Что вообще решает успех работы с ИИ-агентом для кодинга — умение писать код или понимание того, что ты от него хочешь?

Ответ: понимание задачи важнее понимания кода

Anthropic исследовали ~400 000 сессий Claude Code, ~235 000 человек

Все 400 000 сессий — это Claude Code, то есть буквально написание кода. Только пишут его давно не одни разработчики. Юрист, аналитик, бухгалтер заходят в тот же инструмент, человеческим языком объясняют, что надо, а код за них пишет ИИ.

И вот что вышло: в сессиях с кодом почти каждая профессия добивалась результата почти так же часто, как software-инженеры. Разрыв — в пределах 7 процентных пунктов. Программистский бэкграунд перестал быть пропуском на вход.

Anthropic смотрела не на диплом, а на то, насколько человек шарит в самой задаче. Бухгалтер, который Python в глаза не видел, но точно диктует агенту правила сверки — эксперт. Код напишет ИИ, а проверить его по делу сможет только тот, кто понимает бухгалтерию.

➡️ новичок — проверяемый успех в 15% сессий
➡️ средний уровень и выше — 28–33%

Главный скачок — между новичком и середняком. А вот между середняком и доктором наук разница уже небольшая. Достаточно нормально разбираться в теме.

Чем больше шаришь — тем больше делает агент:
⬥ на промпт новичка — ~5 действий и ~600 слов
⬥ на промпт эксперта — ~12 действий и ~3200 слов

Чем точнее ты задаёшь «что надо» и «что считается готовым» — тем больше «как» агент забирает на себя. И обратка тоже есть: если человек вцепляется в исполнение и тащит больше 80% решений «как делать» сам — агент стеснятся и осторожничает, ~8 действий за ход.

Микроменеджишь — получаешь меньше

В типичной сессии человек держит ~70% решений «что делать», а Claude — ~80% решений «как делать».

Что с этим делать ☹️

Объясняй агенту, что хочешь на выходе и как поймёшь, что готово. А чем и в каком порядке это делать — пусть решает сам. Работает не только в коде — это вообще про любой ИИ-инструмент. Больше получает тот, кто умеет ставить задачу, а не диктовать каждый шаг трясущимися руками.

Агент забирает реализацию. Понимание — нет. Поэтому выигрывает тот, кто разбирается в своём деле — пусть даже в максимально далёком от кода: теперь он может вайб-кодить то, что раньше было технически недоступно. А тому, кто не разбирается, тот же инструмент выдаст заметно меньше.

Что такое RAG и когда он нужен ⚙️

Если вставить в чат один документ — модель прочитает и ответит. Если вставить 20 документов — упрёшься в две стены.

Первая — контекстное окно
У модели есть лимит на объём текста за раз. Двадцать документов могут просто не влезть, а раздутый контекст ещё и тратит больше токенов.

Вторая — качество ответа
Даже когда всё влезло, на большом объёме модель начинает галлюцинировать: хуже находит нужное в середине текста, путает похожее, чаще выдумывает.

RAG решает обе проблемы
Вместо того чтобы передавать модели всю гору документов он находит НУЖНЫЕ КУСКИ И ПОДАЁТ НА ВХОД ТОЛЬКО ИХ!

RAG РАБОТАЕТ В "ПРОЕКТАХ"! Если работаешь с большим объемом информации — работай в проектах, а не в обычном чатике. Грузи инфу в файлы проекта!

Retrieval-Augmented Generation 💡

➡️ Retrieval (поиск) — документы заранее нарезают на куски и складывают в отдельную базу. Когда приходит вопрос, система достаёт подходящие фрагменты. Поиск по смыслу, не по точным словам: на «сколько дней на возврат» найдётся абзац про сроки, даже если слова «дней» там нет

➡️ Augmentation (дополнение) — найденные куски добавляются к запросу. Модель получает не просто промпт, а промпт вместе с актуальным конспектом, по которому нужно отвечать

➡️ Generation (ответ) — модель отвечает, опираясь на переданные фрагменты, а не держит в памяти всю базу разом

Что это даёт 😏

⬥ Ответы привязаны к источнику — можно требовать фрагмент и проверять
⬥ Знания обновляются без переобучения: изменился документ — загрузил новую версию в базу, система уже отвечает по ней
⬥ Не нужен fine-tuning (если уж вы совсем решили упороться) — данные не встраиваются в модель, а подаются на вход

Это основная штука для создания своего агента, бота, сервиса, инструмента и так далее.

RAG — твой друг! Работай в проектах. Обычный чат для простых и коротких задач.

Compute как новый барьер ⚙️

ИИ обсуждают как технологию, которая выравнивает возможности. Но по факту она их перераспределяет в пользу тех, кто контролирует вычислительную инфраструктуру. Отсюда и все разговоры про “цифровой суверенитет” и его необходимость.

Свежий Stanford AI Index (апрель 2026) даёт цифры:

Страны с низким доходом контролируют 0,1% мирового compute. Страны с высоким доходом производят 87% заметных AI-моделей и получают 91% венчурного ИИ-финансирования.

🤩 США располагают 5 427 дата-центрами — больше чем в десять раз больше, чем у любой другой страны. Американские ИИ-инвестиции в 2025 году составили $285,9 млрд;

🤩 Китай на втором месте с $12,4 млрд частных вложений.

🤩 А рынок генеративного ИИ в России в 2025 году не дотягивает и до $1 млрд

Вся производственная цепочка передовых AI-чипов замкнута на одном заводе — TSMC на Тайване. Nvidia занимает больше 60% мировой вычислительной AI-мощности на уровне железа.

⚙️ Что стоит за словом «compute»: речь о специализированных GPU-кластерах — процессорах для параллельных вычислений, без которых современные AI-модели не обучить. Построить такой кластер стоит от десятков миллионов долларов. Арендовать через облако — дорого и для многих стран недоступно в принципе.

США ограничивают экспорт передовых AI-чипов с 2022 года, постепенно ужесточая правила. В январе 2025-го администрация Байдена ввела «AI Diffusion Rule» — систему из трёх уровней-тиров: Tier 1 (США и 18 союзников — почти без ограничений), Tier 2 (большинство стран, лимиты порядка 50 000 ускорителей уровня H100 на страну) и Tier 3 (Китай, Россия и ряд других — полный запрет на H100, H200 и Blackwell).

Это правило отменили в мае 2025-го, а новую версию к середине 2026-го ещё не приняли. Но базовый расклад не изменился: Китай и Россия остаются под жёстким запретом на передовые ускорители Nvidia, а доступ остальных стран регулируется через лицензии в ручном режиме.

Россия — страна с инженерным потенциалом и без легального доступа к инфраструктуре, на которой строится индустрия.

По сути это гонка вооружений, но оружие всему миру продаёт США — в таких условиях проиграть они не могут в принципе.

Открытые модели снижают один барьер, но не другой 🔽

За последние два года кое-что действительно изменилось. DeepSeek, Mistral, Meta LLaMA и другие открытые модели сделали алгоритмы общедоступными: веса можно скачать, развернуть у себя, адаптировать (даже выдать за свою модель).

Но обучение frontier-моделей — крупнейших, задающих уровень возможностей индустрии — по-прежнему требует миллиардных кластеров. DeepSeek привлёк внимание именно потому, что добился близких результатов при меньших затратах — но «меньших» здесь всё равно означает десятки миллионов долларов и доступ к тысячам GPU.

Открытые веса — это общедоступные чертежи, но для них нужно железо. Где его взять?