# Промпт вместо кода: Гвидо Аппенцеллер и Йоко Ли о будущем ИТ-индустрии

Источник: https://www.youtube.com/watch?v=6Z5hlKIDV44
Канал: a16z (Andreessen Horowitz)
Опубликовано: 16.05.2025

---

Развитие генеративного искусственного интеллекта коренным образом меняет индустрию создания программного обеспечения, превращая традиционное написание кода в проектирование высокоуровневых спецификаций. В новом подкасте на канале «Андрессен Горовиц» (Andreessen Horowitz) эксперты венчурного фонда a16z Гвидо Аппенцеллер и Йоко Ли вместе с ведущим обсуждают текущее состояние рынка ИИ-ассистентов, феномен «вайб-кодинга» и грядущую трансформацию ИТ-образования. Анализируя переход от простых чат-ботов к автономным агентам и сетевым протоколам вроде MCP, участники дискуссии пытаются заглянуть в будущее, где языком программирования становится контролируемая человеческая речь.

## 💻 Рынок ИИ-разработки: Вторая крупнейшая ниша после чат-ботов
[[JUMP:0:00]]

Индустрия ИИ-инструментов для написания кода демонстрирует стремительный рост и, по оценкам участников дискуссии, прочно заняла позицию второго по величине рынка в сфере искусственного интеллекта. На первом месте остаются потребительские чат-боты, которые представляют собой агрегацию множества различных вариантов использования. Гвидо Аппенцеллер отмечает, что если рассматривать исключительно однородные, специализированные рынки, то программирование вполне может претендовать на лидерство, опережая даже популярный сегмент ИИ-компаньонов. При этом классификация таких платформ, как ChatGPT, остается размытой: ведущий подчеркивает, что значительная часть их трафика сегодня приходится именно на общение и поиск поддержки, что заставляет шутить о вечном соперничестве человеческих потребностей — создании нового и поиске любви.

Уникальность рынка ИИ-кодинга заключается в том, что он лег на уже сформировавшуюся привычку разработчиков. Раньше при возникновении сложных проблем программисты массово шли на Stack Overflow. Появление ИИ-моделей стало эволюционным развитием этого паттерна поведения, предложив гораздо более удобную и эффективную форму получения помощи. Старая шутка о том, что большая часть мирового кода просто копируется со Stack Overflow, плавно переносится на нейросети. Фундаментальную роль в этом переходе сыграл сервис GitHub Copilot, приучивший индустрию к автодополнению, однако сегодня, по мнению спикеров, такие компании, как Cursor, справляются с этой задачей значительно лучше, создавая превосходный продукт для существующей аудитории.

Популярность ИИ среди разработчиков Гвидо Аппенцеллер объясняет несколькими факторами:

* Программисты всегда являются ранними последователями (early adopters) новых технологий из-за естественной склонности к экспериментам.
* Они стремятся автоматизировать рутину из-за профессиональной «лени», приветствуя любые инструменты повышения продуктивности.
* Разработчики в первую очередь решают собственные повседневные проблемы, создавая инфраструктуру под себя.
* Задачи программирования легко верифицируются через понятные механики ввода и вывода, в отличие от субъективных пользовательских предпочтений в других сферах.

Йоко Ли добавляет, что к кодингу можно свести даже генерацию векторной графики или траекторий кистей в Adobe Photoshop, поскольку код позволяет эффективно моделировать реальный мир в машиночитаемом формате. В глобальном масштабе это колоссальный рынок: в мире насчитывается около 30 миллионов разработчиков. Если принять среднюю ценность, создаваемую одним специалистом, за $100 000 в год, то общий объем рынка достигает $3 трлн. Крупные финансовые институты оценивают прирост продуктивности от стандартного внедрения Copilot в 15%, но Гвидо Аппенцеллер убежден, что этот показатель можно удвоить. Удвоение продуктивности высвободит ценность, эквивалентную капитализации Apple, что делает прошлогодние споры о переинвестировании $200 млрд в ИИ бессмысленными — эти затраты кажутся каплей в море на фоне потенциальной окупаемости в $3 трлн.

