Почему такие разные отзывы на возможности ИИ?

Заметил, что разные люди высказывают полярные мнения о возможности использования ИИ в своей работе. Например, фронтендеры говорят, что нельзя добиться pixel-perfect верстки, бэкендеры жалуются на большое количество галлюцинаций и т.д. С другой стороны, есть люди, которые говорят, что смогли переложить на ИИ до 80% задач и радуются результатам. Кому верить?

Я попробовал использовать DeepSeek, QWEN3 Coder, GLM 4.6 на своих пет-проектах:

🔴 система донатов — это довольно старый проект, построенный как сильно зацепленный монолит с небольшой кодовой базой

🔴 платформа саморазвития, построенная по принципам монорепозитория и сервисного подхода

🔴 плагин для NVim, построенный по классической монолитной архитектуре.

Ожидаемо, что наилучшие результаты я получил на небольших по размеру кодовых базах. Например, разработку плагина действительно можно делать, используя только LLM, внося небольшие корректировки.

Система донатов уже не так хорошо подходит для разработки через ИИ. Хоть и небольшая по размеру, но из-за сильного зацепления даже небольшие изменения ломают систему в непредсказуемых местах.

Хуже всего дело обстоит с монорепозиторием. ИИ быстро раздувает контекст, изучая куски кода, которые по идее вообще не нужны для решения задачи. Если ограничить неймспейс только одним сервисом, то результаты становятся заметно лучше.

У меня есть предположение, что наилучшая архитектура для разработки через ИИ — микросервисная, с ограничением работы LLM по границе микросервиса (мультирепозиторный подход).

Основная проблема — эффективная работа при увеличении контекстного окна. Наилучшие результаты у меня получаются, когда контекст используется на 50-60% от максимума.

Мои наблюдения частично объясняют, почему у многих возникают проблемы с использованием LLM на рабочих проектах. Общая проблема — плохо структурированные, раздутые кодовые базы, сделанные в стиле "big ball of mud". Хорошая архитектура, наоборот, помогает использовать искусственный интеллект гораздо эффективнее.

Ожидаемый вектор развития моделей — расширение контекста и лучшая фокусировка на задаче при больших контекстных окнах. Этого сейчас очень не хватает.

В целом если у вас хороший модульный монолит или микросервисный подход, возможности по внедрению ИИ сильно увеличиваются.

⬛️⬜️⚫️⚪️ Брифинг

#бриф

Соер.Клуб активно развивается и пополняется материалами, мы прошли всю теория по курсу сервисной архитектуры и перешли к практической части. Далее короткий список материалов, с которыми можно ознакомиться на платформе:


👑 Материалы по подписке

Лекции по архитектуре


- Лекция. Введение в сервисную архитектуру
- Лекция. Сбор требований
- Лекция. Анализ требований и документирование при проектировании архитектуры
- Лекция. Архитектурный ландшафт сервисной архитектуры
- Лекция. DDD стратегические шаблоны
- Лекция. DDD тактические шаблоны

Воркшопы

- Воркшоп. Сбор требований
- Воркшоп. Анализ требований и документирование при проектировании архитектуры
- Воркшоп. Архитектурный ландшафт сервисной архитектуры
- Воркшоп. DDD стратегические шаблоны
- Воркшоп. DDD тактические шаблоны


Предыдущие брифинги:
- Материалы по монлитам (часть 1)
- Материалы по монолитам (часть 2)

Планы на 2026 год

Стратегия без тактики — это просто мечта, тактика без стратегии — это суета.

Я люблю разделять мух от котлет и понимать, какие задачи решаю в тот или иной момент своей жизни. В этом посте хочу поделиться планами и мыслями на развитие сообщества в этом году.

Мы с вами наблюдаем интересную картину — рынок труда остывает, меняется структура найма, нас активно «подпирает» ИИ, а конкретных советов, как адаптироваться к изменениям, почти нет. Вместо этого есть надежда, что найм починят и всё станет как раньше. В сломанный найм я слабо верю, скорее всего, наоборот, придётся самому активно адаптироваться к изменениям.

В этой ситуации нужно в первую очередь принять тот факт, что как раньше никогда не будет, и чем быстрее осознать неизбежность, тем раньше можно начать поиск решения.

Моя стратегия на ближайшие годы не меняется: карьерный рост и прокачка профессиональных навыков, которые имеют наименьшее влияние со стороны ИИ.

👑 Под «профессиональными навыками» понимаю следующее:

🔴 Прокачка аналитического мышления, развитие навыков в области управления процессами разработки и архитектуры ПО

🔴 Техническая экспертиза по внедрению ИИ в процесс разработки (создание агентских систем, промпт-инжениринг, технические вопросы, связанные с LLM и т.д.)

🔴 Профессиональная репутация и нетворкинг (личный бренд)

🔴 Развитие сообщества (публичный бренд)

👑 С тактической точки зрения планирую в этом году:

🔴 В рамках «лаборатории ИИ» сделать несколько созвонов с участниками сообщества и наладить регулярную публикацию материалов по теме ИИ.

🔴 В рамках «Проектория» сделать два курса: микросервисная архитектура (март-июнь) и архитектура агентских систем (август-декабрь). Вместе с курсами по сервисам и монолитам получится законченная база.

🔴 В рамках развития сообщества выпустить несколько публичных роликов. Пока темы точно не определены, но, скорее всего, буду говорить про облака, ИИ, архитектуру. Это нужно для продвижения сообщества.

🔴 Выпустить на платформе несколько гайдов, чек-листов, воркшопов по развитию через прокачку хардов. Это в основном поможет новичкам отслеживать прогресс по своим целям и задачам.

Основной фокус на «антихрупкость». Главная цель — помочь участникам сформировать навыки, которые соответствуют текущим реалиям рынка.

❗️❗️
Обращение ко всем, кто использует идеи карьерного роста через развитие технической экспертизы и разделяет другие идеи нашего сообщества, очень нужна ваша обратная связь.

Прошу ответить на вопросы ниже, эта важная статистика для всех участников и поможет лучше понять реальную картину.