Глава 2 · ПОПУЛЯРНЫЙ — Ильяхов, без жаргона

В апреле 2025 Тоби Лютке, основатель Shopify, разослал письмо сотрудникам — и сам выложил его публично. В нём два правила, которые теперь учитываются при оценке работы. Первое: уметь работать с ИИ больше не бонус к резюме, а обязательный навык — как умение читать рабочую почту. Второе жёстче. Прежде чем команда придёт просить нанять нового сотрудника, она обязана объяснить, почему задачу нельзя сделать через ИИ — не просто «мы попробовали», а полноценное обоснование: почему живой человек здесь единственный выход. [E*]

Представьте, как это письмо приземляется на конкретный понедельник конкретного руководителя. Назову его условно — тимлид группы поддержки в компании размером с Shopify, типаж, не реальное лицо. У него горит найм: две вакансии висят с зимы, очередь обращений клиентов растёт. Раньше план был ясен — 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 и разбирает, что именно делают те двое, которых он хотел взять: сортировка обращений, ответы по шаблону, передача сложных случаев живому специалисту. Первые два пункта — ровно то, что автоматизированная система уже умеет. Третий — нет. И вместо заявки на новых людей он пишет другую: оставшийся человек надзирает за системой, а не разгребает очередь руками.

Письмо никого не уволило. Оно поменяло вопрос, с которого начинается каждый понедельник.

Вдумайтесь, что именно перевернул Лютке. Численность штата — это то, вокруг чего сто лет собиралась вся механика фирмы: найм, бюджеты, иерархия, статус руководителя. Из само собой разумеющегося ответа на рост численность штата превратилась в исключение, которое надо защищать. Сменилась базовая единица, из которой собирают компанию.

И тут возникает главный вопрос этой главы. Почему именно сейчас, а не два года назад, когда ChatGPT уже всех восхитил? И не через пять лет, когда «технология дозреет»? Что щёлкнуло в 2025–2026, чтобы письмо Лютке перестало звучать футуризмом и стало читаться рабочей директивой?

Ответ не в одной красивой кривой, а в трёх, которые сошлись в одной точке. И сразу за ними — честный контр-факт, который не даёт превратить главу в рекламный проспект.

Три кривые, которые сошлись

Манифесты — это слова. Лютке, Альтман, Бениофф, Амодеи говорят складно, и хор легко списать на тот же хайп-цикл, что был с блокчейном [E*]. Поэтому риторику отложим. Начнём с того, что измерено.

Первое: рухнул порог входа. Стоимость работы ИИ-модели уровня GPT-3.5 — цена за миллион обработанных фрагментов текста — упала примерно в 280 раз: с 20 долларов до 7 центов, с конца 2022 по конец 2024 (Stanford HAI AI Index 2025) [E]. То, что три года назад по бюджету тянуло на небольшой отдел, сегодня стоит как обед. Два порядка за два года. Это не прогноз и не обещание разработчика, а уже случившийся факт из годового отчёта Стэнфорда. Подложка, на которой работает любая автоматизированная система, подешевела настолько, что вопрос «по карману ли» снялся сам собой.

Дешевизна без надёжности — игрушка. Поэтому вторая кривая важнее.

Второе: модели стали надёжнее. METR — некоммерческая лаборатория оценки ИИ-моделей — измеряет, сколько работы модель может сделать непрерывно и без срывов. Они называют это «агентным горизонтом» — запасом автономности: длина задачи, которую модель доводит до конца с вероятностью успеха 50%, измеренная в человеко-часах — сколько той же работы успел бы сделать человек. После 2023 года этот показатель удваивается примерно каждые 131 день (METR, Time-Horizon, январь 2026) [E]. К началу 2026-го он подбирался к двенадцати часам непрерывной работы [E]. Пророчеств на этой кривой я не строю: что будет дальше — гипотеза [H], кривая может загнуться завтра. Но направление однозначно. То, что в 2023-м было системой, которая просто угадывала следующее слово и держала связный ответ пару минут, к 2026-му держит многошаговую цепочку — а значит, впервые годится не для подсказки, а для реального исполнения.

