02 · Почему сейчас

В апреле 2025 Тоби Лютке, основатель Shopify, разослал письмо сотрудникам — а потом сам же выложил его публично. Два правила, вшитых прямо в performance review. Первое: уметь работать с ИИ больше не плюс к резюме, а baseline, как умение читать почту. Второе жёстче. Прежде чем команда придёт просить нового человека в штат, она обязана доказать, что задачу нельзя сделать через ИИ. Не «попробуйте сначала автоматизировать». А «обоснуйте, почему живой человек — единственный способ».

Представьте, как это письмо приземляется на конкретный понедельник конкретного тимлида. Назову его условно — руководитель 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 понятен: 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 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. Оно поменяло вопрос, с которого начинается каждый понедельник.

Вдумайтесь, что Лютке перевернул. Headcount — то, вокруг чего сто лет собиралась вся механика фирмы: найм, бюджеты, оргструктура, статус. Из дефолтного ответа на рост он превратился в исключение, которое надо защищать. Сменилась базовая единица, из которой собирают компанию.

И вот вопрос главы. Почему именно сейчас? 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 операционной директивой?

Ответ не в одной красивой кривой. В трёх, которые сошлись в одной точке. И сразу за ними — честный контр-факт, который не даёт превратить главу в 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. Поэтому риторику отложим. Сначала — то, что измерено.

Сначала рухнул порог входа. Стоимость инференса на уровне качества 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]. 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 вендора, а уже случившийся факт, зафиксированный в годовом отчёте Стэнфорда. Субстрат, на котором работает любой артефакт — скилл, агент, eval, — подешевел настолько, что вопрос «по карману ли мне это» снялся сам собой.

Дешевизна без надёжности — игрушка. Поэтому вторая кривая важнее.

METR — некоммерческая лаборатория оценки моделей — измеряет «агентный горизонт»: длину задачи, которую модель доводит до конца без срыва с вероятностью успеха 50%. Метрика в человеко-времени: сколько работы уместилось бы у человека в эти минуты или часы. После 2023 года горизонт удваивается примерно каждые 131 день (METR, Time-Horizon, январь 2026) [E]. К началу 2026-го p50 подбирался к двенадцати часам непрерывной работы. Пророчеств на этой кривой я не строю: экстраполяция за пределы данных остаётся гипотезой [H], кривая может загнуться завтра. Но направление однозначно. 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.

Тут стоит назвать обе границы спектра, чтобы не врать ни в одну сторону. Снизу — «плато»: кривая упирается в потолок, удвоения прекращаются, и весь мой тезис рассыпается (к этому фальсификатору 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 — 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 затем, чтобы не считать «плато» единственной альтернативой росту. Реальность почти наверняка ляжет между двумя крайностями. Спорить мы будем о том, где именно.

Третья кривая — сдвиг стал массовым. Внедрение ИИ перестало быть уделом техногигантов: по корпоративным замерам adoption его так или иначе пробуют порядка двух третей фирм (McKinsey, The State of AI 2024) [E]. Не пилот в одной компании из ста, а большинство. Дешёвый субстрат можно купить, надёжную модель — арендовать, но массовость означает другое: меняется среда. 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, 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 сублимируется

Дешёвый и надёжный инференс — это про субстрат. Но книга не про субстрат. Она 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 формулировкой «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 эскалировать 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.

Вот граница, которую ch01 проводит между мёртвым знанием и живой способностью. До 2025-го компетенция человека жила в двух местах. В голове — как тацитное 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 лежало пассивным грузом.

Сошедшиеся кривые сдвинули третье состояние из теории в практику. Компетенцию стало можно сублимировать — вынести из головы в исполняемый артефакт, который не ждёт исполнителя, а исполняется сам. Скилл, агент, MCP-коннектор, eval. Те самые «три случая из четырёх» и «сначала про номер заказа» из головы ушедшего оператора один раз закодированы — и дальше вызываются дёшево, надёжно, сколько угодно раз. Раньше «дешёвый инференс» означал просто «дешевле гонять чат-бота». Теперь он означает другое: операционное знание логиста, маркетолога, диагноста перестаёт уходить за дверь вместе с человеком. Компетенция уходит с человеком. Артефакт остаётся.

