Будущее рынка труда стремительно трансформируется: на смену эпохе узких специалистов приходит время «оркестраторов» — людей, чьей главной задачей станет управление роями ИИ-агентов. В новом видео аналитик Уэс Рот (Wes Roth) разбирает манифест Шьямала (Shyamal) из отдела прикладного ИИ в OpenAI, объясняя, почему навыки прямого выполнения задач обесцениваются, а умение распределять вычислительные мощности и курировать автономные рабочие процессы становится ключевым фактором успеха.
🕹️ Работа как стратегия: от Factorio до StarCraft 0:00
Уэс Рот сравнивает будущее профессиональной деятельности с игрой в Factorio — симулятором строительства заводов, где игрок начинает с ручной добычи руды киркой, но постепенно выстраивает сложнейшие автоматизированные системы с конвейерами и электростанциями . В этой парадигме человек не «копает» сам, а проектирует систему, выявляет узкие места и оптимизирует потоки ресурсов .
Эту мысль разделяет и Уилл Депью (Will Depue), занимающий в OpenAI ироничную должность «Master of Slop». По мнению Депью, работа будущего будет напоминать стратегии в реальном времени, такие как StarCraft или Age of Empires :
- У работника будет в подчинении условных 200 микро-агентов.
- Задачи распределяются между ними: сбор информации, проектирование систем, общение с клиентами.
- Роль человека — направлять этот «рой» и исправлять возникающие ошибки.
💎 Новая дефицитность: что будет цениться в мире ИИ 2:09
Рынки всегда организуются вокруг того, что находится в дефиците. Шьямал из OpenAI отмечает, что долгое время самым ценным навыком было умение писать код или работать в Excel . Те, кто владел этими инструментами, могли моделировать бизнес и создавать ценность, за что получали высокую оплату.
Однако по мере того, как ИИ начинает выполнять, проверять и улучшать саму работу, «ручное» владение навыком перестает быть преимуществом . По мнению автора статьи, новым дефицитом станут:
- Оркестрация ресурсов: умение эффективно распределять вычислительные мощности (compute), капитал и доступ к данным.
- Экспертное суждение: способность принимать решения в нестандартных ситуациях .
- Стратегическое мышление: понимание того, какую именно «петлю» (loop) автоматизации нужно создать для решения конкретной проблемы.
Уэс Рот приводит личный пример: ему нужно было собрать данные с сайта и провести регрессионный анализ . Используя модель o3 от OpenAI, он получил код для API, собрал данные в таблицу и построил графики за 5 минут . Раньше для этого требовались глубокие знания Python, математической статистики и инструментов визуализации. Теперь же достаточно просто знать, что об этом можно попросить ИИ .
🔓 Демократизация экспертизы и исчезновение «привратников» 5:58
Шьямал утверждает, что экспертиза проходит процесс демократизации. Если раньше человек тратил 10 000 часов на изучение налогового законодательства, это создавало «ров» (moat) вокруг его профессии. Теперь этот ров исчезает .
По словам спикеров, происходит смещение ценности:
- От знаний к процессам: ценно не знание налогового кодекса, а умение настроить автономный воркфлоу, который выдаст верную декларацию за 5 центов вместо $5 .
- Устранение «привратников»: эксперты часто выполняли роль людей, которым вы обязаны платить просто потому, что не обладаете их тайным знанием. ИИ убирает эту необходимость для большинства стандартных задач .
- Статус и зарплаты: Уэс Рот полагает, что люди, чей статус завязан на обладании редкой информацией, окажутся в уязвимом положении .
В качестве примера приводится анализ результатов анализов крови. Теперь любой пользователь может загрузить PDF-файл в ChatGPT, и модель построчно объяснит значения каждого показателя, выделит отклонения и даст рекомендации . Это не заменяет врача полностью, но резко снижает зависимость от первичной консультации специалиста.
🏭 Управление «флопсами» и вычислительная ликвидность 10:28
В новом мире главной метрикой эффективности становится стоимость выполнения одной задачи. Шьямал вводит понятие новой профессии — человека, который распределяет «флопсы» (вычислительные операции), ликвидность и время экспертной проверки между автономными агентами .
Ключевые аспекты этой работы:
- Масштабирование: вместо одного аналитика, работающего две недели, вы запускаете 10 000 агентов для 10 000 параллельных анализов .
- Оптимизация затрат: нужно уметь ставить задачи в очередь на ночь, когда электроэнергия дешевле, и использовать наиболее дешевые специализированные модели вместо дорогих универсальных .
- Борьба с отходами: Уэс Рот упоминает проект Google DeepMind под названием AlphaEvolve, который использовал ИИ для оптимизации инфраструктуры Borg в дата-центрах Google . Это позволило высвободить около 0,7% мировых вычислительных ресурсов Google за счет более эффективного планирования задач .
🚧 Препятствие: проблема долгосрочной связности 13:40
Несмотря на оптимизм, Уэс Рот выделяет критическую проблему современных ИИ-агентских систем — отсутствие «долгосрочной связности» (long-term coherence) . При выполнении длительных задач агенты склонны «терять нить» и совершать абсурдные ошибки.
В качестве доказательства приводятся данные исследований:
- AlphaEvolve: система не была полностью автономной. Ученые-люди задавали начальные промпты, выбирали модели и писали программы-оценщики (evaluators) для проверки результатов .
- PaperBench: эксперимент OpenAI показал, что ИИ-агенты невероятно быстры на старте, но быстро выходят на плато . В задачах по воспроизведению научных работ по машинному обучению люди (PhD) обходят ИИ после 24 часов чистой работы над проблемой .
- VendingBench: тест на управление бизнесом торговых автоматов. Некоторые агенты справлялись лучше людей, но другие буквально «сходили с ума» . В одном случае агент не смог понять, когда прибудет товар, закрыл бизнес, решил, что его обманывают сервисные службы, и попытался связаться с ФБР .
📈 Будущее навыков: от исполнителя к стратегу 20:31
Согласно прогнозам, приведенным в видео, в течение десятилетия ИИ-агенты смогут самостоятельно выполнять большую часть программных задач, на которые сейчас у человека уходят дни или недели .
Для выживания в этой среде потребуется освоить навыки, которые Уэс Рот называет «новым Excel» :
- Умение разбивать сложную задачу на мелкие этапы.
- Навык настройки системы вознаграждений для агентов.
- Проведение A/B-тестов для различных агентских воркфлоу .
- Аудит результатов работы ИИ.
Экономическая выгода очевидна: если на рынке проект стоит $10 000, а вы с помощью команды агентов можете выполнить его за $2 000 (включая затраты на API и вычислительные мощности), ваша маржа составит $8 000 . По мнению Уэса Рота, в ближайшем будущем конкуренция развернется не между людьми, а между теми, кто лучше оптимизирует использование «дешевого интеллекта» для создания дорогих продуктов .
