Цей перехід від «цікавої іграшки» до «робочого інструменту» — ключовий маркер зрілості агентних AI?систем. І він задає тон усьому подальшому досвіду, про який говорять Берглунд і Мораїс.
Claude Code в реальному стеку: від Kotlin-бекенду до OpenGL на Raspberry Pi
Показовим є те, що Тім не обмежився одним вдалим експериментом. Claude Code він почав використовувати як повноцінний інструмент у низці різнорідних задач — від бекенду до візуалізації сигналів.
Перший приклад — згаданий бекенд на Kotlin, який спілкується з пристроєм через Bluetooth. Це не «hello world», а типовий для продакшн-проєктів шматок серверної логіки: робота з протоколами, обробка даних, інтеграція з оточенням. Claude Code згенерував код, який запрацював без тривалого дебагу. Для розробника, який ще рік тому бачив, як моделі «спотикаються» на базових речах на кшталт деплою в Netlify, це радикальна зміна.
Другий приклад — побічний проєкт, пов’язаний із будівництвом власного будинку. Ідея полягала в тому, щоб узяти знімок ділянки з дрона й накласти на нього межі з кадастрового плану (plat file). Це вже завдання з домішкою геопросторової аналітики та візуалізації. Тут результати були менш ідеальними: проблеми з GPS?координатами, неточності в накладанні. Але важливий момент у тому, що Тім фактично «вивантажував» на модель складні частини програмування, швидко отримуючи прототипи, які можна далі допрацьовувати.
Третій, і, можливо, найяскравіший приклад — невелика система візуалізації, схожа на осцилограф, на одногігабайтному Raspberry Pi 5. Це OpenGL?візуалізація, яка в реальному часі показує сигнал, — типове завдання для студентів-електронників, але з усіма притаманними йому технічними деталями: робота з графічним стеком, оптимізація під обмежені ресурси, обробка потоку даних.
Тім стверджує, що згенерував і зібрав це в один недільний післяобідній сеанс, використовуючи AI?код як основу. Без AI, за його оцінкою, на таку реалізацію пішло б значно більше часу. Тут важливий не лише факт економії годин, а й зміна порогу входу: завдання, яке раніше вимагало глибокого занурення в OpenGL і специфіку Raspberry Pi, стає доступним як «цікавий експеримент на вихідних».
Усі ці приклади демонструють одну тенденцію: Claude Code перестає бути просто «автодоповненням на стероїдах» і починає виступати як агент, здатний брати на себе цілі блоки роботи — від генерації бекенду до побудови складних візуалізацій на вбудованих пристроях.
Джозеф Мораїс: від CLI та контейнерів до «інтелектуального субстрату» для ідей
Для Джозефа Мораїса, технічного чемпіона Confluent, поява Claude Code у власному робочому процесі в 2026 році стала черговою «точкою радості» в кар’єрі. Він порівнює це відчуття з першими спробами розгорнути контейнер або працювати з Cisco IOS через CLI — моментами, коли нова технологія буквально «вмикає дитину всередині».
Його бекграунд — операторський: робота з інфраструктурою, дата-центрами, керування складними системами. Тому не дивно, що він дивиться на AI не лише як на інструмент для написання коду, а й як на посередника між людиною та інфраструктурою.
Один із ключових зсувів, які він описує, — перехід від мислення «через задачі» до мислення «через ідеї». Раніше типовий робочий процес виглядав так: виникає ідея, вона швидко розкладається на цілі, цілі — на задачі, далі починається виконання. У цьому ланцюжку мало місця для того, щоб повертатися до початкової ідеї й розширювати її: ресурси з’їдає реалізація.
Тепер, коли в арсеналі є Claude Code, Gemini та інші інструменти, Мораїс дозволяє собі залишатися на рівні ідей довше. Він формулює загальну концепцію, а агентні інструменти беруть на себе розробку цілей і задач. Поки AI розкладає задум на кроки, він може думати: «Як зробити цю ідею більшою? Що ще можна додати до сценарію?». Це не просто економія часу — це зміна когнітивної моделі роботи.
Показовий приклад — демо, яке він будує навколо Confluent Cloud і Claude. Мораїс хоче створити end?to?end сценарій із потоковою обробкою даних, але замість того, щоб одразу деталізувати всі події, топіки й сервіси, він задає лише загальний наратив: тематика гостинності, два продюсери, один консюмер, інтеграція з Flink, усе це на Confluent Cloud.
Claude Code на основі цього формує змістовну модель подій: часи check?in, замовлення в номер, об’єднання цих потоків у 360?градусний профіль гостя, тригери для SMS?сповіщень про готовність номера чи доставку їжі. Усе це — без того, щоб Мораїс вручну прописував кожен тип події чи бізнес-правило. AI фактично пропонує логічний доменний сценарій, який добре лягає на початкову ідею.
Цей досвід підсилює ще одну метафору, яку активно використовують у Confluent щодо власної платформи: «data substrate» або «data plane» для реальних часів. Мораїс переносить її на AI?інструменти, називаючи Claude, ChatGPT та подібні системи «інтелектуальним субстратом». Якщо Confluent забезпечує субстрат для даних, то сучасні моделі забезпечують субстрат для інтелектуальних операцій: до ідеї можна «підключити мозок» і, налаштовуючи його природною мовою, отримати працюючий продукт.
AI як посередник між людиною та інфраструктурою: CLIs, SaaS і новий тип взаємодії
Окрема лінія в міркуваннях Мораїса — це роль AI як посередника між розробником і складними інтерфейсами, насамперед CLI та SaaS?платформами. З огляду на його операторський досвід, це не теоретична розмова, а спроба зрозуміти, як зміниться повсякденна робота інженера.
