Дешевеет операция, а не ценность целиком

До массовых моделей стоимость многих интеллектуальных услуг почти совпадала со стоимостью человеческого времени на исполнение. Написать письмо клиенту, перевести инструкцию, сверстать лендинг, разобрать скан накладной, набросать SQL — всё это продавалось как часы специалиста. Когда модель делает черновик за минуты, цена исполнения падает. Цена решения, которое можно отдать в прод или в договор, не падает автоматически.

Это важно отличать от лозунга «ИИ заменит всех». Автоматизация задачи — когда операция становится дешевле и быстрее. Замена специалиста — когда исчезла потребность в человеке, который ставит цель, держит контекст, проверяет крайние случаи и несёт последствия. Между этими двумя состояниями большая зона: человек остаётся, но его работа выглядит иначе.

Эффект Джевонса здесь часто приводят как утешение: если разработка дешевеет, спрос на программное обеспечение вырастет, и инженеров станет нужно ещё больше. Часть рассуждения верна как тенденция: проекты, которые раньше не окупались, начинают иметь смысл; появляется больше прототипов, внутренних инструментов, одноразовых сценариев. Но из роста спроса на ПО не следует автоматически рост спроса на junior-исполнителей шаблонного кода. Спрос может уехать к архитектуре, данным, безопасности и сопровождению — или к людям, которые никогда не нанимали разработчика и теперь собирают узкое решение сами.

Эмпирика осторожнее хайпа. В исследовании поддержки клиентов Brynjolfsson, Li и Raymond доступ к генеративному ассистенту поднял производительность примерно на 14%, причём сильнее у менее опытных сотрудников. В экспериментах Dell'Acqua и коллег у консультантов видна «неровная граница»: внутри зоны компетенции модели качество и скорость растут, за её пределами уверенный ответ ухудшает результат. Для разработчиков полевые измерения вокруг ассистентов вроде Copilot показывают рост завершённых задач, снова с большим эффектом у менее опытных. Более свежие наблюдения по агентным инструментам на GitHub рисуют другой важный узор: активность в коммитах растёт сильно, а число реальных релизов и использования — заметно скромнее. Производство промежуточного артефакта дешевеет быстрее, чем доставка ценности пользователю.

Какие приложения рискуют потерять актуальность

Под ударом не «все SaaS», а продукты, чья единственная редкость — выполнение операции, которую универсальная модель уже делает достаточно хорошо для массового пользователя.

Категория редко исчезает целиком. Исчезает маржа у самого простого варианта. Простое OCR-приложение, которое только «фото → текст», конкурирует с бесплатной кнопкой. Промышленное OCR с контролем качества, локальным исполнением, своим датасетом бланков и выгрузкой в ERP может стать более нужным: универсальная модель не знает ваших пустых ячеек, допусков и регламента приёмки.

Тот же шаблон повторяется в генерации сайтов, чат-ботах и «AI-обёртках» вокруг одного API. Если продукт не добавляет данные, процесс, интеграцию или ответственность, он продаёт то, что платформа через год отдаст бесплатно. Если добавляет — ИИ становится ускорителем внутри продукта, а не его убийцей.

Образование: правильный ответ ещё не знание

Самый быстрый способ обесценить учебный продукт — сделать так, чтобы ученик получал готовый ответ быстрее, чем успевает понять задачу. LLM даёт решение, перевод, рефакторинг, план урока. Человек может сдать работу, не удерживая принцип. Разница между использовать инструмент и развить компетенцию здесь становится политической для школ, буткемпов и корпоративного обучения.

Что теряет ценность быстрее всего:

• курсы, где цель — выучить синтаксис языка как набор команд;
• тренировка механического написания шаблонного кода;
• сборники промптов без методологии постановки задачи и проверки;
• обучение интерфейсам конкретного инструмента, который сменится через год;
• справочники без проектов и обратной связи;
• программы без реальной цены ошибки в учебном задании.

