Фрилансер из российского сегмента Telegram-разработки описал ситуацию, которая всё чаще воспроизводится на рынке: заказчик, не способный самостоятельно проверить техническое решение, делегирует эту оценку языковой модели — и получает уверенный ответ на основе неполного контекста. Результат предсказуем: специалист с полугодовой историей успешной работы оказывается за бортом.

Проект начинался стандартно. Бот-ассистент для селлеров Wildberries включал анализ заказов, возвратов и складских остатков, автоответы на отзывы, RAG-систему с векторной базой данных, парсинг конкурентов и генерацию контента для карточек товаров. Отдельно была сделана виртуальная примерочная — наложение одежды с маркетплейса на загруженное фото пользователя. За три месяца плотной работы заказчики заплатили около 350 тысяч рублей, платили стабильно. Затем у них возникли проблемы с налоговой, счета заблокировали, и после получения репозиториев они исчезли.

Через несколько месяцев в их Telegram-канале появились публикации о самостоятельной разработке через Claude Code и Codex. За три месяца команда без технического бэкграунда создала семь ботов и три сайта. Когда стабильно запустить это не получилось, они вернулись к фрилансеру. Договорились на 60 часов в месяц за 120 тысяч рублей.

За три месяца самостоятельной разработки они создали семь ботов и три сайта — без git, Docker, версионирования и единой архитектуры.

То, что разработчик увидел в репозиториях, он описывает коротко: «там было страшно». Каждый проект начинался с нового чата с моделью — без единого контекста, без общей архитектуры. Заказчики не знали, что такое git, но слышали про GitHub. Код заливался на серверы вручную через SCP и SSH, каждый бот представлял собой монолит: база данных, логика бота, нейрофункционал — всё в одном файле. При этом на боевые серверы был установлен автономный ИИ-агент Clawdbot, через который команда заходила внутрь сервера прямо из Telegram и иногда вела разработку. Все серверы были доступны под root по паролю.

Эта комбинация — отсутствие версионирования, изоляции и понимания системы при одновременном использовании автономных агентов на продакшене — и есть центральный тезис материала. Языковые модели дали заказчикам ощущение, что инженерный слой можно пропустить: зачем разбираться в Docker и git, если можно сразу запускать агентов?

Разработчик приступил к приведению инфраструктуры в порядок: перевёл ботов на сервисную архитектуру с Docker, разделил бэкенд, воркеры и базу данных по контейнерам, настроил деплой через GitHub. Разрозненные интеграции с Anthropic, OpenAI и другими провайдерами заменил единым OpenRouter — дешевле и проще в обслуживании. Зоны ответственности были зафиксированы письменно в чате: архитектура и боты — разработчик, ручное тестирование — ассистент заказчика, общее видение и веб-сервисы — сам заказчик.

Именно здесь и произошло то, ради чего написана статья. Заказчики, не имея возможности самостоятельно оценить качество архитектурных решений, обратились к Claude с вопросом о работе разработчика. Модель, получив неполный контекст — без истории проекта, без понимания того, что было до, без доступа к реальному состоянию кода, — дала уверенный ответ. Заказчики восприняли его как экспертную оценку и удалили специалиста из рабочего чата, не доплатив.

Автор называет этот механизм «делегированием мышления» — в отличие от делегирования выполнения задачи. Когда человек просит модель написать код или составить текст, он сохраняет за собой оценку результата. Когда он просит модель оценить чужую работу, не имея собственной экспертизы для проверки вывода, — оценка становится некритически принятой истиной. Проблема не в том, что модель ошиблась или солгала: она ответила на поставленный вопрос доступного ей контекста. Проблема в том, что человек без технической базы не может отличить уверенный ответ на неполных данных от обоснованного экспертного суждения.

На российском рынке фриланса этот паттерн проявляется в нескольких формах: заказчики требуют снизить цену, апеллируя к тому, что «Claude сделает быстрее»; уходят в самостоятельную разработку, упираются в потолок и возвращаются; или, как в этом случае, используют модель для оценки нанятого специалиста. Во всех трёх сценариях общее — отсутствие инструмента для независимой верификации вывода модели.