LLM как демократизатор среднего уровня

Взгляд на влияние LLM, который обходит стороной и хайп ("LLM выполняют экспертную работу"), и отмахивание ("LLM производят мусор"). Суть тезиса: главный эффект LLM в том, что стоимость производства результатов среднего уровня падает почти до нуля - текстов сносного качества, кода, который компилируется и в целом работает, SQL-запросов, возвращающих нужные колонки, рисунков, похожих на рисунки. Они не поднимают потолок - они поднимают пол.

Механизм

Раньше работа среднего качества требовала реального времени и навыков. Большинство людей без этого выдавали результаты ниже среднего или не делали ничего вовсе. LLM позволяют сразу получать средний уровень. Форма нормального распределения результатов остаётся прежней, но левый хвост подтягивается к середине.

У этого есть два прямых следствия:

• Стоимость среднего результата стремится к нулю. Чтобы написать среднее описание продукта, средний SQL-запрос или средний питч-дек, специалист больше не нужен.
• Ценность среднего результата стремится к нулю. Когда любой может дёшево сделать нечто среднее, средний уровень перестаёт быть конкурентным преимуществом. Рынок переключает внимание на всё, что выше среднего, либо на фильтры, отсеивающие этот поток.

Эссе о rawquery average-is-all-you-need приветствует первое следствие. peril-of-laziness-lost и ai-great-leap-forward указывают на второе.

Где это работает

Области, где результат в основном определяется "описательной текстовой семантикой": маркетинговые тексты, внутренние служебные записки, шаблонные юридические документы, перевод, написание руководств, стандартные аналитические запросы, CRUD-код. Во всех этих случаях посредственный, но корректный результат - частый и приемлемый финал, а важнее всего разница между "ничего" и "хоть чем-то полезным".

Наглядный пример - аналитика данных. Нетехнический специалист хорошо интуитивно понимает свои данные, но не владеет SQL или построением графиков. LLM в связке со слоем коннекторов (см. rawquery) закрывает этот разрыв без команды аналитиков.

Где это не работает

Ряд задач не укладывается в эту схему:

• Высокая цена ошибки. Средний SQL-запрос к продакшену, средний юридический документ, средняя медицинская выписка - неверные ответы обходятся дорого. Здесь применима критика из cult-of-vibe-coding: пропуск этапа аудита и проверки как раз и порождает сбои.
• Работа, где решает вкус. Дизайн, художественная литература, архитектура, стратегия. Средний результат здесь - враг, потому что он неотличим от такого же среднего результата у всех остальных. По теме: working-on-products-people-hate.
• Сущностная сложность. В no-silver-bullet доказывается, что основная сложность ПО лежит в спецификации, а не в реализации. LLM снижают привнесённую сложность (набор текста, шаблонный код, поиск синтаксиса), но не снижают сущностную сложность (решение о том, что именно создавать). См. no-silver-bullet-llms.
• Распределённая координация. Многоагентные системы усиливают, а не сглаживают разброс в результатах среднего качества. См. log-distributed-llms.

Эффект второго порядка

Когда средний результат достаётся даром, дефицитным ресурсом становится внимание. Распределение контента становится более плоским, а распределение доверия, проверенного происхождения и кураторства - более резким и неравномерным. Личные wiki, отобранные вручную ленты и списки ценятся выше именно из-за переизбытка контента. Это часть аргументации в пользу llm-wiki-pattern и организации базы знаний в духе filesystem-is-graph-database: если модель дёшево генерирует средний текст, то долговечным артефактом остаётся структурированный граф, собранный человеком, к которому модель сможет обращаться позже.

Связанные страницы

• ai-assisted-workflow - рабочий процесс, где LLM используется для типовых задач среднего уровня, а экспертная оценка человека остаётся в точках принятия решений
• vamp-ai-frontend - явное выделение машиночитаемого интерфейса, позволяющее LLM генерировать frontend-код среднего качества, который при этом нормально стыкуется
• clean-code-coding-agents - сохранение поддерживаемости среднего кода от LLM за счёт уменьшения объёма входных данных для разбора
• pl-education-in-the-age-of-ai - Кришнамурти превращает этот тезис в правило для авторов: текст на уровне статистического среднего можно было бы заменить его промптом, поэтому стоит оставлять только то, что модель сама упустит