Почему чат-боты разочаровывают и как агенты меняют подход к работе

06.02.2026 · 5 мин

Помните март 2024 года? GPT-4 Vision только что вышел, и я вставил скриншот интерфейса — через 12 секунд получил production-ready код, на который раньше уходило 45 минут Stack Overflow. Точно такое же эйфорическое чувство. И точно такое же разочарование через неделю, когда я пытался заставить его работать с реальным проектом, а не с игрушечным примером.

Митчелл Хашимото — основатель HashiCorp, создатель Terraform и Vault — недавно опубликовал свою дорожную карту принятия AI-инструментов. Это не типичный хайповый текст про то, как нейросети заменят программистов. Это честный рассказ о шести месяцах проб и ошибок, который заканчивается прагматичным выводом: AI полезен только если вы готовы перестроить свой рабочий процесс радикально, а не поверхностно.

Почему чат-боты разочаровывают

Первая интуиция всех разработчиков — использовать AI как улучшенный поисковик или собеседника. Вы пишете запрос, копируете код, вставляете, он не работает, вы снова объясняете ошибку — бесконечный цикл «исправь-перепишь». Митчелл называет это надеждой на «правильные результаты на основе предварительного обучения». Проблема в том, что LLM (Large Language Model — большая языковая модель, типа GPT или Claude) в чат-режиме не понимает контекст вашего проекта. Она не видит ваши файлы, не запускает тесты, не проверяет, работает ли код на самом деле.

Выход — перейти от чат-бота к агенту. Агент — это LLM, помещённая в петлю с возможностью действовать: читать файлы, выполнять команды в терминале, делать HTTP-запросы. Это разница между собеседником по телефону и коллегой, который может встать, подойти к вашему компьютеру и сам нажать кнопки.

Чат-бот                    Агент
─────────                  ─────
Пользователь ──▶ Запрос    Пользователь ──▶ Задача
     ▲                              │
     │                              ▼
Ответ ◀── LLM                 ┌─────────┐
(только текст)                │  LLM    │
                              └────┬────┘
                                   │
              ◀────────────────────┘
         Чтение файлов, запуск тестов,
         исправление ошибок в цикле
Чат-бот отвечает текстом. Агент действует в среде проекта.

Метод двойной работы

Когда Митчелл начал использовать Claude Code — инструмент-агент от Anthropic — он был разочарован. Код требовал постоянной доработки, процесс занимал больше времени, чем ручная работа. Вместо того чтобы бросить, он применил метод, который я нахожу гениальным в своей простоте: делать каждую задачу дважды.

Сначала он решал проблему руками. Потом, не показывая агенту своё решение, пытался заставить его достичь того же результата. Это было мучительно медленно, но дало нечто важное — понимание границ. Он самостоятельно открыл то, о чём пишут в руководствах: разбивай задачи на маленькие чёткие шаги. Не пытайся «нарисовать сову» одним запросом. Давай агенту способ проверить свою работу.

Главное открытие этого этапа — понимание negative space (буквально «негативное пространство» из дизайна, здесь — зоны, где AI не должен лезть). Часть эффективности приходит не от того, что вы делаете с AI, а от понимания, когда AI не нужен. Пытаться заставить агента решить задачу, в которой он заведомо провалится — это 30 минут ожидания против 5 минут ручного фикса.

Ссылки