Среднего вполне достаточно

Короткое эссе с презентацией продукта от команды rawquery. В нём утверждается, что LLM сделали посредственный результат дешёвым во всех творческих сферах, в разработке софта и во всём, что строится на "описательной текстовой семантике" - работе с интеллектуальной собственностью, переводах, маркетинговых текстах, фильмах Marvel. Раньше на средний уровень требовались реальное время и силы, поэтому большинство довольствовалось результатом ниже среднего. Теперь средний уровень - это базовый минимум, и те, кому не всё равно, могут отталкиваться от него и двигаться дальше. Формулировка автора: "Я не умею рисовать. Теперь я по-прежнему не умею рисовать, но делаю это лучше".

Обобщённая концепция описана в llm-as-average-democratizer.

Данные как канонический пример

Презентация начинается с тезиса об аналитике: у пользователей отличная интуиция относительно собственных данных, но мало навыков для их извлечения. Написание SQL-запросов, синхронизация источников, построение графиков - это задачи среднего уровня сложности, с которыми LLM справляются средне, и этого более чем достаточно. Слоган звучит так: "Она закрывает средний уровень. Вы занимаетесь мышлением".

Это более резкая версия того же аргумента, что лежит в основе ai-assisted-workflow и vamp-ai-frontend: объединить LLM с явными, удобными для машин инструментами и быстрее проскочить рутинную обвязку.

Моделирование атрибуции - это пустая возня

Самое резкое утверждение эссе касается конкретного ритуала. Моделирование атрибуции - выбор между распределением весов по последнему клику, первому клику, линейной модели или модели с учётом давности - автор называет "пустой вознёй", церемонией для оправдания маркетинговых решений перед руководством. Большинство команд опускают руки, берут вариант по умолчанию и собирают по нему дашборд.

Альтернатива: описать нужный join простыми словами на английском, получить таблицу и принять решение.

Пошаговый сценарий

В публикации приведён сценарий со связкой Stripe + HubSpot:

Подключение источников. Дать команду Claude Code подключить Stripe и HubSpot к rawquery. Через две минуты появляются десять таблиц в двух схемах (в Stripe - customers/charges/invoices/subscriptions/products/prices, в HubSpot - contacts/deals/email_events/campaigns).
Вопрос. "Повлияла ли кампания 'spring-sale-2026' на результат?" Агент пишет SQL и возвращает таблицу: у когорты из рассылки средний чек на 46% выше (89.41 против 61.27) при меньшем числе клиентов.
Уточнение. "Разбей по неделям. Хочу посмотреть, не сошёл ли эффект на нет". Агент возвращает данные по неделям: прирост на 50% на первой неделе с затуханием до +15% к четвёртой.
Публикация. "Сохрани график и дай ссылку для руководителя". Агент публикует график по публичному URL без необходимости авторизации.

SQL средний. Соединения таблиц средние. График средний. Пять минут, один запрос на английском, ни одного дата-инженера и никаких совещаний по моделям атрибуции.

Что здесь действительно ново

Не сам анализ - такую разбивку мог бы подготовить любой человек с неделей опыта в SQL. Новым стало то, что пользователю не потребовалась эта неделя изучения SQL и не понадобился тот, у кого этот опыт есть. Финальная фраза эссе: "Честно говоря, средний уровень - это чистая магия; попробуйте доказать обратное".

Нюансы, о которых в статье умалчивается

Это маркетинговая публикация, поэтому тон в ней оптимистичный. В ней сглажен ряд противоречий:

Аргумент "среднего уровня достаточно" разваливается там, где важна корректность. Написанный LLM на среднем уровне SQL при работе с продакшен-данными может тихо выдать неверные join'ы; автор исходит из того, что человек "убедился в адекватности результата", а это как раз тот навык, которого у целевого пользователя якобы нет. О том, почему важна дисциплина аудита, см. cult-of-vibe-coding.
Церемонии вокруг атрибуции порой возникают не на пустом месте. Регламентированная отчётность, расходы на рекламу и схемы мотивации на базе мультиканальной атрибуции требуют методологий, которые можно обосновать и защитить. Справедливо или нет, ярлык "пустой возни" это отметает.
Масштабирование посредственного результата создаёт условия для peril-of-laziness-lost. Когда посредственный результат ничего не стоит, его становится в разы больше, а дефицитным ресурсом становится всё то, что фильтрует этот поток.

Инструментарий

Сам продукт описан в rawquery - это платформа данных с CLI для работы через LLM-агентов, с коннекторами к источникам, выполнением SQL, построением графиков и ссылками для публичного доступа.