Тут стоит назвать обе крайности, чтобы не врать ни в одну сторону. Снизу — плато: кривая упирается в потолок, удвоения прекращаются, весь мой тезис рассыпается (к этому вернусь в конце). Сверху — экзотика, о которой редко говорят вслух. Экономист Антон Коринек в январе 2026 назвал её «сингулярностью типа II»: математически возможный режим, где рост не просто экспоненциальный, а суперэкспоненциальный — теоретически расходится к бесконечности за конечное время (Korinek, янв 2026) [I]. Я не закладываю этот сценарий в свои выводы: он теоретический, верхняя граница, а не прогноз. Но держать его в уме полезно именно для того, чтобы не считать «плато» единственной альтернативой. Реальность почти наверняка ляжет между двумя крайностями. Спорить мы будем о том, где именно.

Третье: сдвиг стал массовым. Внедрение ИИ перестало быть уделом техногигантов: по корпоративным замерам его так или иначе пробуют порядка двух третей компаний (McKinsey, The State of AI 2024) [E]. Не пилот в одной компании из ста, а большинство. Дешёвую вычислительную мощь можно купить, надёжную модель — арендовать, но массовость означает другое: меняется среда вокруг. Когда сосед, конкурент и поставщик уже что-то крутят на ИИ, позиция «подожду, пока устаканится» перестаёт быть нейтральной и становится отставанием.

Сложите три кривые. Дешёвая работа модели, растущая надёжность, массовое внедрение. Два года назад любого из трёх не хватало: модели были дороги, ненадёжны и экзотичны. Теперь сошлись все три. Окно открылось не по чьей-то воле и не по решению совета директоров — его открыла арифметика.

Что именно переходит из головы в систему

Дешёвая и надёжная работа модели — это про технический субстрат, а книга про то, что на нём впервые стало можно сделать.

Вернёмся к группе поддержки из начала главы. Допустим, тот человек, которого тимлид так и не нанял дублёром, всё-таки был — лучший оператор смены, проработал четыре года. Он знает то, чего нет ни в одном регламенте: что за фразой «не пришёл заказ» в трёх случаях из четырёх стоит не пропавшая посылка, а перепутанный адрес; что разъярённого клиента надо сначала спросить про номер заказа, а не про эмоции, — иначе диалог уходит в крик; что вот этот тип возврата лучше передать старшему сразу, не тратя два круга переписки. В пятницу он пишет заявление. В понедельник его место занимает новичок с тем же регламентом в папке — и три месяца наступает на грабли, которые тот, ушедший, обходил на автомате. Регламент остался. Способность ушла за дверь вместе с человеком.

Эта же история — про IT-администратора пятнадцать лет назад. Он вручную настраивал серверы и сети. Медленно, чревато ошибками, и держалось всё на молчаливом знании конкретного человека — том, что нарабатывается годами, но не записывается в инструкцию: ушёл админ — ушло умение поднять систему с нуля. Один человек — один набор умений, и всё это испарялось вместе с ним.

Граница между мёртвым знанием и живой способностью проходит вот где. До 2025-го компетенция человека жила в двух местах. В голове — как молчаливое умение, которое уходит вместе с человеком. 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. Компетенцию стало можно перенести из головы в самостоятельно работающий цифровой инструмент, который не ждёт исполнителя, а работает сам. Назовём это артефактом: записанный навык, который можно запустить, проверить и передать — не инструкция «как делать», а сам исполнитель. Те самые «три случая из четырёх» и «сначала спрашивай про номер заказа» из головы ушедшего оператора один раз записываются в систему — и дальше работают дёшево, надёжно, сколько угодно раз. Компетенция уходит с человеком, артефакт остаётся в фирме.

«Почему сейчас» — это не про чат-боты, а про момент, когда такой перенос стал по карману и достаточно надёжен, чтобы на него опереться.

Контр-данные: внедряют все, ценность ловят единицы

Здесь надо притормозить. Три кривые объясняют, почему окно открылось, — но молчат о том, многие ли в него вошли. И тут самое неудобное число главы.