## 🔄 Эволюция рабочего процесса: От копипасты к проектированию спецификаций
[[JUMP:6:38]]

Методология использования ИИ в программировании радикально изменилась всего за последние 6–9 месяцев. На раннем этапе разработчики использовали стандартный подход: отправляли промпт в условный ChatGPT, получали монолитный кусок кода, копировали его в редактор и проверяли работоспособность. Это было прямым аналогом Stack Overflow. Затем наступила эра глубокой интеграции в среды разработки (IDE) — сначала через GitHub Copilot, а затем через Cursor. Инструменты эволюционировали от строчного автодополнения к контекстным вопросам по абзацам кода и выделенным интерфейсам для долгих архитектурных дискуссий. Современные IDE получили доступ к командной строке, что позволяет им самостоятельно разворачивать проекты, например, настраивать окружение Python с помощью утилиты UV.

Сегодня рабочий процесс Гвидо Аппенцеллера при создании нового ПО строится на проектировании высокоуровневых спецификаций:

1. Разработчик формулирует абстрактное описание идеи и верхнеуровневые требования.
2. Модель (например, Claude 3.5/3.7 или Gemini) выступает в роли спарринг-партнера, задавая уточняющие вопросы.
3. В ходе диалога проясняются архитектурные нюансы: необходимость API-ключей, способы управления состоянием, выбор между базой данных и хранением в файлах.
4. Модель формирует детальную техническую спецификацию, и только после ее утверждения начинается генерация кода.

Важной частью этого процесса становится передача контекста. Гвидо Аппенцеллер заранее загружает в ИИ свои стандарты кодирования для Python, правила комментирования, требования к объектно-ориентированной структуре классов и типизации.

Йоко Ли описывает другой вектор развития — интеграцию агентов с внешним миром и корпоративными таск-трекерами. Современный разработчик может просто закинуть идею или задачу из системы Linear в Cursor, и агент Cursor начнет её реализацию. Вместо ручного копирования документации ИИ-агенты теперь используют инструменты вроде Firecrawl для самостоятельного поиска актуальных веб-страниц, например, последней документации сервиса Clerk. Это избавляет от проблемы устаревания знаний (knowledge cut-off), из-за которой базовые модели часто считают, что на дворе все еще 2023 год.

Ведущий делится более импульсивным сценарием: когда в субботу вечером появляется свободный час, он сразу погружается в Cursor для реализации случайной идеи приложения. По его наблюдениям, ИИ незаменим в рутинных и сложных задачах фронтенда. Запоминание бесконечных CSS-классов для отступов и полей в современных фреймворках практически невозможно для человека, и нейросети идеально справляются с этим. В шутливой дискуссии участники сходятся во мнении, что классическая проблема центрирования элемента `div`, имеющая пять разных решений, до сих пор остается идеальным бенчмарком для проверки ИИ.

## 🧩 Проблема контекста и роль протокола MCP
[[JUMP:12:57]]

Несмотря на видимые успехи, взаимодействие ИИ-агентов имеет свои скрытые барьеры. Йоко Ли приводит пример, когда специализированный инструмент сгенерировал интерфейс и передал React-компонент агенту Cursor. Однако Cursor проанализировал код, похвалил его, но выдал собственную версию, проигнорировав полученные данные. Подобный отказ от кооперации подчеркивает важность стандартизации передачи контекста. Ключевым решением этой проблемы Йоко Ли считает открытый протокол MCP (Model Context Protocol). Суть MCP заключается не просто в технической реализации вызова функций (tool calling), а в предоставлении модели максимально релевантного контекста из внешних источников, будь то GitHub или Linear.

Существенным ограничением современных сред разработки Йоко Ли называет лимит на количество одновременно поддерживаемых инструментов — обычно это порядка 40–50 штук. Это сужает возможности кодинг-агентов. Гвидо Аппенцеллер выводит закономерность: чем более эзотерической или новой является задача, тем больше контекста и спецификаций API человек должен предоставить модели вручную. Студенческие задачи по созданию простых интернет-магазинов ИИ решает великолепно, так как видел их в обучающей выборке миллионы раз. Но на редких библиотеках нейросети начинают уверенно галлюцинировать. Они придумывают несуществующие функции, а при попытке указать на ошибку вежливо извиняются и генерируют новые галлюцинации. По мнению участников, современные модели фундаментально не умеют признавать, что они чего-то не знают.

По мнению Йоко Ли, изменить ситуацию в процессе обучения может использование обучения с подкреплением (RL, Reinforcement Learning). Теоретически, если предоставить модели симуляции всех возможных сред и распределенных систем, она научится эффективно отлаживать код. Однако Гвидо Аппенцеллер скептичен: если инженер создает решение для проблемы первым на планете (например, пишет драйвер для чипа с принципиально новой архитектурой), у модели будет нулевой объем обучающих данных. ИИ пока не демонстрирует глубокой креативности и плохо осуществляет перенос знаний в абсолютно новые домены. К счастью для индустрии, такие задачи составляют лишь 0,01% от всей мировой разработки.

