Глава 2 · ХАРАРИ — кино

Лучший оператор смены проработал четыре года. За это время он понял вещь, которой нет ни в одном регламенте: когда клиент пишет «не пришёл заказ», в трёх случаях из четырёх дело не в пропавшей посылке, а в перепутанном адресе. Ещё он знал, что разъярённого человека нужно сначала попросить назвать номер заказа — не спрашивать про эмоции, не успокаивать, а именно про номер, потому что тогда диалог не уходит в крик. И знал, какой тип возврата стоит эскалировать немедленно, не тратя два круга переписки. В пятницу он написал заявление. В понедельник его место занял новичок с тем же регламентом в папке — и три месяца наступал на грабли, которые ушедший обходил не задумываясь. Регламент остался. Способность ушла за дверь вместе с человеком.

Эта история повторяется в каждой компании каждую неделю, и до недавнего времени никто особо не горевал: такова природа работы, нанимаешь нового, учишь заново, через полгода появляется своя «насмотренность». Дорогостоящий, но привычный цикл. Что изменилось в 2025–2026-м — вот вопрос этой главы.

Письмо, которое поменяло вопрос

В апреле 2025 Тоби Лютке, основатель Shopify, разослал письмо сотрудникам и сразу выложил его публично. Ничего экзотического: два правила, вшитых в performance review. Первое — уметь работать с ИИ перестаёт быть плюсом к резюме и становится baseline, как умение читать корпоративную почту. Второе жёстче: прежде чем команда приходит просить нового человека в штат, она обязана доказать, что задачу нельзя сделать через ИИ — полноценное обоснование, а не «попробуйте автоматизировать» [E].

Представьте, как это письмо приземляется на конкретный понедельник конкретного тимлида — назову его условным руководителем группы поддержки в компании размером с Shopify (типаж, не реальное лицо). У него горит найм, две вакансии висят с зимы, очередь тикетов растёт. Раньше план был простой: добить найм, закрыть очередь людьми. Теперь между ним и двумя ставками встал абзац из письма CEO. За следующие двое суток он не нанимает. Он садится разбирать, что именно делают те двое, которых он хотел взять: сортировка обращений, ответы по шаблону, эскалация сложного случая человеку. Первые два пункта — ровно то, что артефакт уже умеет. Третий — нет. И вместо заявки на хедкаунт он пишет другую заявку: на то, чтобы оставшийся человек надзирал за артефактом, а не разгребал очередь руками.

Письмо не уволило никого. Но оно поменяло единицу, с которой начинается каждый понедельник. Headcount — вокруг которого сто лет строилась вся механика фирмы: бюджеты, оргструктуры, статус менеджера, ощущение роста — превратился из дефолтного ответа на проблему в исключение, которое надо защищать. Это и есть сдвиг, который трудно увидеть изнутри, пока не поменяешь рамку: сменилась базовая единица, из которой собирают компанию.

Лютке, Альтман, Бениофф, Амодеи говорят об этом много и складно, и хор легко списать на очередной хайп-цикл — как было с блокчейном или метавселенной. Поэтому манифесты отложим и посмотрим на измеренное.

Арифметика, которая открыла окно

Почему именно 2025–2026, а не два года назад — когда ChatGPT уже всех восхитил — и не через пять лет, когда «технология дозреет»? Что щёлкнуло?

Ответ в трёх кривых, которые сошлись в одной точке, причём ни одна из трёх сама по себе не объясняет момент.

Первая — порог входа. Стоимость инференса на уровне GPT-3.5, цена за миллион токенов, упала примерно в 280 раз: с $20 до $0,07 за Mtok, с конца 2022 по конец 2024 (Stanford HAI AI Index 2025) [E]. Два порядка за два года. То, что три года назад по бюджету тянуло на небольшой отдел, сегодня стоит как обед. Это уже случившийся факт, зафиксированный в годовом отчёте Стэнфорда, — не прогноз вендора и не ощущение рынка. Субстрат, на котором работает любой артефакт — скилл, агент, MCP-коннектор, eval — подешевел настолько, что вопрос «по карману ли мне это» снялся сам собой.

