Критики LLM правы. Я всё равно ими пользуюсь

Джереми Теохарис написал эту статью после конференции Local-First Conf в Берлине (июль 2026 года), где заметил знакомый ему самому диссонанс: залы инженеров с открытым Claude Code аплодируют докладчикам, критикующим LLM. Сам он согласен почти со всеми аргументами противников LLM и всё равно активно их использует - его расходы на токены за июнь 2026 года составили $9 838 (Opus 4.8 - $5 042, Fable 5 - $4 179, Sonnet 4.6 - $452). Статья - попытка описать такое примирение позиций, а не устранить противоречие.

Уступки критикам

Теохарис сразу признаёт правоту критиков и не возвращается к спорам: защищённые авторским правом обучающие данные, нагрузка на экологию, схема взаимного финансирования NVIDIA и OpenAI, пузырь, который неизбежно лопнет. Подробнее он останавливается на последствиях для инженерной культуры:

Шлак разрушает доверие, на котором держался Open Source. Раньше на подготовку нормального PR уходило время живого человека, что отсеивало троллей и служило сигналом: автор потратил часы работы. Этот сигнал исчез - мейнтейнер больше не может отличить тщательно собранный PR (где Claude использовался только для текста описания) от самостоятельной работы бота OpenClaw. Это тот же коллапс, о котором пишут i-dont-want-your-prs и agent-principal-agent-problem. Его гипотетический вариант решения: разрешить присылать патчи только небольшому кругу подтверждённых людей с проверкой на личных встречах. Запреты вроде тех, что ввели Zig и Gentoo (simonw-zig-anti-ai, llm-enshittification), он считает неработающими, поскольку различить происхождение кода со стопроцентной надёжностью невозможно.
Цепочка подготовки джуниоров ломается с двух сторон. (а) Сеньор при ревью кода джуниора больше не понимает, был ли этот код написан за 10 минут вайб-кодингом или автор действительно часами над ним думал. (б) Исчезает мотивация обучать - рутинные задачи, на которых джуниоры раньше росли, теперь отдают LLM, так что нанимать новичков нет смысла. Это аргумент об утрате института ученичества, о котором говорится в programming-still-sucks.
Риск геополитической блокировки вполне реален. Он приводит в пример случай, когда Anthropic была вынуждена отключить Fable 5 и Mythos 5 для всех клиентов в июне 2026 года в рамках директивы США по экспортному контролю, приостановившей доступ для иностранных граждан. Цитирует Мартина Клеппмана: вероятность конфликта между Европой и США всё ещё крайне мала, "но в прошлом году она была нулевой".
Незаметный дрейф мнений. LLM незаметно навязывают доминирующую точку зрения из своих обучающих данных (или убеждения разработчиков модели). Как и в разговоре двух людей, позиции со временем сближаются - вот только один из собеседников не человек.

Почему он всё равно ими пользуется

Его главный тезис: LLM усиливают то, что у вас уже есть, но не дают того, чего у вас нет. "Если у вас есть мысли, они формулируются точнее и быстрее. Если мыслей нет, то ничего и не появится, просто очень гладким языком". Модели хороши для мозгового штурма, грамматики, поиска альтернатив, метода утёнка, игры в адвоката дьявола - и для генерации огромных объёмов правдоподобного контента, который никто не стал бы читать вслух. Для него ценность заключается в том, чтобы делать меньше вещей с более высоким качеством (он ссылается на формулировку Нолана Лоусона "использовать ИИ, чтобы писать более качественный код медленнее"), тратя невероятное количество токенов ради подготовки нескольких предложений для человека. Это противоположность паттерну отказа из llm-as-average-democratizer - осознанное использование усиления вместо согласия на дешёвую посредственность.

Об открытых моделях (open-weights): они удерживают крупных поставщиков от завышения цен после окончания субсидий, не могут быть отключены государством в один день и переживут схлопывание пузыря. Программисты всегда могут опереться на них. Это аргумент в духе titit-local-ai / lucumr-local-models, к которому он приходит с точки зрения устойчивости.

Тест на доверие

Опорная идея текста. Усиленный бред звучит как откровение гения, поэтому со стороны невозможно отличить фразу "я использую ИИ, чтобы лучше думать" от Теохариса от абсолютно тех же слов из уст ИИ-технобро. Остаётся только доверие, которое тяжело заработать и легко потерять: одно длинное тире может обесценить весь текст. Его личный критерий того, что текст стал шлаком: готовы ли вы встать перед аудиторией и без стыда зачитать его слово в слово? Если ваш ответ "ну, я бы пояснил, что имелось в виду", - это шлак. Это принцип credibility-as-slop-test.