На смену приходит не «отменить теорию», а вернуть ей роль каркаса. Фундаментальные знания становятся важнее именно потому, что модель свободно выдаёт правдоподобный вздор за пределами своей надёжной зоны. Нужны реальные задачи, проекты, эксперименты, проверка гипотез, критическая оценка ответа ИИ и умение самостоятельно исследовать предметную область. Иначе рынок получает поколение операторов чата, которые не отличают рабочий прототип от системы, за которую можно отвечать.

Это прямо связано с тем, как ломается вход в инженерию: простые учебные задачи — те самые, на которых раньше тренировали руку — автоматизируются первыми. Подробнее про карьерную лестницу программиста я разбирал в «Программист в эпоху ИИ»; здесь важнее общий принцип для любого обучения: если упражнение полностью решается одной кнопкой, оно больше не измеряет навык.

Профессии и задачи под давлением

Говорить «профессия исчезнет» обычно рано. Точнее смотреть на портфель задач внутри роли. Автоматизируются повторяемые, хорошо описанные, легко проверяемые куски. Остаются постановка, исключения, коммуникация, ответственность и работа с неполным контекстом.

Для каждой строки карьерная лестница меняется похоже: нижние ступени, где платили за объём исполнения, сжимаются; верхние, где платили за суждение, расширяются — но на них сложнее попасть без практики. Отчёт Всемирного экономического форума о будущем рабочих мест (2025) фиксирует ожидания работодателей: технологии ИИ одновременно создают и вытесняют роли (порядка 11 млн создаваемых и 9 млн вытесняемых в их проекции до 2030). Это опросный прогноз, не закон природы, но направление сигнала ясное: перетряска задач сильнее, чем исчезновение целых профессий одним махом.

Почему угроза не только новичкам

Легко сказать, что «пострадает только junior». Реальность жёстче. Один опытный инженер с хорошими инструментами уже закрывает объём, на который раньше нужна была маленькая команда исполнителей. Это не делает старшего специалиста бессмертным: если его ценность была в скорости писать типовой сервис, модель догоняет и его. Устойчивее тот, кто держит архитектуру, коммуникации с бизнесом, цену ошибки и сопровождение.

Традиционная лестница «junior → middle → senior» опиралась на поток простых задач. Если поток исчезает, возникает вопрос: где новичок наберёт опыт? Ответ рынку придётся конструировать заново — через учебные полигоны с реальной ценой ошибки, парную работу над проверкой, владение оценкой качества моделей, участие в интеграциях и инцидентах. Иначе мы получим дефицит людей, способных проверять то, что генерируют модели.

Именно поэтому граница «где заканчивается генерация и начинается инженерия» важнее спора о том, «умрёт ли программирование». См. где заканчивается генерация кода и сравнение продуктивности человека и ИИ. Ревью после агента — новый узкий участок, а не формальность: ревью кода в эпоху AI.

Что становится дороже: данные, интеграция, контроль

Если универсальная модель закрывает «средний» интеллектуальный труд, редкость уезжает туда, где одной модели мало.

Прикладной и промышленный ИИ. Компьютерное зрение на линии, поиск дефектов, медицинский разбор снимков, промышленный контроль, прогнозирование под конкретный процесс, робототехника. Чем ближе система к физическому или жёстко регламентированному бизнес-процессу, тем сложнее заменить весь продукт одной универсальной моделью из чата. Нужны данные линии, допуски, интеграция с контроллерами, люди, которые подпишут результат.

Локальный и корпоративный ИИ. Локальные языковые модели, поиск с опорой на внутренние базы (RAG), агенты с правами доступа, приватность, безопасность, стыковка с ERP и CRM, инфраструктура запуска моделей. Здесь продукт — не «ответить красиво», а «ответить из наших документов тем, кому можно, и зафиксировать, почему». Практика сборки такого контура — в production RAG и в материалах по подмене инструкций.

Инженерия данных. Подготовка датасетов, очистка, дедупликация, разметка, синтетика, оценка качества, конвейеры, эксплуатация ML-систем, доставка больших наборов. Когда код дешевеет, данные часто становятся главным активом. См. инженерию датасетов.

