Два типа разработчиков с ИИ: «просто работает» vs «а почём это работает»

Замечаю интересное разделение среди разработчиков, которые используют LLM в работе. И дело не в том, кто пишет промты лучше — а в том, насколько глубоко человек хочет понимать, что происходит под капотом.

Первый тип — прагматики. Открыл чат, закинул задачу, получил результат. Работает? Работает. Всё, следующая задача. Никаких вопросов про контекстное окно, токены, количество подключённых MCP-серверов. И знаете что? В этом нет ничего плохого. Большинство из нас именно так пользуется кучей инструментов каждый день — не разбирая, как именно работает компилятор или сборщик мусора.

Второй тип — копатели. Эти ребята лезут глубже: как устроено контекстное окно? Сколько токенов сжирает каждый подключённый инструмент? Как это влияет на качество ответа модели? Они ставят плагины для подсчёта токенов, экспериментируют с размером контекста и осознанно выбирают, что подключать, а что нет.

Правильно ли они делают, что раскапывают всю эту информацию? Честно — не знаю. Возможно, через полгода половина этих знаний устареет. Модели станут умнее, контекстные окна — больше, а оптимизации уйдут под капот. Но есть один аргумент, который заставляет меня думать, что копатели окажутся в выигрыше.

Деньги.

Давайте посчитаем. Подписка на Claude — 20 баксов в месяц. Звучит как цена за пару чашек кофе. Но если вы поставите плагин, который считает токены, и пересчитаете свой объём использования по тарифам API, — вы, скорее всего, будете шокированы. Ваши 20 долларов на самом деле — это сотни долларов в API-эквиваленте. Подписки сейчас сильно субсидированы, и мы привыкли к этому, как к дешёвому бензину: пока цена низкая, никто не думает про расход.

Но что будет, когда субсидии закончатся? Или когда подписки подорожают?

А теперь представьте другой сценарий — и он уже реален для многих компаний. У вас развёрнуто собственное on-premise решение. Свои серверы, свои модели, свой бюджет. И внезапно качество работы всей системы напрямую зависит от того, как именно ей пользуются люди. Один разработчик осознанно формирует запрос, подключает только нужные инструменты и получает точный результат с первой попытки. Другой — закидывает всё подряд, подключает десяток MCP-серверов «на всякий случай», получает мусор, доуточняет, переспрашивает. Нагрузка на сервера растёт, качество падает, а косты улетают в космос.

И вот тут мы подходим к интересному. В компаниях этот навык уже начинает цениться. Когда считают экономическую выгоду от автономного агента, ключевой вопрос не «можно ли это сделать с помощью ИИ?», а «а точно ли стоит?». Потому что иногда обычная автоматизация — скрипт, пайплайн, кусок логики без единого вызова модели — закрывает задачу дешевле, быстрее и надёжнее.

Мне кажется, именно это станет одним из ключевых различий между уровнями специалистов в ближайшем будущем. Мидл просто использует ИИ. Сеньор может посчитать, во сколько это обходится команде — и принять решение, стоит ли вообще здесь применять модель. Не говоря уже про техлидов и тимлидов, для которых это становится частью стратегического планирования.

Знать свой инструмент — значит понимать не только что он умеет, но и сколько он стоит. А умение вовремя сказать «тут ИИ не нужен» может оказаться ценнее, чем умение написать идеальный промт.