Но дешевизна без надёжности — это игрушка. И тут вступает вторая кривая, которая меня цепляет больше первой, потому что она про характер работы, а не про стоимость.

METR — некоммерческая лаборатория оценки моделей — измеряет агентный горизонт: длину задачи, которую модель доводит до конца без срыва с вероятностью успеха 50%, в единицах человеческого времени. После 2023 года этот горизонт удваивается примерно каждые 131 день (METR, Time-Horizon, январь 2026) [E]. К началу 2026-го p50 подбирался к двенадцати часам непрерывной работы. То, что в 2023-м было умной автодополнялкой на пару минут связного вывода, к 2026-му держит многошаговую цепочку — а значит, впервые годится не для подсказки, а для исполнения. Пророчеств на этой кривой я не строю: экстраполяция за пределы данных остаётся гипотезой [H], кривая может загнуться и завтра. Но направление однозначно.

Прежде чем идти дальше, стоит честно назвать обе границы спектра. Снизу — «плато»: удвоения прекращаются, горизонт застывает на нескольких часах, и весь тезис рассыпается (к этому фальсификатору вернусь в конце). Сверху — сценарий, о котором редко говорят вслух: экономист Антон Коринек в январе 2026 назвал его «сингулярностью типа II» — математически возможный режим, где рост не просто экспоненциальный, а суперэкспоненциальный, расходящийся к бесконечности за конечное время (Korinek, янв 2026) [I]. Я не закладываю этот сценарий в свои выводы: он теоретический. Но держать его в уме полезно, чтобы не считать плато единственной альтернативой росту. Реальность ляжет между двумя крайностями, а спор идёт о том, где именно.

Третья кривая — сдвиг стал массовым. Внедрение ИИ перестало быть уделом техногигантов: так или иначе его пробуют порядка двух третей фирм (McKinsey, The State of AI 2024) [E]. Это не пилот в одной компании из ста. Когда сосед, конкурент и поставщик уже что-то крутят на ИИ, «подожду, пока устаканится» перестаёт быть нейтральной позицией и становится отставанием.

Сложите три кривые. Дешёвый субстрат, растущая надёжность, массовое внедрение. Два года назад любого из трёх не хватало: модели были дороги, горизонт был в минутах, а не в часах, и «всё это для техногигантов». Теперь сошлись все три. Окно открылось не по воле совета директоров и не по решению визионеров — его открыла арифметика.

Что именно стало возможным

Три кривые объясняют, почему субстрат дешевле и надёжнее. Но книга про то, что на этом субстрате впервые стало можно сделать с человеческим знанием.

Вернёмся к оператору, с которого я начал. Четыре года стажа — это не только список умений. Это тацитное знание: «три случая из четырёх — перепутанный адрес», «сначала про номер заказа», «этот тип возврата эскалировать немедленно». Такое знание всегда жило в двух местах: в голове человека — как компетенция, которая уходит вместе с ним, и в документации — как мёртвый текст, который кто-то должен прочесть, понять и применить руками. Регламент ждёт исполнителя. Знание лежит пассивным грузом.

Сошедшиеся кривые сдвинули третье состояние из теории в практику — сублимацию компетенции: знание выносится в исполняемый артефакт, который не ждёт исполнителя, а исполняется сам. Скилл, агент, MCP-коннектор, eval. Те «три случая из четырёх» и «сначала про номер» из головы ушедшего оператора один раз закодированы — и дальше вызываются дёшево, надёжно, сколько угодно раз. Компетенция уходит с человеком, артефакт остаётся.

«Почему сейчас» — это момент, когда сублимация компетенции стала по карману и достаточно надёжна, чтобы на неё опереться. Не раньше.

Контр-данные: внедряют почти все, зарабатывают единицы

Здесь надо притормозить. Три кривые объясняют, почему окно открылось, — но молчат о том, сколько людей в него вошло. А тут самое неудобное число главы.

До строки в P&L, до измеримого эффекта на прибыль доходит около 5% компаний: по разбору MIT, 95% генеративных пилотов вообще не дают эффекта на прибыль (MIT Media Lab / NANDA, The GenAI Divide, 2025) [E]. Оговорюсь честно: это не перепись, а выборка примерно из трёхсот компаний с окном измерения возврата в полгода — методология спорная. Но даже с поправкой на это разрыв слишком велик, чтобы списать его на погрешность. Назову его разрывом GenAI — the GenAI Divide, по формулировке MIT: почти все внедряют, единицы превращают внедрение в деньги.

