В Napoleon IT мы рассматриваем ИИ не как внешнюю надстройку, а как единую систему, в которой эффективность определяется не возможностями модели, а тем, как человек проектирует задачи, управляет контекстом и принимает решения на основе полученных результатов.
Мы выделили пять ключевых компетенций применения ИИ, которые определяют профессиональный уровень специалиста в современных ИТ-проектах.
1. Грамотная постановка задачи и работа с контекстом
Для начала можно указать, что у таких инструментов, как ChatGPT, есть возможность настроить персонализацию, где можно:
- выбрать стиль и тон ответов модели
- включить различные расширения (“Поиск в сети”, “Холст” и др.)
- прописать системные инструкции, то есть правила, на которые модель будет ориентироваться каждый раз при формировании ответа. Пример таких инструкций.
Эксперт не просит ИИ «сделать хорошо». Он переводит интуитивный запрос в структурированную задачу, не надеется на интуицию модели, а жестко задает рамки. К примеру:
- цель (что именно нужно получить)
- ограничения (сроки, формат, ограничения, источники)
- аудитория и сценарий использования
- контекст (что уже известно, что нельзя менять)
- критерии приемки результата (DoD / acceptance criteria)
❌ Плохой запрос
Сделай ревью MR для inference-сервиса. Найди баги.
✅ Хороший запрос
Ты — Principal ML Engineer и Senior Backend Reviewer с более 10 годами опыта в разработке production ML-систем. Сделай ревью MR для inference-сервиса.
Контекст:
- Этот MR ускоряет работу сервиса: добавляет новый препроцессинг, кэширование и более подробные логи, плюс меняет логику загрузки модели из S3.
Задача:
1) Найди регрессии/баги.
2) Проверь ML-часть (препроцессинг и совместимость с моделью, postprocessing).
3) Оцени производительность сервиса (что ударит по latency/CPU/RAM).
4) Проверь OPS-часть и безопасность (секреты, S3-доступ, readiness/liveness).
5) Проверь тесты: чего критично не хватает.
Формат:
- Blockers (нельзя мерджить) и Non-blocking.
- Каждый пункт: [тип] + файл:строки + конкретная правка/рекомендация.
- В конце: MERGE / MERGE WITH FIXES / DO NOT MERGE + 2–3 причины.
Правила: не выдумывай; если данных нет в diff — так и напиши.
2. Понимание ограничений и иллюзий компетентности ИИ
ИИ не является всезнающим экспертом, и эффективная работа с ним начинается с понимания его ограничений. Нужно всегда держать в голове следующие ограничения:
- Базово модель не обладает информацией о сегодняшнем мире, так как была обучена на данных прошлого периода. Поэтому без дополнения запроса новой информацией и/или подключением дополнительных инструментов в виде "поиск в сети" модель не сможет ориентироваться в настоящем
- У модели ограниченное контекстное окно — объём информации, с которым она может одновременно работать в рамках одного диалога. Это окно расширяется в более новых моделях, но при сложных задачах его ограничения по-прежнему критичны и требуют осознанного управления контекстом.
- Модель склонна к галлюцинациям и может пытаться угодить пользователю, поэтому может придумывать различные ложные факты, которые будут похожи на реальные. Это следствие того, что она оптимизируется на связность и убедительность ответа, а не на проверку фактов или соответствие реальности
Основная опасность при этом заключается в том, что такие системы выглядят значительно умнее и надёжнее, чем они есть на самом деле. Игнорирование этих особенностей приводит к появлению правдоподобных, но неверных выводов.
Поэтому один из ключевых навыков при работе с ИИ — умение распознавать такую «правдоподобную ерунду». Уверенный тон ответа не равен его корректности. Напротив, он должен становиться поводом проверить логику, запросить обоснования и задать уточняющие вопросы.
На практике это означает проверку выводов через контрпримеры, граничные случаи и альтернативные гипотезы, а также осознанную критику ответов самого ИИ. Модель ускоряет работу, но не заменяет критическое мышление. Ответственность за качество результата по-прежнему остаётся за человеком.
3. Предметная экспертиза и способность выбирать
ИИ действительно снижает порог входа в новые темы: с его помощью можно быстро собрать обзор, сгенерировать гипотезы и посмотреть на задачу с разных сторон. Однако оценивать качество этих гипотез способен только человек, который понимает предметную область.
