Какие ИИ-скиллы будут нужны разработчикам после хайпа и роста мощности LLM?

Какие ИИ-скиллы выходят на первый план

Когда хайп вокруг генеративных моделей утихнет, а LLM станут значительно мощнее, работодатели начнут иначе оценивать навыки разработчиков. Постепенно вопрос «КАК-методики», то есть как именно ИИ решает задачу, будет уходить на второй план, но не исчезнет полностью.

Ручное кодирование выглядит обречённым, однако ИИ всё равно нуждается в руководстве при проектировании архитектуры: это согласование с экспертом ключевых проектных решений и основных контрактов между модулями системы. Вероятно, будут усиливаться методики тюнинга мышления ИИ. Пробелы в понимании того, как он мыслит, будут закрываться, и станет понятнее, как воздействовать на мышление LLM для оптимизации работы в конкретных условиях.

Постановка задач для агентов

Важнее становятся «ЧТО-методики»: постановка задачи агентам и контроль исполнения. Сейчас постановка задач во многом базируется на Spec Driven Development (SDD) в разных формах, но уже понятно, что попытка копировать SDD с человеческих процессов была лишь началом.

Для ИИ будут развиваться нативные формы спецификаций в графовом виде и ортогональные семантические проекции требований. Такие AI-Friendly спецификации на софт человеком читаются плохо, поскольку это уже не обычный markdown.

Кроме того, для постановки задач будет быстро развиваться прототипирование, причём заметно дальше Agile-практик. Для ИИ одно из самых дешёвых действий: собрать какой-то прототип. Будет развиваться создание UI не только по картинкам, но и по сгенерированным видеоанимациям того, как UI работает. Такой опыт уже есть, например, у GLM-5.3.

Контроль исполнения

В части контроля исполнения многие сейчас застряли в Test Driven Development (TDD). Этот подход также страдает от переноса человеческих практик на ИИ, который не человек.

Log Driven Development часто является более важной методикой приёмки результатов от ИИ. Она требует практик создания AI-Friendly логов, а это уже не старые логи. Также будут шире внедряться агенты контроля результатов. Они, как и любой ИИ, эффективны, если им создали качественный контекст.

Итог

Если подвести итог, мы видим мета-скилл инженера: «управление архитектурой контекста». Уже сейчас агенты могут без значительной бюрократии делать много операций самостоятельно, но их эффективность зависит от контекста, которым они пользуются.