Контроль и проверка. Оценка качества моделей, тестирование AI-систем, проверка фактов, наблюдаемость, безопасность агентов, защита от подмены инструкций, контроль выдуманных ответов, человек в контуре, аудит. Если производство ответа почти бесплатно, рынок платит за умение сказать «этому нельзя доверять». Практическая рамка — стенд оценки ИИ и экономика стоимости сбоя.

Какие продукты сохраняют ценность

ERP, CRM и отраслевые системы не исчезают оттого, что модель умеет писать код экрана. В них живут сложная бизнес-логика, годы интеграций, исторические данные, нормативка, процессы компании и высокая стоимость миграции. ИИ может ускорить доработки; он не обнуляет цену замены ядра.

Ещё сильнее держатся продукты с уникальными данными: производственные журналы, медицинские архивы (в рамках закона), финансовая история, корпуса корпоративных документов, телеметрия оборудования. В мире дешёвого кода данные — часто главный ров.

Отдельный класс — ПО, связанное с физическим миром: промышленная автоматизация, роботы, медоборудование, IoT, лабораторные стенды, транспорт, энергетика. Сгенерировать скрипт можно быстро; сертифицировать поведение системы, которая двигает металл или дозирует вещество, — нет.

Наконец, продукты, которым доверяют: безопасность, стабильность, предсказуемость, договорной уровень сервиса, сертификация, аудит, юридическая ответственность поставщика. Когда любой может собрать прототип за вечер, покупают того, кто подпишет последствия утра и ночи.

Эксперимент StuzhukLab: обычный OCR против промышленного

Чтобы не спорить абстрактно, гипотезу удобно проверять на одной функции, которую ИИ уже «умеет»: распознавание текста. Мы используем эту рамку в лаборатории и в промышленных пилотах.

Прототип A — универсальный AI OCR. Загрузка изображения → мультимодальная модель → текст на экране. Срок сборки — часы. Стоимость разработки низкая. На чистых документах качество часто приемлемо. Локальный запуск, контроль пустых ячеек, интеграция с учётной системой и юридическая ответственность — обычно отсутствуют или имитируются.

Прототип B — специализированный промышленный контур. Детекция таблицы, нарезка ячеек, специализированное распознавание, оценка уверенности, правила для пустых и сомнительных полей, сохранение результата, выгрузка в бизнес-систему, возможность работать без отправки сканов во внешний облачный чат. Срок и стоимость выше. Зато появляются точность на вашем классе бланков, управляемые ложные срабатывания, аудит и путь в прод.

Метрики сравнения, которые имеют смысл для заказчика:

Главный вопрос эксперимента: если базовая AI-функция почти бесплатна, где появляется настоящая ценность продукта? Ответ, который мы видим на практике: в данных, правилах приёмки, уверенности модели, интеграции и цене ошибки. Разбор рукописных промышленных бланков — живой пример, почему «одной модели мало»: практика УЗТ.

Формула новой профессиональной ценности

Список того, что дешевеет, уже знаком: типовой код, генерация текста и картинок, базовый перевод, простая аналитика, прототипы, черновая документация, поиск типовых решений. Список того, что дорожает, короче и жёстче: правильная постановка задачи, предметная область, уникальные данные, архитектура, интеграция, проверка, безопасность, управление сложными системами, принятие решений и ответственность.

Удобная рабочая модель:

Ценность специалиста ≈ знания × способность решать задачи × использование ИИ × ответственность за результат

Если любой множитель близок к нулю, произведение малое. «Умею писать промпты» без знаний и ответственности даёт красивый черновик. Глубокие знания без умения пользоваться ИИ оставляют человека медленнее рынка. Сильный ИИ-пользователь без готовности подписать результат опасен именно скоростью: он тиражирует ошибку быстрее.