Те же две трети, которые «внедряют», при строгом замере того, как ИИ реально встроен в работу компании, съёживаются в разы. А до ощутимого эффекта на прибыль доходит около 5% компаний: по разбору MIT, 95% пробных запусков нейросетей вообще не дают измеримого эффекта на прибыль (MIT Media Lab / NANDA, The GenAI Divide, 2025) [E]. Оговорюсь честно: это не перепись, а выборка с окном измерения в полгода и удобной выборкой примерно из трёхсот компаний — методология спорная. Но даже с поправкой на это разрыв слишком велик, чтобы списать его на шум. Назову его разрывом GenAI (the GenAI Divide — формулировка MIT): почти все внедряют, единицы превращают внедрение в деньги.

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

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

Есть контролируемый эксперимент METR, где опытные разработчики с ИИ-помощником на деле замедлились — хотя были уверены, что ускорились [E]. Ощущение скорости и реальная скорость разошлись в разные стороны. Если внедряешь ИИ по самочувствию команды («нам нравится, мы стали быстрее»), оптимизируешь ложный сигнал — и попадаешь прямиком в те 95%, что не дают эффекта на прибыль.

Klarna — та же ловушка, только на уровне целой компании. В начале 2024-го она развернула ИИ-ассистента поддержки и 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 опытных сотрудников, понимавших все тонкости дела, раньше, чем система прошла проверку на сложных случаях. Вместе с людьми ушла та самая компетенция из примера с оператором поддержки — и когда система начала тихо ошибаться, распознать ошибку стало некому.

Дверь открыта, но за ней пусто — не потому, что идея плоха, а потому что между «развернул бота» и «получил устойчивый эффект на прибыль, не разрушив фирму» лежит операционная дисциплина, которую манифесты не описывают. Разрыв GenAI — не приговор технологии. Это зазор исполнения.

Это уже было: от хранения кода к хранению организации

Соблазнительно отмахнуться: очередная техно-волна, переживём, как пережили остальные. Но у происходящего есть точный исторический аналог, и он не про чаты с ботом.

Лет пятнадцать назад IT-инфраструктуру вели администраторы — вручную настраивали серверы и сети. Медленно, чревато ошибками, и держалось на молчаливом знании конкретных людей — том, что накоплено годами практики, но нигде не записано: ушёл админ — ушло умение поднять систему с нуля. Потом пришёл подход Infrastructure-as-Code — «инфраструктура как код». Конфигурации серверов и сетей стали записывать в машиночитаемые файлы: с историей изменений, возможностью проверки, воспроизводимые одной командой [E]. Знание перестало жить в голове конкретного специалиста и переехало в систему. Этот же сдвиг сейчас происходит с человеческим трудом в целом — можно назвать это Organization-as-Code, «организация как код»: операционное знание, которое раньше жило в процедурной памяти логиста или маркетолога, записывается и встраивается в саму архитектуру фирмы.

Аналогия точна ещё и тем, что этот подход не уволил инженеров — он поднял их на уровень выше: от ручной настройки к проектированию систем, которые настраивают себя сами [E]. Прямая подсказка к тому, что произойдёт с экспертом сегодня. Но и честное предупреждение: вместе со скоростью пришёл новый класс проблем — медленный дрейф конфигураций от задуманного, тихие ошибки, которые всплывают месяцами позже, накапливающиеся долги автоматизации. Та же расплата ждёт Organization-as-Code.

Что уже стоит на месте будущей модели

Под ногами не вакуум. Каркас новой фирмы уже проступает в данных и практике — просто он не собран в инструкцию.

Структурно фирма расслаивается в несколько ролей. Назовём их стеком L0–L4 [I]. Доменный эксперт (L0) — носитель молчаливого знания, тот самый оператор с четырьмя годами стажа. Оператор (L1) не исполняет задачи сам, а следит за тем, как работает система, готовый вмешаться. Строитель артефактов (L2) переводит знание в переиспользуемые записанные навыки. Экономический владелец (L3) масштабирует пропускную способность фирмы. Governance (L4) — человек или правила, которые задают границы автономной работы системы. Здесь важно одно: такое расслоение уже наблюдаемо, а не в прогнозе.