Человек должен уметь вовремя остановить генерацию и переосмыслить задачу. Ценность специалиста смещается: теперь важно не «создавать с нуля», а оценивать и выбирать. Только эксперт понимает, какая из предложенных гипотез жизнеспособна в конкретном бизнес-контексте, а какая ведет в тупик.
Поэтому предметная экспертиза остаётся критически важной. Например, в Napoleon IT накоплена глубокая экспертиза в ритейле: команда много лет работает с крупнейшими розничными сетями России (Красное&Белое, Лента, Пятерочка, Бристоль, Магнит, РИВ ГОШ и др.). Мы решаем задачи, где необходимо учитывать реальные бизнес-процессы, отраслевые ограничения и экономику решений. В таком контексте ИИ используется не как универсальный советчик, а как инструмент для ускорения анализа и проверки гипотез, качество которых определяется знанием предметной области.
4. Оркестрация процессов и ресурсов
Эффективность специалиста определяется тем, насколько осознанно он выстраивает процесс работы с ИИ и распределяет роли в нём:
- Делегирует рутину: использует ИИ для подготовки черновиков, генерации вариантов кода и анализа массивов данных, сохраняя за человеком принятие решений и ответственность за результат.
- Контролирует объём входной информации, отсекает лишнее на каждом этапе и не допускает перегрузки системы вариантами.
- Фиксирует вводные данные и настройки, чтобы результат был предсказуемым и повторяемым, а не случайным.
Разработка с ИИ постепенно смещается от модели «один помощник» к агентным системам, где над задачей работают специализированные роли: архитектор, разработчик, ревьюер, тестировщик. Задача специалиста — не просто формулировать запросы, а оркестрировать взаимодействие ролей, управляя контекстом, итерациями и критериями качества.
Отдельно хочется упомянуть Vibe-coding — подход к написанию кода, когда разработчик или даже человек без специальных навыков описывает задачу на естественном языке, а ИИ реализует ее с помощью кода для быстрого создания прототипов. Однако без архитектурных ограничений, формализованных требований и встроенного контроля качества он ведёт к росту технического долга, снижению предсказуемости системы и усложнению поддержки. Показательный эксперимент был проведён компанией Anthropic: команда агент-агентов создала компилятор языка C через множество параллельных прогонов и автоматических итераций (проект “Building a C Compiler”). Этот кейс демонстрирует огромный потенциал multi-agent систем — но одновременно подчёркивает их высокую вычислительную стоимость и необходимость жёсткого мониторинга, контроля метрик и архитектурной дисциплины.
В более сложных сценариях оркестрации всё чаще используются инфраструктурные подходы, такие как Model Context Protocol (MCP). Они позволяют выносить контекст, данные и инструменты из «ручного» промптинга в формализованный слой взаимодействия с моделью. Это упрощает подключение внешних источников, повышает воспроизводимость и снижает зависимость от объёма контекстного окна. Однако такие протоколы не снимают ответственности с человека: именно он определяет, какие данные и инструменты доступны модели, где проходят границы автоматизации и какие результаты считаются приемлемыми.
Так, в Napoleon IT мы внедрили практику гибридной разработки, при которой инженер и ИИ-агент работают как единая связка. Наши специалисты используют собственную инфраструктуру агентов на всём цикле CI/CD — от проектирования архитектуры и генерации кода до автоматического ревью, тестирования, анализа уязвимостей и мониторинга релизов. Такой подход позволяет ускорять разработку, сохраняя прозрачность процессов, контроль качества и ответственность за конечный результат.
5. Понимание персональной ответственности
Ответственность за результат всегда остается за человеком. Как бы глубоко ИИ ни был встроен в процесс, он может помогать анализировать, предлагать варианты и формулировки, но не отвечает за то, что в итоге будет принято и использовано.
Именно человек принимает решения, формулирует финальный текст и несёт последствия его применения. В бизнесе, консалтинге, продуктовой разработке и работе с клиентами это особенно критично: ошибка модели превращается в риск только тогда, когда её ответы бездумно принимают как истину.
Что мы делаем в Napoleon IT
В наших проектах мы исходим из того, что ценность создаёт не сам ИИ, а специалист, который умеет работать с ним в контексте предметной области и бизнес-задач клиента. Поэтому мы выстраиваем работу вокруг AI-human-специалистов — экспертов, усиленных ИИ-инфраструктурой, которые используют модели для ускорения анализа, проверки гипотез и снижения рутинной нагрузки, но остаются ответственными за решения и результат.
.png)
