Инженер Контура сравнил волшебников и колдунов D&D с эпохой LLM на Habr

Александр Овчинников, старший специалист по тестированию в компании "Контур", опубликовал на Habr эссе "From Wizard to Warlock: магия в D&D как метафора эпохи LLM", в котором использует смену классов персонажей в настольной игре Dungeons & Dragons как способ описать, что происходит с работой людей после появления больших языковых моделей.

При чём тут волшебник и колдун из D&D

В настольной ролевой игре Dungeons & Dragons волшебник (wizard) годами изучает заклинания по книгам и досконально разбирается в механике каждого из них, тогда как колдун (warlock) получает магическую силу от внешнего источника — покровителя — и может пользоваться мощными эффектами, не постигая все детали механизма их работы. Судя по заголовку материала, именно эту разницу между "магией из знания" и "магией из внешнего источника" автор использует как метафору происходящего в эпоху LLM, хотя сам текст эссе за пределами вводной части в источнике не приводится.

• Автор — Александр Овчинников, старший специалист по тестированию в "Контуре"
• Материал опубликован на Habr под заголовком "From Wizard to Warlock: магия в D&D как метафора эпохи LLM"
• По собственным словам, автор уже несколько лет активно использует LLM для личных задач

"Контур" (СКБ Контур) — крупная российская IT-компания из Екатеринбурга, разрабатывающая сервисы для бизнеса: электронную отчётность, электронный документооборот и учётные системы. То, что материал об LLM выходит из практики специалиста по тестированию в компании такого профиля, само по себе показательно: речь не о разработчиках AI-продуктов, а о смежной технической специальности, где большие языковые модели становятся рабочим инструментом наравне с привычным софтом для тестирования и автоматизации.

Почему автор считает демонстрацию LLM другим важнее личного использования

Овчинников пишет, что самым интересным опытом для него стало не использование LLM в собственных проектах, а то, что он начал показывать эти инструменты другим людям. Формулировка подчёркивает разрыв, который часто возникает вокруг новых технологий: одни уже свободно работают с LLM как с рабочим инструментом, а другие ещё не видели, что эти модели умеют на практике, и им нужен кто-то, кто покажет конкретный пример на своей задаче, а не абстрактную демонстрацию.

Если исходить из этой метафоры, речь идёт не столько о самой технологии, сколько об отношении людей к результату, который она даёт: одни хотят разобраться, как это работает изнутри, прежде чем начать пользоваться, а другие готовы применять инструмент как есть, если он решает задачу здесь и сейчас.

Что это значит

Эссе фиксирует тему, которая всё чаще встречается в профессиональных сообществах: LLM меняют не только то, что именно делают специалисты, но и то, как они сами объясняют коллегам происходящее — через метафоры, аналогии и демонстрации на живых примерах, а не через сухие инструкции. Для технических специалистов, которые внедряют такие инструменты в свою команду, личный пример и наглядный показ часто оказываются убедительнее любого формального обучения.

Показательно и то, что подобные материалы выходят не из среды разработчиков самих AI-моделей, а из смежных технических профессий вроде тестирования — это косвенно говорит о том, насколько широко LLM уже разошлись по рабочим процессам за пределами узкого AI-сообщества.