🔥 Вайбкодинг: когда ИИ уверенно ведёт тебя… не туда

Сегодня из практики, немного про будни вайбкодинга и про то, почему роль человека в разработке никуда не делась, а местами стала даже критичнее.

Собирал я тут одного «интеллектуального помощника», который должен был в зависимости от задачи ходить в разные API и дергать модели от OpenAI, Anthropic и Google. Идея простая и вроде бы красивая: делать A/B-тесты, сравнивать ответы моделей и выбирать оптимальную под конкретный сценарий.

Ключи вставил, токены прописал, всё как обычно. Запускаю — и почти сразу начинаются ошибки. Сначала прилетает 500, потом стабильно начинает сыпаться 404 с сообщением, что модель не найдена. Я, как честный вайбкодер, даю ИИ возможность «самому разобраться», ведь он же только что всё это сгенерировал и вроде как «понимает, что делает».

Но проходит одна попытка, вторая, пятая, десятая — и ничего не меняется. Ошибки те же, решения всё более странные, а уверенность в ответах — всё такая же высокая.

В какой-то момент я останавливаюсь и решаю вернуться к базовой инженерной логике. Мы делаем простой отладочный скрипт, который напрямую дергает каждую модель и показывает, доступна она или нет. Результат оказывается предсказуемым, но от этого не менее показательным — все модели возвращают 404.

Тогда убираем все обёртки и идём напрямую в API. И снова получаем те же самые ошибки. На этом этапе становится очевидно, что проблема не в сети, не в токенах и не в библиотеке.

Открываю документацию — и вот тут всё встаёт на свои места.

Оказывается, что ИИ аккуратно и уверенно подставил неправильные имена моделей. Причём у всех трёх провайдеров. Где-то это были устаревшие названия, где-то слегка искажённые, а где-то просто «похожие на правду» варианты, которые он сам и сгенерировал.

После того как я вручную прошёлся по документации, проверил актуальные названия и подставил их в код, всё «внезапно» заработало с первого раза.

⸻

🧠 И вот здесь главный вывод, который важно проговорить

ИИ сегодня действительно сильно ускоряет разработку. Он помогает писать код, снижает порог входа, позволяет быстрее собирать прототипы и проверять гипотезы. Но при этом он не гарантирует корректность и, что самое опасное, делает ошибки с высокой степенью уверенности.

Особенно это проявляется в интеграционных задачах, где есть реальные API, версии, ограничения и требования к точности до символа.

⸻

⚡ Вывод

👉 вайбкодинг — это не замена инженерного мышления, а его усилитель
👉 если ты не проверяешь, ты не ускоряешься — ты просто быстрее приходишь к неправильному результату

И, наверное, самая простая формулировка всей этой истории:

👉 на ИИ надейся, но и сам не плошай

⸻

А у тебя были кейсы, когда ИИ уверенно вел тебя в тупик?
Где чаще всего ловишь его на ошибках? 👇