Между «две трети пробуют» и «5% зарабатывают» — пропасть, и если глава остановится на трёх восходящих кривых, она соврёт. Окно открыто. Но почти никто в него пока не прошёл.

Откуда такой провал? Источники дают конкретный механизм, а не общие слова про «зрелость организации». И он цепляет меня больше самих кривых, потому что он про людей, а не про модели.

Есть контролируемый эксперимент METR, где опытные разработчики с ИИ-ассистентом на деле замедлились — хотя были уверены, что ускорились [E]. Ощущение скорости и фактическая скорость разошлись в разные стороны. Если внедрять ИИ по самочувствию команды, вы оптимизируете ложный сигнал и попадаете прямиком в те 95%, что не дают эффекта на P&L. Иллюзия скорости — это не психологический курьёз, а операционная ловушка.

Klarna — та же ловушка на уровне целой компании. В начале 2024-го она развернула ИИ-ассистента поддержки, отчиталась о работе, эквивалентной примерно семистам операторам, Себастьян Семятковский стал лицом ИИ-first движения — а к 2025-му компания тихо нанимала людей обратно [E]. Klarna убрала носителей контекста раньше, чем артефакты прошли валидацию на сложных кейсах. Вместе с людьми ушла та самая компетенция из примера с оператором смены, и когда артефакт начал тихо ошибаться, распознать ошибку стало некому.

Разрыв GenAI — не приговор технологии. Это зазор исполнения: между «развернул бота» и «получил устойчивый эффект на прибыль, не разрушив фирму» лежит операционная дисциплина, которую манифесты не описывают.

Это уже было

Соблазнительно отмахнуться: очередная техно-волна, переживём, как пережили остальные. Но у происходящего есть точный исторический аналог.

Лет пятнадцать назад IT-инфраструктуру вели администраторы вручную — настраивали серверы и сети. Медленно, чревато ошибками, и держалось на тацитном знании конкретных людей: ушёл нужный человек — ушло умение поднять систему с нуля. Звучит знакомо? Это история того оператора поддержки, только про железо. Потом пришёл Infrastructure-as-Code — железо абстрагировали в машиночитаемые конфигурации: версионируемые, аудируемые, воспроизводимые одной командой. Знание перестало жить в голове конкретного админа и переехало в репозиторий [E].

Сублимация компетенции применяет ту же логику к человеческому труду. Сдвиг — от Infrastructure-as-Code к Organization-as-Code: операционное знание, которое раньше жило в процедурной памяти логиста или маркетолога, извлекается, формализуется и встраивается в саму архитектуру фирмы. То, что уходило с человеком, остаётся в системе. DevOps не уволил инженеров — он поднял их на уровень выше: от ручной настройки к проектированию систем, которые настраивают себя сами. Это прямая подсказка к тому, что произойдёт с экспертом. Но и предупреждение: IaC дал не только скорость, а ещё и новый класс отказов — дрейф конфигураций, тихие регрессии, долги автоматизации, всплывающие месяцами позже. Та же расплата ждёт Organization-as-Code.

Что уже стоит на месте операционной модели

Под ногами не вакуум. Каркас уже проступает в данных и практике, просто не собран в инструкцию.

Структурно фирма расслаивается в стек ролей L0–L4. Доменный эксперт (L0) — носитель тацитного знания, тот самый оператор с четырьмя годами стажа. Оператор (L1) не исполняет, а надзирает «на петле». Строитель артефактов (L2) кодирует знание в переиспользуемые системы. Экономический владелец (L3) масштабирует пропускную способность. Governance (L4) задаёт границы автономного исполнения. Расслоение наблюдаемо уже сейчас, а не в прогнозе.

И оно подтверждается экономикой, невозможной в labor-centric мире. Midjourney к 2026-му делала около 4, 67млнвыручкинасотрудника(500 млн на 107 человек), без венчурных денег и без классического маркетинга (Epoch AI · companieshistory, 2026) [E]. Горстка людей, помноженная на парк артефактов — вот что стоит за этой цифрой.

