Разочарование в AI-кодинге или ошибка в подходе: история создания дашборда с Claude

На Hacker News набрал 1038 баллов пост под названием «I’m going back to writing code by hand». Автор описывал свой опыт создания Kubernetes-дашборда с помощью ИИ-ассистента Claude. Проект растянулся на семь месяцев и завершился неудачей. Код превратился в монолит на 1690 строк, что заставило разработчика усомниться в пользе таких инструментов.

Однако у этой истории появилось продолжение. Другой программист, узнав в описании знакомые проблемы, пришел к иному выводу. Он решил, что корень проблемы — не в самом инструменте, а в подходе к его использованию.

Успешная методика строится на системной декомпозиции. Вместо того чтобы просить ИИ написать весь дашборд сразу, проект разбивается на изолированные модули с четкими границами. Каждый такой модуль становится отдельной, хорошо сформулированной задачей для модели, с прописанным контекстом и интерфейсами. Это позволяет разработчику сохранять контроль над общей архитектурой и итеративно улучшать каждый компонент. В такой схеме ИИ выполняет роль инструмента для генерации шаблонного кода и быстрого прототипирования в рамках заданной разработчиком структуры.

Этот пример смещает дискуссию. Вопрос уже не в том, работают ли ИИ-помощники для кодинга, а в том, как их правильно применять. Ожидать, что языковая модель с нуля спроектирует и реализует сложную систему, нереалистично. Модели вроде Claude хорошо справляются с выполнением конкретных, четко поставленных задач в известном им контексте. Но архитектурное мышление, долгосрочное планирование и понимание общей картины проекта остаются прерогативой человека.

Перспективное направление — гибридная модель сотрудничества. Разработчик выступает в роли архитектора, проектировщика и строгого ревьюера. ИИ-ассистент становится исполнителем, который генерирует код согласно полученным спецификациям. Для команд это означает необходимость адаптировать рабочие процессы. Эффективность требует навыков декомпозиции больших задач, умения формулировать точные и детальные промпты, а также настройки строгих процедур проверки сгенерированного кода. Компаниям, внедряющим эти инструменты, имеет смысл вкладываться в обучение сотрудников основам промпт-инжиниринга и методологиям работы с ИИ.

Правильно выстроенный процесс позволяет ускорить рутинные аспекты разработки и снизить когнитивную нагрузку на инженеров, не жертвуя при этом качеством и структурой кодовой базы. Общий тренд ведет к более осмысленному и методичному включению ИИ-ассистентов в стандартный инструментарий разработчика.