Дешевшає операція, а не цінність цілком

До масових моделей вартість багатьох інтелектуальних послуг майже збігалася з вартістю людського часу на виконання. Написати лист клієнту, перекласти інструкцію, сверстати лендинг, розібрати скан накладної, накидати SQL — усе це продавалося як години фахівця. Коли модель робить чернетку за хвилини, ціна виконання падає. Ціна рішення, яке можна віддати в прод або в договір, не падає автоматично.

Це важливо відрізняти від гасла «ШІ замінить усіх». Автоматизація задачі — коли операція стає дешевшою й швидшою. Заміна фахівця — коли зникла потреба в людині, яка ставить мету, тримає контекст, перевіряє крайні випадки й несе наслідки. Між цими двома станами велика зона: людина лишається, але її робота виглядає інакше.

Ефект Джевонса тут часто наводять як розраду: якщо розробка дешевшає, попит на програмне забезпечення зросте, і інженерів потрібно буде ще більше. Частина міркування слушна як тенденція: проєкти, які раніше не окупалися, починають мати сенс; з’являється більше прототипів, внутрішніх інструментів, разових сценаріїв. Але з росту попиту на ПЗ не випливає автоматично ріст попиту на junior-виконавців шаблонного коду. Попит може зміститися до архітектури, даних, безпеки й супроводу — або до людей, які ніколи не наймали розробника й тепер збирають вузьке рішення самі.

Емпірика обережніша за хайп. У дослідженні підтримки клієнтів Brynjolfsson, Li і Raymond доступ до генеративного асистента підняв продуктивність приблизно на 14%, причому сильніше у менш досвідчених співробітників. В експериментах Dell'Acqua та колег у консультантів видно «нерівну межу»: усередині зони компетенції моделі якість і швидкість ростуть, за її межами впевнена відповідь погіршує результат. Для розробників польові вимірювання навколо асистентів на кшталт Copilot показують ріст завершених задач, знову з більшим ефектом у менш досвідчених. Свіжіші спостереження за агентними інструментами на GitHub малюють інший важливий узір: активність у комітах росте сильно, а число реальних релізів і використання — помітно скромніше. Виробництво проміжного артефакту дешевшає швидше, ніж доставка цінності користувачу.

Які застосунки ризикують втратити актуальність

Під ударом не «усі SaaS», а продукти, чия єдина рідкісність — виконання операції, яку універсальна модель уже робить достатньо добре для масового користувача.

Категорія рідко зникає цілком. Зникає маржа у найпростішого варіанту. Простий OCR-застосунок, який лише «фото → текст», конкурує з безкоштовною кнопкою. Промислове OCR із контролем якості, локальним виконанням, власним набором бланків і вивантаженням в ERP може стати більш потрібним: універсальна модель не знає ваших порожніх клітинок, допусків і регламенту приймання.

Той самий шаблон повторюється в генерації сайтів, чат-ботах і «AI-обгортках» навколо одного API. Якщо продукт не додає дані, процес, інтеграцію чи відповідальність, він продає те, що платформа за рік віддасть безкоштовно. Якщо додає — ШІ стає прискорювачем усередині продукту, а не його вбивцею.

Освіта: правильна відповідь ще не знання

Найшвидший спосіб знецінити навчальний продукт — зробити так, щоб учень отримував готовий розв’язок швидше, ніж встигає зрозуміти задачу. Велика мовна модель дає рішення, переклад, рефакторинг, план уроку. Людина може здати роботу, не утримуючи принцип. Різниця між використовувати інструмент і розвинути компетенцію тут стає політичною для шкіл, буткемпів і корпоративного навчання.

Що втрачає цінність найшвидше:

• курси, де мета — вивчити синтаксис мови як набір команд;
• тренування механічного написання шаблонного коду;
• збірки підказок без методології постановки задачі й перевірки;
• навчання інтерфейсам конкретного інструменту, який зміниться за рік;
• довідники без проєктів і зворотного зв’язку;
• програми без реальної ціни помилки в навчальному завданні.