Вот почему «почему сейчас» — это не про чат-ботов. Это про момент, когда сублимация компетенции стала по карману и достаточно надёжна, чтобы на неё 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. Тут самое неудобное число главы.

Те же две трети adoption при строгом замере — не «пробовали», а реальная операционная интеграция в процессы — съёживаются в разы. А 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 с окном измерения возврата 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, 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 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-ассистентом на деле замедлились — хотя были уверены, что ускорились. Ощущение скорости и фактическая скорость разошлись в разные стороны. Если вы внедряете ИИ по самочувствию команды («мы стали быстрее, всем нравится»), вы оптимизируете ложный сигнал — и попадаете прямиком в те 95%, что не дают эффекта на P&L.

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. Klarna убрала носителей контекста раньше, чем артефакты прошли валидацию на сложных кейсах. Вместе с людьми ушла компетенция — та самая, из примера с оператором поддержки, — и когда артефакт начал тихо ошибаться, распознать ошибку стало некому.

Так что 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. GenAI Divide — не приговор технологии. Это зазор исполнения.

Это уже было: от Infrastructure-as-Code к Organization-as-Code

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 тацитном знании конкретных людей: ушёл админ — 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, и инфраструктура стала версионируемой, аудируемой, воспроизводимой одной командой. Знание перестало жить в голове админа и переехало в репозиторий.

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. Аналогия точна ещё и тем, что DevOps не уволил инженеров — он поднял их на уровень выше: от ручной настройки к проектированию и надзору за системами, которые настраивают себя сами. Это прямая подсказка к тому, что произойдёт с экспертом. Но это и предупреждение: IaC дал не только скорость, а ещё и новый класс отказов — дрейф конфигураций, тихие регрессии, долги автоматизации, которые всплывают месяцами позже. Та же расплата ждёт Organization-as-Code.

Что уже стоит на месте операционной модели

Под ногами не вакуум. Каркас будущей фирмы уже проступает в данных и практике — просто он 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. Здесь достаточно одного: расслоение наблюдаемо уже сейчас, а не в прогнозе.

И оно подтверждается экономикой, невозможной в labor-centric мире. Появились микро-фирмы, где выручка на сотрудника на порядок-два выше медианы SaaS — тонкий слой людей командует множеством артефактов. 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]. Это не магия одного гениального продукта. Это арифметика: горстка людей, помноженная на парк артефактов.

Появилась и инфраструктура переноса знания между фирмами. 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 под каждое приложение, и площадок стало много. Но тут же — нюанс, который и образует окно. Основная масса готовых скиллов — для 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: среди скиллов в реестрах уже находят вредоносные — 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 и как ускоритель, и как поверхность атаки разом.

Всё перечисленное существует фрагментами: расслоение ролей, экономика микро-фирмы, маркетплейсы, протоколы. У McKinsey это есть для enterprise, 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 и есть зазор между «всё придумано по частям» и «собрано в operating model».

Линза: 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 те контр-данные, что 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 этой главы узкий и без пророчеств. Не начинайте с увольнений и не доверяйте самочувствию команды. Размечайте процессы и измеряйте реальный исход — стоимость на результат и долю успешных прогонов, а не ощущение скорости. Людей-носителей контекста держите до тех пор, пока артефакт не прошёл валидацию на сложных кейсах. Это прямой урок эксперимента METR и разворота Klarna.

Теперь честный фальсификатор главы — то, 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. Я ставлю на то, что кривая удержится ещё пару удвоений. Но это ставка, а не факт, и я называю её ставкой.

Сумма главы — не «ИИ всё заменит» и не «ИИ — пузырь». Обе половины верны одновременно. Механизм реален: инференс ×280, горизонт ×2 за 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 именно тацитное знание проходит путь от головы эксперта до вызываемого скилла.