Большие языковые модели дают преимущества уже почти во всех сферах, но для эффективности нужно правильно совмещать личную ответственность и делегирование части задач ИИ.
Почему симбиоз — единственная траектория развития жизни, в которой появился искусственный интеллект, рассказали руководитель образовательного направления Битрикс24 Михаил Беляев и руководитель Института прикладного искусственного интеллекта и цифровых решений в РЭУ им. Г.В. Плеханова, член‑корреспондент РАН Александр Храмов.
Вайб-кодинг уже применяют во многих рабочих областях
Вайб-кодинг (от англ. vibe — настроение, атмосфера) — это когда вы описываете задачу обычными словами, а нейросеть пишет код. Не надо учить синтаксис — достаточно объяснить, что нужно сделать. Даже если вы не разработчик.
Специалисты разных направлений уже давно не воспринимают большие языковые модели LLM как абстрактную новую технологию. Отказ от современных методов работы часто означает потерю времени и качества в задачах, которые необязательно решать вручную. Поэтому вайб-кодинг стал повседневным рабочим инструментом везде, где можно создать и с пользой применить дополнительное программное обеспечение.
Специальных дискуссий вокруг вопроса допустимости вайб-кодинга в большинстве случаев нет. В какой-то момент программирование с LLM входит в работу естественным образом, и сейчас люди работают в паре с искусственным интеллектом во многих задачах. Например, для научных работ и выступлений иногда нужно точно повторить чужие решения, в том числе в области компьютерных наук. Это означает взять статью другого исследователя, разобраться в методе и воспроизвести его у себя: запустить код, повторить эксперимент на своих данных, убедиться, что всё действительно работает так, как заявлено в статье. Условия должны полностью совпадать, иначе сравнение может быть нечестным. Одна команда могла тестировать модель на более удобных данных, другая — на более сложных, поэтому прямое сравнение результатов ничего не доказывает.
Другой пример профессионального применения нейросетей — в бизнесе. На примере стандартной задачи это выглядит так: нужно из десятка Excel‑файлов собрать сводную таблицу с итогами по продажам. Раньше пришлось бы искать формулы, настраивать функции или просить помощи у знакомого аналитика. Теперь специалист может попросить ИИ-агента сделать приложение, которое может обработать файл и достать оттуда данные. Например, взять информацию из CRM, проанализировать и прислать оценку работы менеджеров за прошедшую неделю по заданным критериям в чат руководителям или самим менеджерам.
Вайб-кодинг меняет саму механику взаимодействия между специалистом и технологией: человек формулирует задачу на привычном языке, а ИИ переводит её в технические действия. Поэтому эффект нейросетей шире, чем автоматизация отдельных операций.
Нейросети становятся посредниками между людьми по всему миру
ИИ начинает работать как фильтр между специалистами в разных сферах деятельности. В итоге вайб-кодинг и искусственный интеллект в целом создают универсальный язык, который упрощает общение.
ИИ-агенты могут подключиться к почте, мессенджерам и другой инфраструктуре и вести коммуникацию за пользователя: отвечать в чатах, писать письма, назначать встречи. Они учитывают важные детали переписки и при необходимости задают уточняющие вопросы. Так бизнес-коммуникация становится более гладкой.
Нейросети помогают учёным оформлять статьи: переводят на английский, исправляют ошибки, выравнивают структуру. Читатель меньше спотыкается о кривые формулировки и быстрее понимает суть. Обратная сторона в том, что ИИ склонен приводить тексты к некоторому среднему стандарту. Индивидуальные обороты, нестандартная логика, авторская интонация — всё, что выбивается из шаблона, может быть сглаженным или полностью отброшенным. Поэтому индивидуальность автора не просто смещается, а вынуждена бороться за место. Она проявляется уже не в стиле фраз, а в более глубоких вещах: выборе темы, постановке проблемы, оригинальности аргументации. Но требует осознанных усилий, чтобы ИИ не сделал текст правильным, но пресным.
Возникает дилемма простоты против экспертности. Аспиранту ИИ помогает подтянуть статью до уровня строгого академического журнала — выправить форму и скрыть неопытность. Но для опытного учёного нейросеть часто делает обратное: она срезает авторские интонации, вырезает неожиданные ходы и подводит стиль под безликий стандарт. В итоге текст теряет индивидуальность, ради которой читатель идёт за мнением признанного специалиста. Это парадокс: ИИ уравнивает в качестве формы, но обедняет содержание там, где оно было богаче шаблона.
Так же с вайб-кодингом: он ослабляет границы между специалистами разных уровней и профилей. Человеку больше не обязательно сразу владеть всей технической базой, чтобы сделать первый шаг в новой области: LLM может создать нужное программное обеспечение, даже если у пользователя нет нужных технических знаний. При желании нейросеть объяснит устройство кода или других использованных технологий. Благодаря этому пользователи с гуманитарным образованием и начинающие исследователи быстрее погружаются в технические темы и меньше зависят от помощи инженеров.
