Эссе: ИИ не заменит понимание в разработке, метафора со стейком
Автор личного блога публикует эссе-размышление, построенное на развёрнутой метафоре: приготовить стейк почти не требует навыка, положил на раскалённую сковороду, перевернул, получил что-то съедобное. Но стабильно хороший стейк, прожаренный ровно, правильно посоленный, одинаковый каждый раз, это совсем другое дело. По мнению автора, разработка ПО с ИИ устроена так же: сейчас разработчики непрерывно строят агентов, обвязки, промпты и цепочки инструментов, бросают всё это в модель и надеются получить задуманное, не понимая, как это работает внутри. Иногда модель выдаёт неожиданно хороший результат, иногда, «пережаренный уголёк с веточкой тимьяна сверху», который уверенно выдаёт себя за среднюю прожарку.
Столкнувшись с этим, люди пытаются решить проблему покупкой: платят за премиальный ИИ-продукт, нанимают агентство, подписываются на очередного кодинг-ассистента, переходят на новый фреймворк с обещанием профессионального результата. Автор доводит метафору до абсурда: человек идёт в дорогой ресторан, заказывает с уверенностью, а на тарелке тот же подгоревший стейк, что он делал дома сам, потому что «каждый ресторан в городе нанял одного и того же ИИ-повара» ради экономии, и, по словам автора, большинство клиентов действительно не замечает разницы.
Центральный тезис: ИИ, не шеф-повар, которому можно поручить готовку и уйти, а в лучшем случае «стейк-машина». Она умеет следовать рецепту, держать температуру, вовремя перевернуть, добавить масла, и повторять это быстро и в огромном масштабе. Но она не знает, чего человек хочет на самом деле, и не видит картинку у него в голове, пока та не переведена в требования, ограничения, примеры и тесты, а даже тогда упирается в свои возможности и контекстное окно. ИИ ускоряет рутину, подсказывает отправную точку, объясняет код, но не заменяет суждение: не может определить за человека, что такое качество, какие компромиссы приемлемы, и не всегда способен заметить момент, когда результат технически правильный, но неверный по существу. Вывод автора: чтобы делать хорошее ПО с ИИ, всё равно нужно понимать разработку, знать, что именно вы просите, уметь судить о результате и замечать момент, когда машина уверенно подаёт вам уголь вместо стейка. Единственный выход из этого, учиться готовить самому: пробовать, портить, пробовать снова, пока результат не станет управляемым, а не случайным.
Ключевые факты
- Приготовить стейк почти не требует навыка, но стабильно хороший результат, редкость; автор проводит прямую параллель с разработкой ПО при помощи ИИ
- Попытка решить проблему покупкой (премиальный ИИ-продукт, агентство, новый фреймворк) часто не работает: в метафоре автора даже дорогой ресторан подаёт тот же подгоревший стейк, потому что «нанял того же ИИ-повара» ради экономии
- ИИ называется «стейк-машиной», а не шеф-поваром: он выполняет рецепт и масштабирует процесс, но не знает, чего человек хочет на самом деле, и упирается в свои возможности и контекстное окно
- ИИ ускоряет рутину, но не заменяет суждение, не определяет качество, не решает, какие компромиссы приемлемы, и не всегда ловит момент, когда результат технически верен, но неправилен по сути
- Вывод автора: чтобы стабильно делать хорошее ПО с ИИ, всё равно нужно самому понимать разработку и учиться на практике, а не полагаться на удачу
Почему это важно
Материал бьёт по расхожему ожиданию, что ИИ-инструменты сами по себе гарантируют хороший результат в разработке. Автор показывает: низкий порог входа (получить что-то работающее) и стабильно высокое качество, разные задачи, и вторая ИИ пока не решает без человеческого суждения.
Кому это важно
Тем, кто сейчас строит продукты с помощью ИИ-агентов, кодинг-ассистентов и обвязок вокруг моделей, разработчикам, техническим руководителям и командам, которые рассчитывают заменить понимание кода подпиской на очередной инструмент.
Как это применить
Автор советует не полагаться на то, что дорогой инструмент или сервис сам решит проблему качества: нужно переводить задуманное в явные требования, ограничения, примеры и тесты для модели, самому проверять результат и продолжать учиться устройству разработки, а не только промптингу.
Можно ли доверять
Это личное мнение автора в формате эссе на собственном блоге, без ссылок на данные, исследования, конкретные компании или продукты, материал стоит читать как рассуждение и метафору, а не как отчёт с фактурой или статистикой.
Риски и подводные камни
Автор предупреждает: результат, который выглядит технически правильным, может быть неверным по сути, а модель подаёт такой результат уверенно, «как уголь под видом стейка». Отдельный риск, экономия на качестве ради снижения издержек, которую большинство пользователей не заметит, но внимательный, заметит.
«Чтобы делать хорошее программное обеспечение с ИИ, всё равно нужно понимать разработку.»
— автор эссе