Появилась и инфраструктура переноса знания. Anthropic выпустила Agent Skills как открытый формат (Anthropic, окт. 2025; открытый стандарт — дек. 2025) [E], протокол MCP (Model Context Protocol) дал моделям plug-and-play мост к базам, инструментам и API без кастомной интеграции. Площадок много. Но тут же — нюанс, который и образует окно. Основная масса готовых скиллов ориентирована на разработчиков: code review, git-коммиты, devops. Бизнес-скиллы — SEO-аудит, лидген, контент-пайплайн — пока редкость. «App Store для скиллов» сбылся, но завален инструментами для инженеров и почти пуст со стороны операций малого бизнеса. И у этого открытого изобилия есть тёмная сторона: по замеру Koi Security и Antiy CERT около 11,9% скиллов в MCP-реестре оказались вредоносными (Koi Security / Antiy CERT, фев. 2026) [E]. Маркетплейс работает как ускоритель и как поверхность атаки разом.

Расслоение ролей, экономика микро-фирмы, маркетплейсы, протоколы — всё это существует фрагментами. У McKinsey — для enterprise, у аналитиков — как тренд, у нескольких везучих стартапов — как разовый результат. Ни у кого нет собранной пошаговой operating model для основателя из трёх человек. Окно — это и есть зазор между «всё придумано по частям» и «собрано в инструкцию».

Апгрейд, а не замена

Здесь проходит граница, отделяющая эту книгу от Klarna.

Амодеи в Давосе в январе 2026 предупредил, что ИИ может ликвидировать половину entry-level ролей (авторский пересказ, не дословная цитата) [I]. Klarna резала штат. Это рамка замены, и она ломается о контр-данные выше: об иллюзии скорости в эксперименте METR и о развороте Klarna. Заменить человека артефактом, пока артефакт не прошёл валидацию, — значит выкинуть носителя компетенции до того, как компетенция сублимирована. Klarna обращалась с агентами как с дешёвой заменой персонала. В этом и была ошибка.

Линза этой книги другая. Компетенция уходит с человеком, артефакт остаётся в фирме. При дисциплине это апгрейд эксперта, а не его замена. Эксперт L0 не сокращается: он становится источником, из которого L2 добывает системы, и в идеале получает премию за то, что строит артефакты, а не просто исполняет руками. Артефакты при этом ведут как production-системы — инструментованные, аудируемые, с ограниченными правами, непрерывно проверяемые, — а не как смышлёных стажёров, которым раздали доступы и забыли.

Практический вывод узкий. Не начинать с увольнений. Не доверять самочувствию команды. Размечать процессы и измерять реальный исход — стоимость на результат и долю успешных прогонов, а не ощущение скорости. Держать носителей контекста до тех пор, пока артефакт не прошёл валидацию на сложных кейсах. Это прямой урок и эксперимента METR, и разворота Klarna.

Фальсификатор

Теперь честно о том, что обрушит весь тезис «почему сейчас», если сбудется.

Кривая METR может загнуться. Если к концу 2027 года агентный горизонт перестанет удваиваться и застрянет на нескольких часах, второй из трёх несущих факторов рассыплется: дешёвый и массовый, но ненадёжный на длинных цепочках инференс не годится для сублимации — он годится только для подсказки. Тогда «почему сейчас» откладывается, окно сужается, и правы окажутся не Лютке с Амодеи, а скептики GenAI Divide [H]. Я ставлю на то, что кривая удержится ещё пару удвоений. Но это ставка, а не факт, и я называю её ставкой.

Сумма главы — два одновременно верных факта. Механизм реален: инференс ×280, горизонт ×2 за каждые 131 день, adoption около двух третей. И готовой раскладки для SMB нет: P&L-эффект около 5%, иллюзия скорости в эксперименте METR, разворот Klarna. Окно открыто именно потому, что верно и то, и другое.

В следующей главе спускаемся на уровень механики: что такое артефакт как примитив и как тацитное знание проходит путь от головы эксперта до вызываемого скилла.