Здесь парадокс в том, что именно эксперт способен выжать из ИИ максимум: он поставит задачу точнее, заметит скрытые ошибки модели, поправит код под свой контекст. Итог один — код эксперта будет изящнее и эффективнее, чем написанный ИИ.
Поэтому удобство использования нейросетей не означает, что человеку совсем не нужна подготовка и экспертиза. ИИ стоит рассматривать как старательного и очень умелого помощника, но его работу нужно планировать и проверять.
Контроль результатов вайб-кодинга
ИИ не снимает ответственности за использование результатов, но некоторые вещи не предназначены для критически важного применения: например, создание простого приложения для личного использования.
Подход, который сейчас пытаются применять к ИИ в целом — рискоориентированность. Это означает тщательно проверять и сертифицировать только то, что используется в рискованных областях, то есть медицине, безопасности, авиации. Всё, что может повлиять на жизнь и здоровье, действительно нужно тестировать максимально тщательно, и для этого нужна глубокая профессиональная экспертиза.
Когда вы не уверены, можно ли делегировать ИИ какую-либо задачу, воспользуйтесь простым принципом: представьте, что ответ нейросети оказался неверным. Если последствия ошибки можно исправить за 5-10 минут, работу можно доверить машине. А если есть риск реальных потерь денег, времени, здоровья или нарушения закона, то проверка обязательна. ИИ не знает внутреннего контекста задачи: специфики договора, негласных правил в компании или последних изменений в законодательстве. Поэтому нейросети можно делегировать составление черновиков расчётов или писем, но финальные версии обязательно нуждаются в проверке.
Нужный уровень экспертности и критического отношения
Вайб-кодинг снижает порог входа, но не отменяет вопроса о базовой подготовке: чтобы получить надежный результат работы программы, человеку всё равно нужно понимать, что именно он просит у модели и как можно проверить ответ ИИ.
Основные прикладные навыки действительно сильно повышают точность работы с инструментами, и получить эти навыки сегодня стало проще. Сама LLM уже может быть хорошим учителем по программированию, и в сочетании с желанием разобраться и небольшой помощью эксперта такое обучение даёт очень хороший быстрый результат.
Одновременно нужно понимать, зачем именно нужны эти фундаментальные знания, в какой области и на каком уровне. Например, при программировании могут пригодиться советы из одного из основных трудов о компьютерных науках «Искусство программирования» Дональда Кнута. Хотя этот труд до сих пор актуален и может считаться фундаментальной базой, действительно востребован он только в ограниченном числе задач современного разработчика.
Профессиональное отношение означает не только глубину экспертизы, но и отношение к ответам модели. Начинающий специалист может отнестись к результатам ИИ как к истине в последней инстанции. Эксперт работает иначе. Для него LLM — не источник точных ответов, а инструмент, как калькулятор или поисковая система: он даёт результат, но только если правильно поставлена задача и введены исходные данные. Даже сами промпты эксперта и джуниора будут различаться на техническом уровне.
Человек и LLM: новая реальность
Симбиоз человека и LLM уже стал сегодняшней реальностью. Вайб-кодинг используют не потому, что кто‑то разрешил, а потому что он действительно помогает: экономит часы, сокращает рутину и даёт возможность пробовать новое.
При этом профессионализм никуда не исчез, но сместился. Раньше специалист мог гордиться тем, что писал каждую строчку кода самостоятельно. Теперь работа эксперта выглядит иначе: правильно поставленная задача, поиск слабых мест в ответе модели и знание, когда без ручной проверки обойтись нельзя. Это не потеря навыков, а их эволюция — как переход от калькулятора к компьютеру тоже когда‑то был шагом вперёд, а не назад.
Поэтому главный вопрос не в том, можно ли использовать вайб-кодинг. Он уже используется. Вопрос в том, как именно использовать: где человек может относиться к нему как к ускорителю, а где обязан оставаться экспертом, который проверяет результат и несёт за него ответственность.
Синтаксис кода сегодня уже необязательно помнить наизусть, потому что LLM подставит нужные вещи за секунду. Но человек должен уметь объяснить модели логику работы: «Сделай эти вещи и в такой последовательности, а не наоборот». И обязанностью человека остаётся отслеживание ошибок и упущений нейросети. Поэтому если раньше человек был исполнителем, то теперь он стал постановщиком задачи и контролёром. Это требует не меньшей квалификации, а иногда даже более высокой.
Отсюда следует главный вывод: чем мощнее становятся ИИ-инструменты, тем важнее человеку сохранять свою экспертность, которая заключается в умении находить оптимальные подходы, задавать правильные вопросы, проверять ответы и принимать окончательное решение.