moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.51.4.009 2031 Автоматизация программирования: от первых компиляторов до генеративного искусственного интеллекта Automation of programming: from the first compilers to generative artificial intelligence Бершадский Александр Моисеевич Bershadsky Alexander Moiseevich bam@pnzgu.ru aff-1 Евсеева Юлия Игоревна Evseeva Yuliya Igorevna shymoda@mail.ru aff-2 Гудков Алексей Анатольевич Gudkov Alexei Anatolievich alexei-ag@yandex.ru aff-3 Пензенский государственный университет Penza State University Пензенский государственный университет Penza State University Пензенский государственный университет Penza State University 01 01 2026 1 1 10.26102/2310-6018/2025.51.4.009 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Стремительное развитие средств автоматизации программирования является ключевым фактором цифровой трансформации общества. Целью работы является комплексный анализ эволюции инструментов автоматизации, включая языки программирования высокого уровня, структурное и объектно-ориентированное программирование, интегрированные среды разработки, low-code/no-code платформы и большие языковые модели. В исследовании рассматриваются принципы работы генеративного искусственного интеллекта, его возможности и ограничения, а также специфика российских решений в данной области. Особое внимание уделено вызовам, связанным с широким внедрением автоматизации: проблемам интеллектуальной собственности, безопасности сгенерированного кода, трансформации роли программиста и адаптации образовательных программ. Сделан вывод о формировании новой парадигмы совместной работы человека и искусственного интеллекта в разработке программного обеспечения. Практическая значимость работы заключается в предоставлении разработчикам и руководителям структурированной информации для принятия решений о внедрении инструментов автоматизации, выборе технологий и оценке связанных с ними рисков.

The rapid development of automation tools for programming is a key factor in the digital transformation of society. The purpose of this work is a comprehensive analysis of the evolution of automation tools, including high-level programming languages, structured and object-oriented programming, integrated development environments, low-code/no-code platforms and large language models. The study examines the principles of operation of generative artificial intelligence, its capabilities and limitations, as well as the specifics of Russian solutions in this area. Particular attention is paid to the challenges associated with the widespread introduction of automation: problems of intellectual property, security of generated code, transformation of the programmer's role and adaptation of educational programs. A conclusion is made about the formation of a new paradigm of joint work of humans and artificial intelligence in software development. The practical significance of the work is to provide developers and managers with structured information for making decisions on the implementation of automation tools, the choice of technologies and the assessment of associated risks.

 автоматизация программирования генеративный искусственный интеллект большие языковые модели история программирования интегрированные среды разработки low-code/no-code DevOps машинное обучение programming automation generative artificial intelligence large language models history of programming integrated development environments low-code/no-code DevOps machine learning Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Vaswani A., Shazeer N., Parmar N., et al. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems (NIPS 2017), 04–09 December 2017, Long Beach, CA, USA. 2017. P. 5998–6008. Li Yu., Choi D., Chung Ju., et al. Competition-Level Code Generation with AlphaCode. Science. 2022;378(6624):1092–1097. https://doi.org/10.1126/science.abq1158 Nijkamp E., Pang B., Hayashi H., et al. CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis. arXiv. URL: https://doi.org/10.48550/arXiv.2203.13474 [Accessed 14th July 2025]. Chen M., Tworek J., Jun H., et al. Evaluating Large Language Models Trained on Code. arXiv. URL: https://doi.org/10.48550/arXiv.2107.03374 [Accessed 14th July 2025]. Rozière B., Gehring J., Gloeckle F., et al. Code Llama: Open Foundation Models for Code. arXiv. URL: https://doi.org/10.48550/arXiv.2308.12950 [Accessed 14th July 2025]. Moussiades L., Zografos G. OpenAI's GPT4 as Coding Assistant. arXiv. URL: https://doi.org/10.48550/arXiv.2309.12732 [Accessed 6th August 2025]. Peng Yu., Wan Ju., Li Yi., Ren X. COFFE: A Code Efficiency Benchmark for Code Generation. arXiv. URL: https://doi.org/10.48550/arXiv.2502.02827 [Accessed 14th July 2025]. Anil R., Borgeaud S., Alayrac J.-B., et al. Gemini: A Family of Highly Capable Multimodal Models. arXiv. URL: https://doi.org/10.48550/arXiv.2312.11805 [Accessed 14th July 2025]. Torka S., Albayrak S. Optimizing AI-Assisted Code Generation. arXiv. URL: https://doi.org/10.48550/arXiv.2412.10953 [Accessed 14th July 2025]. Daniotti S., Wachs J., Feng X., Neffke F. Who Is Using AI to Code? Global Diffusion and Impact of Generative AI. arXiv. URL: https://doi.org/10.48550/arXiv.2506.08945 [Accessed 14th July 2025].

The authors declare that there are no conflicts of interest present.