## 🎨 «Вайб-кодинг» и будущее ИТ-образования
[[JUMP:17:32]]

Появление мощных ИИ-инструментов породило феномен «вайб-кодинга» (vibe coding), когда люди без технического бэкграунда могут создавать работающие программы. Ведущий сравнивает этот процесс с разрушением касты «компьютерных жрецов», стоявших между обычными людьми и процессором. Новые инструменты позволяют напрямую управлять компьютерами, минуя жесткие рамки готового софта. Однако возникает вопрос масштабирования: может ли «вайб-кодер» построить цифровой «небоскреб», или его предел — это простые «хижины» в виде сайтов-одностраничников? Ведущий сохраняет оптимизм, полагая, что приток людей с принципиально иным взглядом на мир создаст совершенно новые типы приложений и подходы к вычислениям.

Йоко Ли проводит аналогию между текущим бумом «вайб-кодинга» и эпохой расцвета блогосферы в 2000-х годах, когда появление WordPress позволило каждому запустить свой сайт. Сегодня пользователи создают персональный софт — от статического контента до кастомных CRM-систем для управления личными связями. Программная глубина таких решений невелика, но они обладают высокой персональной полезностью. В то же время Йоко Ли ссылается на мнение партнера a16z Мартина Касадо, который призывал не бросать изучение программирования: для работы на определенном уровне abstraction необходимо понимать уровень, находящийся прямо под ним.

В контексте будущего образования Гвидо Аппенцеллер проводит историческую параллель с развитием вычислений:

* Переход от ручного сложения чисел к таблицам Excel не уничтожил профессию счетоводов, а трансформировал их в бухгалтеров и финансовых аналитиков.
* Рутинный ввод данных стал не нужен, но значимость понимания высокоуровневых абстрактных концепций и финансовой архитектуры выросла.
* В программировании точное описание постановки задачи, знание алгоритмических основ, понимание архитектуры и потоков данных станут критически важными.
* Низкоуровневая оптимизация циклов превратится в узкоспециализированную нишевую дисциплину.

Традиционное университетское образование заставляет студентов изучать ассемблер, устройство процессоров, логические вентили и старые языки вроде Lisp. По мнению ведущего, ИИ пока не является полноценным новым интерфейсом программирования или фреймворком — это лишь надстройка над существующими инструментами. Настоящая революция произойдет тогда, когда ИИ изменит сам способ программирования железа напрямую через человеческую речь. Тем не менее, Гвидо Аппенцеллер уверен, что формальные языки программирования не исчезнут, так как они представляют собой максимально емкий, точный и высокоскоростной способ фиксации человеческого намерения, тогда как естественный язык слишком избыточен и неточен.

## 🏛️ Наследие старого кода и проблемы миграции систем
[[JUMP:31:12]]

Одной из перспективных ниш для ИИ кажется перенос старого кода на современные рельсы. Мировой банковский сектор десятилетиями безуспешно пытается отказаться от языка Cobol. Однако, по мнению ведущего, ИИ способен лишь помочь в этом процессе, но не решить проблему полностью. Трудность заключается в потере контекста. Нейросеть может транспилировать Cobol в Java, но за десятилетия эксплуатации логика систем обросла наслоениями: то, что задумывалось как система бронирования авиабилетов, превратилось в гибрид кадрового учета и заказа кофе. Авторы этого кода давно покинули компании или ушли из жизни, не оставив документации.

Гвидо Аппенцеллер делится опытом общения с крупными предприятиями, которые используют ИИ для миграции с мейнфреймов, написанных на Cobol и PL/1. Прямой перевод кода приводит к тому, что новое приложение наследует все идиосинкразии и ограничения старого языка, игнорируя современные конструкции Java. Организации нашли более эффективный двухэтапный алгоритм:

1. Сначала ИИ используется для реверс-инжиниринга — он анализирует старый код и пытается восстановить исходную техническую спецификацию.
2. На основе полученной спецификации система заново пишет чистый, компактный и современный код.

Йоко Ли добавляет, что переписывать софт, созданный за последние 10 лет (например, переводить приложения с Angular на React), значительно проще, так как оба фреймворка хорошо известны моделям. Ситуация резко усложняется, если логика распределена между множеством старых систем или жестко завязана на специфику оборудования — например, на конкретные конфигурации памяти в Docker-контейнерах или аппаратные ограничения серверов. Без создания полных цифровых снимков среды исполнения (runtime snapshots) автоматическая миграция таких complexes остается невозможной.