На зміну приходить не «скасувати теорію», а повернути їй роль каркаса. Фундаментальні знання стають важливішими саме тому, що модель вільно видає правдоподібну нісенітницю за межами своєї надійної зони. Потрібні реальні задачі, проєкти, експерименти, перевірка гіпотез, критична оцінка відповіді ШІ й уміння самостійно досліджувати предметну область. Інакше ринок отримує покоління операторів чату, які не відрізняють робочий прототип від системи, за яку можна відповідати.

Це прямо пов’язано з тим, як ламається вхід в інженерію: прості навчальні задачі — ті самі, на яких раніше тренували руку — автоматизуються першими. Докладніше про кар’єрну драбину програміста я розбирав у «Програміст в епоху ШІ»; тут важливіший загальний принцип для будь-якого навчання: якщо вправу повністю розв’язує одна кнопка, вона більше не вимірює навичку.

Професії й задачі під тиском

Казати «професія зникне» зазвичай зарано. Точніше дивитися на портфель задач усередині ролі. Автоматизуються повторювані, добре описані, легко перевірювані шматки. Лишаються постановка, винятки, комунікація, відповідальність і робота з неповним контекстом.

Для кожного рядка кар’єрна драбина змінюється подібно: нижні щаблі, де платили за обсяг виконання, стискаються; верхні, де платили за судження, розширюються — але на них складніше потрапити без практики. Звіт Всесвітнього економічного форуму про майбутнє робочих місць (2025) фіксує очікування роботодавців: технології ШІ водночас створюють і витісняють ролі (порядку 11 млн створюваних і 9 млн витіснюваних у їхній проєкції до 2030). Це опитувальний прогноз, не закон природи, але напрям сигналу ясний: перетрушування задач сильніше, ніж зникнення цілих професій одним махом.

Чому загроза не лише для junior

Легко сказати, що «постраждає лише junior». Реальність жорсткіша. Один досвідчений інженер із добрими інструментами вже закриває обсяг, на який раніше потрібна була маленька команда виконавців. Це не робить senior безсмертним: якщо його цінність була в швидкості писати типовий сервіс, модель наздоганяє й його. Стійкіший той, хто тримає архітектуру, комунікації з бізнесом, ціну помилки й супровід.

Традиційна драбина «junior → middle → senior» спиралася на потік простих задач. Якщо потік зникає, виникає питання: де новачок набере досвід? Відповідь ринку доведеться конструювати заново — через навчальні полігони з реальною ціною помилки, парну роботу над перевіркою, володіння оцінкою якості, участь в інтеграціях і інцидентах. Інакше ми отримаємо дефіцит людей, здатних перевіряти те, що генерують моделі.

Саме тому межа «де закінчується генерація і починається інженерія» важливіша за суперечку про те, «чи помре програмування». Див. де закінчується генерація коду і порівняння продуктивності людини та ШІ. Рев’ю після агента — нова вузька ділянка, а не формальність: рев’ю коду в епоху AI.

Що стає дорожчим: дані, інтеграція, контроль

Якщо універсальна модель закриває «середню» інтелектуальну працю, рідкісність їде туди, де однієї моделі замало.

Прикладний і промисловий ШІ. Комп’ютерний зір на лінії, пошук дефектів, медичний розбір знімків, промисловий контроль, прогнозування під конкретний процес, робототехніка. Що ближче система до фізичного або жорстко регламентованого бізнес-процесу, то складніше замінити весь продукт однією універсальною моделлю з чату. Потрібні дані лінії, допуски, інтеграція з контролерами, люди, які підпишуть результат.

Локальний і корпоративний ШІ. Локальні мовні моделі, пошук з опорою на внутрішні бази (RAG), агенти з правами доступу, приватність, безпека, стикування з ERP і CRM, інфраструктура запуску моделей. Тут продукт — не «відповісти гарно», а «відповісти з наших документів тим, кому можна, і зафіксувати, чому». Практика збірки такого контуру — у production RAG і в матеріалах про підміну інструкцій.

Інженерія даних. Підготовка наборів даних, очищення, дедуплікація, розмітка, синтетика, оцінка якості, конвеєри, експлуатація ML-систем, доставка великих наборів. Коли код дешевшає, дані часто стають головним активом. Див. інженерію датасетів.