Сьогодні типовий сценарій виглядає так: щоб ефективно працювати з хмарною платформою чи інструментом, розробник вивчає CLI, API, конфігураційні файли, особливості деплою. Це інвестиція часу й уваги, яка окупається лише тоді, коли інструмент використовується регулярно й інтенсивно.
Мораїс припускає, що в найближчі роки ця модель може радикально змінитися. Замість того, щоб кожен розробник вчився працювати з десятками різних CLI, з’явиться «AI-друг», який вивчить їх за нього. Claude, Cursor чи інший агент знатиме синтаксис, опції, підводні камені й навіть неформальні практики використання інструменту — і робитиме це глибше й швидше, ніж людина.
Він порівнює це з молотком: традиційний інструмент не дає зворотного зв’язку, поки ви не почнете забивати цвях неправильно. AI?інструмент, навпаки, може попередити про помилку ще до її здійснення, запропонувати кращий спосіб, перевірити конфігурацію. Це вже не просто «молоток», а співрозмовник, з яким можна вести дискусію про те, як саме виконувати роботу.
У такій моделі розробник перестає бути «оператором CLI» і стає радше постановником задач для агентів. Це не означає повну відмову від технічних знань, але змінює фокус: замість запам’ятовування команд і флагів важливішими стають розуміння домену, формулювання вимог і вміння оцінити, чи адекватно агент реалізував задум.
Розділення ролей: Claude для коду, Gemini для довгих досліджень
Цікаво, що в особистому житті Мораїс також активно використовує AI?інструменти, але вже з іншим розподілом ролей. Claude Code для нього — насамперед про код і технічні демо. А от для довгих, багатокрокових досліджень, які виходять за межі чистої розробки, він звертається до Gemini.
Показовий приклад — вибір автомобіля. Традиційно це означало б години читання оглядів, порівняння характеристик, вивчення відгуків, аналізу цін. Тепер Мораїс описує це як «довгі чати з Gemini» про те, що для нього важливо: які функції, які сценарії використання, які компроміси прийнятні.
Gemini в цьому сценарії виступає не як «пошуковик», а як співрозмовник, який допомагає структурувати критерії, порівняти моделі, зважити «за» і «проти». Для того, щоб досягти такого рівня розуміння ринку самостійно, довелося б витратити години, якщо не дні. AI скорочує цей шлях до серії діалогів.
Це розділення інструментів за сильними сторонами показує ще одну тенденцію: розробники перестають мислити категоріями «одна модель на все» й починають будувати власний стек AI?асистентів. Claude Code — там, де потрібен якісний код і агентне програмування. Gemini — там, де важливі довгі, контекстні дослідження. Інші інструменти — для маркетингу, аналітики, візуалізації.
Фактично формується новий тип «особистого техстеку», де поряд із IDE, Git і хмарою стоять кілька різних AI?моделей, кожна з яких має свою нішу.
Чесні рекомендації: чому важливо, що Anthropic не спонсорує розмову
У розмові неодноразово звучить назва Claude Code, і Тім Берглунд спеціально підкреслює: Anthropic не є спонсором епізоду. Немає жодних комерційних домовленостей, немає платної інтеграції. Це важливе застереження в контексті 2026 року, коли ринок AI?інструментів насичений маркетингом, а межа між щирим досвідом і рекламою часто розмита.
У цьому випадку і Берглунд, і Мораїс говорять про Claude Code, Gemini та інші інструменти як про засоби, які вони реально використовують у роботі й особистих проєктах. Вони не приховують недоліків (як-от проблеми з геопросторовими обчисленнями в проєкті з дроном) і не намагаються створити враження «магії», яка все робить сама.
Такий тон важливий для професійної спільноти: розробникам потрібні не рекламні обіцянки, а чесні історії про те, де інструмент справді економить час, а де все ще вимагає ручної роботи. Саме такі історії дозволяють адекватно оцінити ризики й вигоди від інтеграції AI в робочі процеси.
Висновок: новий досвід розробника — це робота з ідеями, а не з інтерфейсами
Досвід Тіма Берглунда й Джозефа Мораїса показує, що до початку 2026 року агентні AI?інструменти перестали бути експериментом і стали частиною повсякденної роботи розробника. Claude Code генерує продакшн?якісний бекенд на Kotlin, допомагає будувати OpenGL?візуалізації на Raspberry Pi й пропонує осмислені доменні сценарії для потокових демо. Gemini бере на себе довгі дослідження, перетворюючи виснажливий збір інформації на серію діалогів.
Найглибша зміна, однак, не в тому, що код пишеться швидше. Вона в тому, як розробники мислять. Замість того, щоб одразу розкладати ідею на задачі й потопати в CLI, конфігураціях і дрібних технічних деталях, вони можуть довше залишатися на рівні концепцій, делегуючи агентам формалізацію й реалізацію. AI стає «інтелектуальним субстратом», який можна під’єднати до задуму так само, як Confluent стає субстратом для потоків даних.
Це не скасовує потребу в технічній компетенції, але змінює її фокус. У центрі опиняються розуміння домену, формулювання вимог, критичне мислення й уміння працювати з агентами як із партнерами, а не як із «чорними скриньками». І саме в цьому, схоже, полягає новий досвід розробника в епоху агентного програмування.
Джерело
The AI Impact on the Developer Future with Joseph Morais | Ep. 27 | Confluent Developer Podcast