## 🌪️ Хаос и недетерминированность в ИИ-архитектурах
[[JUMP:35:09]]

Внедрение ИИ в качестве базового компонента приложений выводит разработчиков на новый уровень неопределенности. Ведущий проводит историческую аналогию: в эпоху локальных машин выполнение программы было предсказуемым, затем появление компьютерных сетей принесло новые труднопрогнозируемые факторы, но их удалось упорядочить. ИИ же привносит истинную недетерминированность. Гвидо Аппенцеллер отмечает, что в сетевых системах индустрия выработала понятные паттерны обработки сбоев — таймауты, повторные попытки (retries), а в распределенных базах данных — атомарность и откаты (rollbacks). Для ИИ-архитектур подобные паттерны еще не сформированы.

С технической точки зрения при нулевой температуре (temperature 0) ИИ-модель детерминирована — один и тот же входной сигнал дает одинаковый результат. Главная проблема, как подчеркивает Гвидо Аппенцеллер, кроется в том, что ИИ является хаотической системой: микроскопическое изменение на входе может вызвать колоссальное и непредсказуемое изменение на выходе. Раньше для защиты текстового поля ввода достаточно было проверить его на наличие кавычек, чтобы избежать SQL-инъекций. Теперь, когда пользователь может ввести любую команду (вплоть до классического хакерского промпта «игнорируй все предыдущие инструкции»), поведение системы становится непредсказуемым.

Это вынуждает крупные корпорации менять подход к оценке надежности софта. Гвидо Аппенцеллер приводит в пример крупный банк, который внедрил ИИ для генерации текстов. Для финансовых институтов действует жесткое регуляторное требование — никогда не давать инвестиционных советов. Сделать так, чтобы ИИ гарантированно никогда не нарушил это правило, технически невозможно. Внешние фильтрующие модели-цензоры тоже периодически пропускают нарушения из-за стремления ИИ «быть полезным». В итоге руководство банка отказалось от идеи создания абсолютно безопасной системы и изменило метрики: софт признается пригодным, если вероятность совершения им ошибки в два раза ниже, чем у профессионального, хорошо обученного сотрудника-человека.

## ⏳ «Узкое горлышко» ИИ и будущее языков промптинга
[[JUMP:38:51]]

Проводя параллели с историей развития интернета и сетевых технологий, Гвидо Аппенцеллер вспоминает концепцию «узкой талии» или «узкого горлышка» (narrow waist) архитектуры IP. В ИТ-индустрии крупные технологические циклы всегда строятся на лаконичных абстракциях, инкапсулирующих внутреннюю сложность. Для баз данных таким решением стал язык SQL. Разработчику не нужно думать о том, как устроены B-деревья на уровне хранения данных, ему достаточно описать запрос. По мнению Гвидо Аппенцеллера, в эпоху современного машинногольного обучения роль такой «узкой талии» занял именно промпт. Он позволил обычным программистам управлять сложнейшими математическими моделями без необходимости нанимать дорогостоящих ученых из Стэнфорда.

Однако промпты пока далеки от стандартизации. Ведущий отмечает, что человечество учится новому языку взаимодействия, причем у каждой модели существуют свои уникальные «диалекты», создающие проблемы перевода. На рынке постепенно появляются структурированные промпты. Элементарным проявлением этого Йоко Ли называет повсеместное внедрение режима JSON mode в современных API. Разработчики могут жестко ограничить вывод модели, задав строгую систему типов (например, приказать вернуть список из трех фруктов строго в рамках определенных ключей объекта).

В будущем архитектура ИИ-систем может разделиться на два независимых слоя. По прогнозу спикеров, слой рассуждений (reasoning layer) будет отделен от слоя генерации пользовательского интерфейса или машиночитаемого вывода. Для генерации строгого JSON или, наоборот, для длинных чат-диалогов будут использоваться разные специализированные микромодели, надстроенные над единым ядром рассуждений. В финале дискуссии Йоко Ли дает определение «вайб-кодингу» в корпоративной среде: это делегирование ИИ всех технических деталей реализации при сохранении жесткого контроля над высокоуровневыми бизнес-требованиями. Спикеры сходятся во мнении, что в будущем этот подход станет легитимной частью процессов даже в крупных корпорациях.