Контроль і перевірка. Оцінка якості моделей, тестування ШІ-систем, перевірка фактів, спостережуваність, безпека агентів, захист від підміни інструкцій, контроль вигаданих відповідей, людина в контурі, аудит. Якщо виробництво відповіді майже безкоштовне, ринок платить за вміння сказати «цьому не можна довіряти». Практична рамка — стенд оцінки ШІ і економіка вартості збою.

Які продукти зберігають цінність

ERP, CRM і галузеві системи не зникають від того, що модель уміє писати код екрана. У них живуть складна бізнес-логіка, роки інтеграцій, історичні дані, нормативка, процеси компанії й висока вартість міграції. ШІ може прискорити доопрацювання; він не обнуляє ціну заміни ядра.

Ще сильніше тримаються продукти з унікальними даними: виробничі журнали, медичні архіви (у межах закону), фінансова історія, корпуси корпоративних документів, телеметрія обладнання. У світі дешевого коду дані — часто головний рів.

Окремий клас — ПЗ, пов’язане з фізичним світом: промислова автоматизація, роботи, медобладнання, IoT, лабораторні стенди, транспорт, енергетика. Згенерувати скрипт можна швидко; сертифікувати поведінку системи, яка рухає метал або дозує речовину, — ні.

Нарешті, продукти, яким довіряють: безпека, стабільність, передбачуваність, договірний рівень сервісу, сертифікація, аудит, юридична відповідальність постачальника. Коли будь-хто може зібрати прототип за вечір, купують того, хто підпише наслідки вранці й уночі.

Експеримент StuzhukLab: звичайний OCR проти промислового

Щоб не сперечатися абстрактно, гіпотезу зручно перевіряти на одній функції, яку ШІ вже «вміє»: розпізнавання тексту. Ми використовуємо цю рамку в лабораторії й у промислових пілотах.

Прототип A — універсальний AI OCR. Завантаження зображення → мультимодальна модель → текст на екрані. Термін збірки — години. Вартість розробки низька. На чистих документах якість часто прийнятна. Локальний запуск, контроль порожніх клітинок, інтеграція з обліковою системою й юридична відповідальність — зазвичай відсутні або імітуються.

Прототип B — спеціалізований промисловий контур. Детекція таблиці, нарізка клітинок, спеціалізоване розпізнавання, оцінка впевненості, правила для порожніх і сумнівних полів, збереження результату, вивантаження в бізнес-систему, можливість працювати без відправки сканів у зовнішній хмарний чат. Термін і вартість вищі. Зате з’являються точність на вашому класі бланків, керовані хибні спрацьовування, аудит і шлях у прод.

Метрики порівняння, які мають сенс для замовника:

Головне питання експерименту: якщо базова AI-функція майже безкоштовна, де з’являється справжня цінність продукту? Відповідь, яку ми бачимо на практиці: у даних, правилах приймання, впевненості моделі, інтеграції й ціні помилки. Розбір рукописних промислових бланків — живий приклад, чому «однієї моделі замало»: практика УЗТ.

Формула нової професійної цінності

Список того, що дешевшає, уже знайомий: типовий код, генерація тексту й картинок, базовий переклад, проста аналітика, прототипи, чорнова документація, пошук типових рішень. Список того, що дорожчає, коротший і жорсткіший: правильна постановка задачі, предметна область, унікальні дані, архітектура, інтеграція, перевірка, безпека, управління складними системами, ухвалення рішень і відповідальність.

Зручна робоча модель:

Цінність фахівця ≈ знання × здатність розв’язувати задачі × використання ШІ × відповідальність за результат

Якщо будь-який множник близький до нуля, добуток малий. «Умію писати підказки» без знань і відповідальності дає гарну чернетку. Глибокі знання без уміння користуватися ШІ лишають людину повільнішою за ринок. Сильний користувач ШІ без готовності підписати результат небезпечний саме швидкістю: він тиражує помилку швидше.