Отсюда и смена контура разработки. Раньше часто было: задача → код → тесты → результат. Теперь ближе к: проблема → спецификация → решение с помощью модели → проверка → интеграция → эксплуатация → ответственность. Программирование не обязано исчезнуть; реалистичнее три параллельных сценария: где-то спрос на ручной код падает, где-то программирование становится массовым инструментом вроде таблиц, где-то профессия смещается к управлению вычислительными системами. Какой сценарий победит в вашей нише — пока открытый вопрос; готовиться разумнее ко второму и третьему.

Матрица «угроза / рост»

Матрица — не приговор, а карта ставок. Высокий риск при низком росте означает: оставаться только здесь — стратегия против тренда. Низкий риск при высоком росте — место, куда имеет смысл переносить учебное время и продуктовые ставки.

Как выбирать проекты и направление

Перед новым продуктом полезны пять вопросов:

1. Можно ли воспроизвести основную функцию одной универсальной моделью за вечер?
2. Есть ли у продукта уникальные данные, которых нет у модели из коробки?
3. Есть ли сложные интеграции и процесс, за который кто-то платит?
4. Есть ли реальная бизнес-проблема с ценой ошибки?
5. Сохранит ли продукт ценность, если ИИ через два года станет в десять раз лучше в вашей текущей «фиче»?

Если на первый вопрос «да», а на остальные «нет», вы проектируете демо, а не бизнес. Если функция воспроизводима, но данные, интеграция и ответственность остаются — ИИ ваш союзник внутри рва.

Алгоритм для профессии похож:

1. Найти задачи, которые ИИ уже автоматизирует в вашей зоне.
2. Найти задачи, которые появляются благодаря ИИ (проверка, данные, внедрение, безопасность).
3. Выбрать область с физическим, экономическим или организационным контекстом.
4. Нарастить предметную экспертизу.
5. Сделать ИИ производственным инструментом, а не игрушкой.
6. Научиться проверять результаты измеримо.
7. Собрать собственный практический проект с ценой ошибки выше нуля.

Прогноз 2027–2030 без категоричности

Вероятно, станет дешевле: типовая разработка, простой контент, простые сайты, базовый дизайн, перевод, черновая документация, стандартная аналитика. Вероятно, станет дороже: качественные данные, экспертиза, инфраструктура, безопасность, интеграция, вычислительные ресурсы, специалисты, способные вести сложные AI-системы, и ответственность за результат.

Но линейный прогноз — плохая привычка. Альтернативные сценарии стоит держать открытыми: ИИ ускоряется быстрее ожиданий; регулирование тормозит внедрение в чувствительных отраслях; стоимость инференса резко падает и меняет экономику локальных моделей; компании массово уходят на частные контуры; агенты становятся основным интерфейсом к корпоративному ПО; рынок труда адаптируется быстрее или медленнее, чем кажется из ленты новостей. Рациональная стратегия — не угадать один сценарий, а строить навыки и продукты, которые полезны в нескольких.

FAQ

Дальше по теме

• Программист в эпоху ИИ — карьера, вход в профессию и сдвиг ценности кода
• Где заканчивается генерация и начинается инженерия
• Производительность человека и ИИ в коде
• Практика: рукописные бланки УЗТ
• Инженерия датасетов
• Production RAG
• Стенд оценки ИИ

Заключение

ИИ не обязан уничтожать профессию или продукт. Он уничтожает экономическое преимущество, основанное только на способности быстро выполнять стандартную интеллектуальную операцию. Поэтому полезный вопрос будущего звучит не «что умеет делать ИИ?», а «какая человеческая или бизнес-ценность остаётся после того, как ИИ научился это делать?».

В мире дешёвого кода выигрывает не тот, кто пишет больше кода. В мире дешёвого контента — не тот, кто печатает больше текста. В мире дешёвого интеллекта выигрывает тот, кто правильно выбирает проблемы, владеет данными, понимает предметную область, строит системы, умеет проверять результат и принимает ответственность за то, что получилось.

Если выбираете следующий шаг на этой неделе, возьмите один свой продукт, курс или роль и честно ответьте на пять вопросов из раздела про выбор проектов. Там, где остаётся только «модель тоже так умеет», пора менять рвы — данные, процесс, проверку или ответственность — а не увеличивать скорость генерации.