Практики работы

Вторая половина статьи посвящена рабочему процессу - конкретным приёмам борьбы с излишней угодливостью LLM:

/grill-me (адаптировано у Мэтта Покока - см. pocock-software-fundamentals): короткий навык (skill), который заставляет LLM безжалостно опрашивать вас, строго по одному вопросу за раз, разбирая дерево решений ветка за веткой. Модель сама ищет факты, но каждое решение оставляет за вами и не переходит к действиям, пока вы не подтвердите единое понимание. Это заставляет формулировать собственные мысли. Теперь он использует этот подход для всего, включая написание этой статьи предложение за предложением.
Дисциплина формата "Pitch" из Basecamp. Для любого изменения в коде он пишет ровно три предложения: Проблема / Что мы выпускаем / Чего мы выпускать не будем. Ограничение работает именно потому, что создавалось для людей: три предложения достаточно коротки, чтобы он сам их прочитал, а значит, прочитает и другой человек. Аналогия с код-ревью: к PR на 1 000 строк пишут "LGTM", к PR на 100 строк оставляют 15 комментариев. Большую часть вывода LLM он просматривает по диагонали, но трёхстрочное описание проблемы проверяет максимально въедливо.
Субагенты-оппоненты (цикл Ральфа Виггама / ultracode в Claude): зафиксировать LLM на плане, а затем запускать субагентов с чистым контекстом, чья единственная задача - разносить план в пух и прах, пока они не дойдут до выдумывания несуществующих проблем. Когда они начинают галлюцинировать проблемы, эта слабость превращается в сигнал: модель стремится согласиться с тем, что проблемы есть, но реальных найти не может. Должен ли оппонент работать на другой модели - вопрос, который разбирается в cross-model-code-review.
Зондирование интуиции (от Ансельма Айкхоффа): дать "слепой" LLM нагаллюцинировать ожидаемый API/UX до того, как она увидит реальную реализацию. То, о чём она догадается, скорее всего совпадёт с ожиданиями большинства людей, так что это дешёвый способ проверить, соответствует ли дизайн интуитивным ожиданиям. Он оформил это в виде отдельного навыка.

Необходимое условие

Каждый из этих приёмов опирается на одно условие: автор должен быть способен оценить качество результата. Чем больше он использует LLM, тем чаще оказывается в незнакомых для себя областях, и тогда ему нужны эксперты, потому что "я могу программировать только то, в чём разбираюсь". Делегирование задач LLM работает так же, как делегирование коллеге: только для тех задач, где вы понимаете основы и знаете, как выглядит хороший результат.

Он разделяет обучение по признаку того, насколько однозначно проверяется корректность. Там, где есть строгая проверка - компилируется ли код, зелёные ли тесты, декодируется ли протокол, - можно натравить LLM на задачу и учиться вместе с ней (его пример: реверс-инжиниринг бинарников с помощью Opus 4.6, где хватало базовых знаний, потому что пропатченный бинарник либо работал, либо превращал устройство в кирпич). В сферах, завязанных на мнения, вроде программирования, LLM просто выдаёт самый популярный подход, который в вашем случае может оказаться неверным, - там нужны живые люди, способные задать правильные ориентиры. Он вспоминает спор внутри команды по поводу "шлака от ИИ", который на поверку оказался разногласием насчёт TDD, а вовсе не насчёт ИИ: LLM лишь усиливают имеющееся, поэтому спор о выводе LLM на самом деле был спором человеческих мнений.

Место в общей картине

Это именно тот пример примирения позиций, которого не хватало на карте anti-llm-discourse - автор принимает аргументы критиков и при этом не встаёт в позу полного отрицания (как Мозер в i-am-an-ai-hater) и не уходит от них через карьерные манёвры (как Верна в elena-verna-job-2027), а пытается описать дисциплинированный компромисс. Ближайшие соседи: simonw-vibe-coding-agentic (Уиллисон признаёт, что граница между вайб-кодингом и разработкой в его практике стёрлась) и ai-assisted-workflow (дисциплина планирования перед написанием кода). Опорный шаг, удерживающий его от перехода в лагерь технобро, - тот же, к которому с другой стороны приходит cult-of-vibe-coding: вы обязаны уметь оценивать результат, иначе вы просто запустили фабрику шлака.

Интересное из обсуждения

В ветке на Lobsters обратили внимание на слепую зону публикации:

Сгенерированный текст написан плохо, а статья исходит из обратного. Главный комментарий (Corbin): автор перечисляет авторские права, этику, шлак и экономику как претензии критиков, но "совершенно упускает из виду, что результат работы трансформерных чат-ботов - это скверный текст". Статья выглядит связной, только если считать чат-боты хорошими писателями; принимать это за почти полное согласие с критиками - "фатальное непонимание соседней культуры". В одном из ответов подмечено: автор буквально пишет "позвольте мне разобрать самые крупные претензии одну за другой" и затем не разбирает ни одну из них.
Усиление - это не расширение возможностей (augmentation). "То, что вы можете кричать громче, не означает, что ваши слова стоят того, чтобы о них кричать". LLM воспроизводят паттерны, которые люди считывают как качественные; нет никакой гарантии, что качество реально, есть лишь видимость - различие между "казаться" и "быть".
Трудоёмкость как фильтр. Самый резкий контраст к тезису "если у вас есть мысли, они выходят точнее и быстрее": сопротивление материала заставляет решать, какие идеи действительно стоят проработки, принятия и защиты. Система, превращающая любую мимолётную мысль в многостраничное эссе, убирает этот барьер и порождает "когнитивную диарею" - при этом аргументы на выходе получаются одинаково пресными, буквально тот же самый текст, что достаётся всем остальным. Предложенный тест: есть ли у вас любимые блоги, написанные ИИ, новые посты в которых вы ждёте с нетерпением? Список наверняка окажется коротким.