Proceedings of the International scientific and practical conference “Science, Technology and Culture: Strategies for Sustainable Development” (December 15-17, 2025) / Publisher website: www.naukainfo.com. – Krakow, Poland, 2025. – 120 p.

15 масштабуванні шляхом додавання нетипової бізнес-логіки (інтеграція зі стороннім Calendar API та складна валідація даних). У ході експерименту було проаналізовано поведінку трьох моделей на різних стадіях життєвого циклу. При використанні моделі AI-Assisted (Сursor Tab-completion) розробник самостійно утримував ментальну модель архітектури. Хоча початкова розробка була найповільнішою, додавання нового функціоналу на пізніх етапах відбувалося стабільно, оскільки інженер чітко розумів, куди саме вносити зміни, і використовував ШІ лише для локальної генерації синтаксису. У підході Agentic AI (Claude Code) делегування задач агенту було ефективним до моменту виникнення конфліктів у залежностях. Агент успішно виконував ізольовані завдання, але при спробі глобального рефакторингу потребував детальних інструкцій від розробника для збереження цілісності проєкту. Третій підхід, Vibe Coding (v0), продемонстрував миттєвий результат на старті створення MVP. Однак при спробі масштабування функціоналу (5-та та наступні ітерації) виявилася критична вразливість методу: модель почала втрачати контекст проєкту, генеруючи дубльований код та порушуючи роботу раніше створених функцій (регресійні помилки). Оскільки оператор у цій парадигмі виступає менеджером без глибокого занурення в код, він не міг надати точні технічні вказівки для вирішення конфліктів, що призвело до зупинки прогресу. Результати вимірювання динаміки ефективності продемонстровано на рисунку 1. Графік ілюструє залежність швидкості розробки від складності проєкту (кількості ітерацій).