Звідси й зміна контуру розробки. Раніше часто було: задача → код → тести → результат. Тепер ближче до: проблема → специфікація → рішення за допомогою моделі → перевірка → інтеграція → експлуатація → відповідальність. Програмування не зобов’язане зникнути; реалістичніше три паралельні сценарії: десь попит на ручний код падає, десь програмування стає масовим інструментом на кшталт таблиць, десь професія зміщується до управління обчислювальними системами. Який сценарій переможе у вашій ніші — емпірично відкрите питання; готуватися розумніше до другого й третього.

Матриця «загроза / ріст»

Матриця — не вирок, а карта ставок. Високий ризик при низькому рості означає: лишатися лише тут — стратегія проти тренду. Низький ризик при високому рості — місце, куди має сенс переносити навчальний час і продуктові ставки.

Як обирати проєкти й напрям

Перед новим продуктом корисні п’ять запитань:

1. Чи можна відтворити основну функцію однією універсальною моделлю за вечір?
2. Чи є в продукту унікальні дані, яких немає в моделі «з коробки»?
3. Чи є складні інтеграції й процес, за який хтось платить?
4. Чи є реальна бізнес-проблема з ціною помилки?
5. Чи збереже продукт цінність, якщо ШІ за два роки стане в десять разів кращим у вашій поточній «фічі»?

Якщо на перше запитання «так», а на решту «ні», ви проєктуєте демо, а не бізнес. Якщо функція відтворювана, але дані, інтеграція й відповідальність лишаються — ШІ ваш союзник усередині рову.

Алгоритм для професії схожий:

1. Знайти задачі, які ШІ вже автоматизує у вашій зоні.
2. Знайти задачі, які з’являються завдяки ШІ (перевірка, дані, впровадження, безпека).
3. Обрати область із фізичним, економічним або організаційним контекстом.
4. Наростити предметну експертизу.
5. Зробити ШІ виробничим інструментом, а не іграшкою.
6. Навчитися перевіряти результати вимірювано.
7. Зібрати власний практичний проєкт із ціною помилки вище нуля.

Прогноз 2027–2030 без категоричності

Ймовірно, стане дешевшим: типова розробка, простий контент, прості сайти, базовий дизайн, переклад, чорнова документація, стандартна аналітика. Ймовірно, стане дорожчим: якісні дані, експертиза, інфраструктура, безпека, інтеграція, обчислювальні ресурси, фахівці, здатні вести складні AI-системи, і відповідальність за результат.

Але лінійний прогноз — погана звичка. Альтернативні сценарії варто тримати відкритими: ШІ прискорюється швидше очікувань; регулювання гальмує впровадження в чутливих галузях; вартість висновку моделі різко падає й змінює економіку локальних моделей; компанії масово йдуть на приватні контури; агенти стають основним інтерфейсом до корпоративного ПЗ; ринок праці адаптується швидше або повільніше, ніж здається з стрічки новин. Раціональна стратегія — не вгадати один сценарій, а будувати навички й продукти, які корисні в кількох.

FAQ

Далі за темою

• Програміст в епоху ШІ — кар’єра, вхід у професію і зсув цінності коду
• Де закінчується генерація і починається інженерія
• Продуктивність людини та ШІ в коді
• Практика: рукописні бланки УЗТ
• Інженерія датасетів
• Production RAG
• Стенд оцінки ШІ

Висновок

ШІ не зобов’язаний знищувати професію чи продукт. Він знищує економічну перевагу, засновану лише на здатності швидко виконувати стандартну інтелектуальну операцію. Тому корисне запитання майбутнього звучить не «що вміє робити ШІ?», а «яка людська або бізнес-цінність лишається після того, як ШІ навчився це робити?».

У світі дешевого коду виграє не той, хто пише більше коду. У світі дешевого контенту — не той, хто друкує більше тексту. У світі дешевого інтелекту виграє той, хто правильно обирає проблеми, володіє даними, розуміє предметну область, будує системи, вміє перевіряти результат і бере відповідальність за те, що вийшло.

Якщо обираєте наступний крок цього тижня, візьміть один свій продукт, курс або роль і чесно дайте відповідь на п’ять запитань із розділу про вибір проєктів. Там, де лишається лише «модель теж так уміє», час міняти рови — дані, процес, перевірку чи відповідальність — а не збільшувати швидкість генерації.