Інженер: головна навичка в роботі з LLM — експертиза у своїй галузі

У публікації від 24 липня 2026 року програмний інженер і блогер Шон Ґедеке доводить, що найважливіша навичка в роботі з великими мовними моделями — не прийоми промитингу, а експертиза в тій галузі, для якої ви ставите запит.

Чому здається, що навички не потрібні

Ґедеке згадує 2010-ті: якщо у вас була технічна прогалина — скажімо, ви не вміли писати CSS — доводилося покладатися на досвідченого колегу або сподіватися, що точна відповідь уже десь є в інтернеті. Сьогодні, пише він, будь-хто може отримати «більш-менш пристойний» CSS, делегувавши завдання LLM. Моделі «роблять усіх універсалами», і саме тому багато хто доходить висновку, що жодної навички тут немає: усі спілкуються з тими самими моделями, тож «умілі промитери» нібито мають ті самі результати, що й новачки.

Розмова Тао як приклад

Контрприклад автора — розмова математика Теренса Тао з ChatGPT про нещодавно знайдений контрприклад до гіпотези Якобіана. Він зауважує, що повідомлення Тао короткі та по суті, що відповіді моделі значно лаконічніші, ніж у його власних спробах (сигнал експертизи переводить модель у режим «розмови з математиками»), що Тао заперечує проти підозрілих відповідей без прямого спростування («це виглядає складніше, ніж я сподівався») і майже ніколи не йде за порадою моделі щодо наступного кроку.

Ці звички, наголошує Ґедеке, не можна просто скопіювати: справжня перевага Тао — розуміння математики: витягнути потрібну ідею з багатоабзацної відповіді, запропонувати альтернативні формулювання, помітити, що «виглядає дивно», і поставити конкретні запитання на кшталт «чи працює тут X?» або «якщо маємо Y і Z, чому A?».

Експертиза як вузьке місце

Автор описує той самий ефект і у власній роботі: добра уявна модель кодової бази дає інженерові змогу набагато жорсткіше керувати моделлю — «а чи не можна простіше?», «хіба в нас уже немає X?». Без знання предметної галузі з LLM теж можна щось отримати, але з ним із тієї самої моделі можна вичавити значно більше користі.

Його висновок: людська експертиза залишатиметься потрібною й надалі, а для багатьох завдань «вузьким місцем є людина, а не модель», бо найскладніше — точно донести, якого саме рішення хочеться. У доповненні до посту автор зазначає, що текст зібрав багато коментарів на Hacker News, зокрема від скептиків, яким цей аргумент здається занадто втішним; тим, хто каже, що математичні відкриття OpenAI не потребували експертизи, він відповідає: команда математиків-експертів перевіряла та фільтрувала запропоновані моделлю результати, і цей крок, на його думку, сьогодні оминути неможливо.