В конце июня 2026 года технический журналист Тимоти Б. Ли сформулировал то, что многие чувствовали, но не могли точно выразить. Его цитату подхватил Саймон Уиллисон — один из создателей Django, автор Datasette и LLM CLI, известный своим детальным и практическим взглядом на AI-инструменты. Повод: всё то же утверждение, что LLM не требуют обучения — достаточно просто написать запрос, и модель разберётся.
Контекст
Спор о том, является ли промпт-инжиниринг настоящим навыком, идёт параллельно с распространением LLM в корпоративной среде. Одна сторона: достаточно набрать вопрос — модель разберётся. Другая: эффективная работа с языковыми моделями требует понимания их ограничений, умения декомпозировать задачи, выстраивать контекст, верифицировать выходные данные. Разрыв между этими позициями — не теоретический, а вполне ощутимый в результатах.
Уиллисон публично документирует свой опыт работы с Claude, GPT-4o, локальными моделями. Пишет об инструментах, которые использует в реальных проектах. Ли пишет о технологиях для крупных американских изданий, включая Ars Technica, понимая как техническую, так и социальную сторону внедрения AI. Обе позиции — не хайп и не страх, а практическое наблюдение.
Аналогия с менеджментом точная и жёсткая. Новый менеджер часто думает: «Я ставлю задачу — команда делает». Через несколько месяцев он понимает, что это совсем не так. Нужно уметь делегировать, объяснять контекст, декомпозировать работу до уровня, который команда может исполнить, проверять результаты, давать обратную связь. С LLM — то же самое, только петля обратной связи быстрее, а «сотрудник» всегда на связи.
Аналитика
Почему тезис «нет кривой обучения» такой живучий? Потому что удобен. Компания может купить корпоративный план ChatGPT или Claude, разослать логины и отчитаться о «внедрении AI». Реальный навык — умение видеть, когда модель галлюцинирует, как задать задачу так, чтобы получить воспроизводимый результат, как встроить AI в рабочий процесс системно, а не просто «поспрашивать» — этому нужно учить отдельно. Это не происходит само.
Разрыв между casual-пользователем и профессиональным оператором LLM огромен. Casual-пользователь задаёт вопрос и принимает первый ответ. Профессиональный оператор: формулирует системный промпт с ролью и контекстом, использует chain-of-thought для сложных задач, дробит задачу на несколько вызовов там, где нужно, понимает ограничения контекстного окна, верифицирует конкретные факты по внешним источникам.
Это не «магические формулировки» промпт-инжиниринга — это базовая AI-грамотность. По всем признакам, она становится такой же обязательной компетенцией, как умение работать с Excel в 2000-х. Только скорость другая: компании и специалисты, которые не освоят этот навык в ближайшие месяцы, обнаружат себя на несколько шагов позади тех, кто освоил.
Кейсы применения в бизнесе
B2B-SaaS стартап (5–30 человек). Команда внедрила Claude или GPT для генерации документации и ответов клиентам, но результаты нестабильны. Решение: выделить одного внутреннего «AI-оператора», который выстраивает системные промпты под конкретные задачи, создаёт шаблоны для команды и документирует, что работает. Остальные используют готовые инструменты, а не сырую модель. Стабильность выходных данных растёт — потому что навык концентрируется, а не размазывается по всей команде.
Корпорация с legacy (500+ сотрудников). IT-отдел развернул корпоративный AI-план, но adoption низкий — люди не понимают, зачем и как. Решение: серия внутренних воркшопов по конкретным рабочим сценариям. Юридический отдел учится работать с договорами, финансовый — готовить сводки, HR — писать JD. Каждый воркшоп заканчивается готовым шаблоном промпта под задачу конкретного отдела. Adoption растёт, когда люди видят применение в своей конкретной работе, а не «AI в целом».
SMB и локальный бизнес в КР и СНГ. Небольшая компания хочет использовать AI, но бюджет ограничен. Решение: начать с одной повторяющейся задачи — коммерческие предложения, ответы клиентам в Telegram, подготовка контента. Потратить несколько часов на «обучение» модели стилю компании через системный промпт и примеры. Даже один сотрудник с освоенным LLM закрывает задачи, которые раньше занимали часы.
Кейсы в личной жизни
Разработчик. Использует Claude Code для написания кода, но часто получает нерабочие решения. Причина — нет контекста проекта, нет описания стека, запросы слишком общие. Добавь в начало диалога описание архитектуры, стека и ключевых ограничений. Качество выходных данных вырастет заметно. Умение объяснять контекст — это и есть AI-грамотность для разработчика.
Контент-мейкер. Пишет скрипты с помощью GPT, но звучат как все остальные GPT-скрипты. Причина — в промптах нет голоса, нет примеров, нет указания «чего не делать». Добавь три примера своих лучших текстов и список запрещённых клише. Выход сразу становится ближе к твоему реальному стилю. Требует работы — но это навык, который можно освоить.
Студент и фрилансер. Использует LLM для учёбы или проектной работы и принимает все ответы без проверки. Самый рискованный паттерн. Базовая практика: попросить модель указать, в чём она не уверена, и всегда проверять конкретные факты, цифры, даты по внешним источникам. Это не «не доверяй AI» — это то, как с ним правильно работать.
Как применить сегодня
- Выбери одну повторяющуюся задачу и потрать 30 минут на написание системного промпта: роль, контекст, формат ответа, пример, что нельзя делать.
- Добавь в запросы явный запрос на неуверенность: «Если не знаешь — скажи прямо» или «Выдели части, где ты можешь ошибиться».
- Декомпозируй сложную задачу на несколько последовательных вызовов вместо одного длинного запроса — качество почти всегда выше.
- Зафиксируй промпты, которые работают, в отдельный документ или систему — это твоя личная библиотека AI-навыков.
- Следи за тем, как практики вроде Саймона Уиллисона публично документируют реальный опыт с LLM — это один из лучших доступных способов учиться на живых кейсах.
«Это всё равно что говорить, что у менеджмента нет кривой обучения — ведь сотрудники просто делают всё, что ты им говоришь» — Тимоти Б. Ли о заблуждении, что LLM не требуют навыка.