И оно подтверждается экономикой, которая не укладывалась в старые модели. Появились фирмы с крошечным штатом и огромной выручкой на человека: горстка людей управляет целым парком автоматизированных систем. Midjourney к 2026-му делала около 4,67 млн долларов выручки на сотрудника — 500 млн долларов на 107 человек, без венчурных денег и без классического маркетинга (Epoch AI · companieshistory, 2026) [E]. Это не магия одного гениального продукта. Это арифметика: горстка людей, умноженная на парк артефактов.

Появилась и инфраструктура для передачи знаний между фирмами. В октябре 2025 компания Anthropic выпустила Agent Skills — открытый формат для записи и передачи навыков (открытый стандарт — декабрь 2025) [E]. Протокол MCP (Model Context Protocol, буквально «протокол контекста для моделей») дал ИИ-системам готовое подключение к базам данных, инструментам и внешним сервисам без разработки отдельной интеграции под каждое приложение. Реестры таких готовых навыков пополняются быстро. Но основная масса пока — для разработчиков: проверка кода, работа с версиями, инфраструктура. Бизнес-навыки — SEO-аудит, привлечение клиентов, конвейер текстов и видео — пока редкость [E]. «Магазин готовых навыков» сбылся, но завален инструментами для инженеров и почти пуст со стороны операций малого бизнеса. И у этого открытого изобилия есть тёмная сторона: среди доступных навыков уже находят вредоносные — по замеру Koi Security и Antiy CERT около 11,9% навыков в реестре MCP оказались вредоносными (Koi Security / Antiy CERT, фев. 2026) [E]. Открытый реестр работает и как ускоритель, и как поверхность для атак разом.

Всё это существует фрагментами: расслоение ролей, экономика маленьких фирм с большой выручкой, реестры готовых навыков, протоколы подключения. У крупных консалтинговых компаний это описано для корпораций, у аналитиков — как тренд, у микро-фирм — как разовый результат. Ни у кого нет собранной пошаговой модели для основателя из трёх человек с оборотом в несколько миллионов. Окно — это зазор между «всё придумано по частям» и «собрано в рабочую модель».

Апгрейд, а не замена

Здесь проходит граница, отделяющая эту книгу от Klarna.

Амодеи в Давосе в январе 2026 предупредил, что ИИ может ликвидировать половину начальных должностей (авторский пересказ, не дословная цитата) [I]. Klarna резала штат. Это рамка замены, и она ломается о те контр-данные, что выше: об иллюзии скорости в эксперименте METR и о развороте Klarna. Заменить человека системой, пока система не прошла проверку, — значит выбросить носителя знания до того, как знание записано. Klarna обращалась с автоматизированными 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. Доменный эксперт не сокращается: он становится источником, из которого строитель артефактов создаёт системы, — и в идеале получает бонус за то, что строит их, а не просто исполняет руками. Артефакты при этом ведут как серьёзные рабочие системы — с мониторингом, проверкой, ограниченными правами доступа, постоянным контролем, — а не как смышлёных стажёров, которым раздали доступы и забыли.

Практический вывод этой главы узкий и без пророчеств. Не начинайте с увольнений и не доверяйте самочувствию команды. Фиксируйте процессы и измеряйте реальный исход — стоимость на результат и долю успешных прогонов, а не ощущение скорости. Людей-носителей знания держите до тех пор, пока система не прошла проверку на сложных кейсах. Это прямой урок эксперимента METR и разворота Klarna.

Честный фальсификатор

Теперь — то, что обрушит весь тезис «почему сейчас», если сбудется.

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

Итог главы

Два одновременно верных факта. Механизм реален: работа модели подешевела в 280 раз, агентный горизонт удваивается каждые 131 день, около двух третей компаний что-то внедряют. И готовой раскладки для малого бизнеса нет: до эффекта на прибыль доходит около 5%, иллюзия скорости в эксперименте METR подтверждена, Klarna развернулась. Окно открыто именно потому, что верно и то, и другое.

В следующей главе спускаемся на уровень механики: что такое артефакт как базовый кирпичик и как именно молчаливое знание проходит путь от головы эксперта до работающей системы. → ch03