Пользователи ИИ-инструментов для программирования часто считают, что качество результата определяется только выбранной моделью: чем она крупнее и дороже, тем лучше должна писать код. Однако опыт пользователей Claude Code показывает, что это упрощение может быть дорогостоящим.

Anthropic отдельно объяснила разницу между двумя настройками: Model и Effort. Первая определяет базовые способности модели, а вторая — то, насколько тщательно она будет выполнять конкретную задачу. Условно говоря, модель — это «мозг», а уровень усилий — её «рабочий режим».

Модель задаёт фундаментальные возможности системы: знания, навыки рассуждения, способность понимать сложные архитектуры и решать нетиповые задачи. После обучения параметры модели фиксируются.

Пользователь может дать ей документацию, кодовую базу или инструкции, но не может изменить её внутренние знания. Если модель не понимает незнакомую технологию или стабильно выдаёт неверное решение даже при полном контексте, увеличение усилий не поможет — вероятно, нужна более сильная модель.

Настройка Effort, напротив, влияет на объём работы, который Claude готов выполнить в рамках одного запроса. При низком уровне система скорее даст быстрый ответ, запросит дополнительную информацию или остановится на промежуточном результате. При высоком — будет читать больше файлов, вызывать инструменты, запускать тесты, перепроверять выводы и дольше доводить многошаговую задачу до конца.

Именно из-за этой разницы в начале марта возникло недовольство среди пользователей Claude Code. Anthropic снизила стандартный уровень Effort с high до medium, чтобы уменьшить задержки. Многие разработчики восприняли это как ухудшение самой модели: ИИ стал пропускать файлы, не запускать тесты, бросать задачу на середине и чаще задавать уточняющие вопросы. По данным, обсуждавшимся в сообществе, в отдельных сценариях объём внутренней работы мог заметно сократиться. Позже компания вернула более высокий уровень по умолчанию.

Главный вывод: если ИИ ошибается, не стоит автоматически переключаться на самую дорогую модель. Сначала важно проверить контекст. Чётко ли сформулирована задача? Есть ли у агента нужные файлы, доступы, инструменты, правила проекта и документация? Значительная часть проблем возникает не из-за «слабого ИИ», а из-за неполной постановки задачи.

После этого полезно определить характер ошибки. Если агент не прочитал нужные файлы, не выполнил тесты, не проверил результат или преждевременно вернулся с вопросами, проблема может быть в недостаточном Effort. В таком случае разумнее повысить уровень усилий. Если же система получила полный контекст, использовала доступные инструменты и всё равно не смогла решить задачу, тогда есть смысл перейти на более сильную модель.

Этот подход меняет саму логику работы с ИИ-разработчиками. Вместо поиска одного «самого умного» помощника появляется задача диспетчеризации: простые правки можно поручать более дешёвой модели в быстром режиме, крупный рефакторинг — модели посильнее с высоким уровнем Effort, а самые сложные задачи — специализированной модели, способной работать дольше и подключать дополнительные агенты.

При этом высокий Effort не является бесплатным. Он может увеличивать число сгенерированных токенов в несколько раз, поскольку ИИ больше читает, проверяет и вызывает инструменты. Поэтому оптимальная стратегия — не всегда использовать максимальный режим, а выбирать сочетание модели и усилий под конкретную задачу.

В результате ключевым навыком становится не только умение писать запросы, но и умение грамотно распределять задачи между ИИ-агентами. Дорогая модель, запущенная в поверхностном режиме, может оказаться менее полезной, чем более доступная модель, которой дали достаточно контекста, времени и права тщательно проверить свою работу.