Есть очень удобная версия будущего бизнеса.
Компания внедряет искусственный интеллект. Сотрудники начинают делать в два раза больше работы. Часть людей становится не нужна. Расходы падают, производительность растёт, прибыль летит вверх.
Примерно так сегодня продают половину корпоративных AI-проектов.
Meta решила не обсуждать эту теорию на конференциях.
Она попыталась проверить её на себе.
Внутри компании запустили масштабный проект превращения Meta в AI-native организацию. В отдельных подразделениях рассматривались сценарии, при которых численность команд можно было сократить вплоть до 60%, а оставшиеся сотрудники работали бы значительно продуктивнее благодаря нейросетям и агентам.
Результат оказался чрезвычайно полезным для всей индустрии.
AI действительно позволил производить гораздо больше работы.
Но оказалось, что больше произведённой работы и больше полезного результата — совершенно разные вещи.
Сначала важная поправка: Цукерберг не собирался увольнять 60% всей Meta
После появления этой истории заголовки быстро превратились в:
Meta хотела заменить искусственным интеллектом 60% сотрудников.
Это не совсем так.
Внутри проекта рассматривались модели серьёзного сокращения отдельных команд, причём в некоторых сценариях речь действительно шла примерно о 60%.
Но это не был план:
оставить из всей Meta сорок процентов людей.
Компания исследовала, насколько сильно AI может изменить структуру конкретных функций и сколько сотрудников понадобится после автоматизации.
На мой взгляд, реальная версия даже интереснее громкого заголовка.
Потому что это уже не фантазия:
однажды AI всех заменит.
Это попытка довольно большой технологической компании пересчитать количество людей после внедрения AI прямо сейчас.
Проект внутри Meta называли Project OT
Идея была амбициозная.
Не просто раздать сотрудникам Copilot и посмотреть, стали ли они быстрее писать письма.
Meta хотела перестроить способы работы так, чтобы искусственный интеллект оказался встроен непосредственно в производство.
Код.
Аналитика.
Исследования.
Внутренние операции.
Разработка продуктов.
Планирование.
То есть сначала система должна была научиться выполнять значительную часть рутинной интеллектуальной работы, а затем компания могла пересмотреть размер команд.
Вот это уже настоящий AI transformation.
Не:
сотрудники получили чат-бот.
А:
если AI выполняет работу, сколько сотрудников нам теперь вообще нужно?
Весной 2026 года Meta действительно начала сокращения
В мае компания провела заметную волну увольнений — примерно 10% сотрудников в затронутых направлениях.
Это уже были не разговоры о будущем.
Meta позже официально зафиксировала более миллиарда долларов расходов, связанных с выходными пособиями и реструктуризацией.
После первой волны должен был последовать следующий этап.
Но затем внутри компании начали смотреть на реальные результаты AI-native эксперимента.
И цифры оказались очень странными.
Количество произведённого кода выросло чудовищно
Внутренние данные Meta показывали рост объёма изменений кода примерно на 220%.
На первый взгляд выглядит великолепно.
Разработчики с AI начали создавать значительно больше изменений.
Можно сделать простой вывод:
один программист теперь работает как трое.
Отлично.
Значит, треть команды оставляем, остальных отправляем заниматься садоводством.
Только затем посмотрели не на количество изменений.
А на то, сколько из них реально дошло до пользователей в виде новых или улучшенных функций.
Рост оказался примерно 36%.
Вот это уже совсем другая история.
220% производства превратились всего в 36% результата
Именно эта разница кажется мне самым важным числом всей истории.
AI действительно сделал разработчиков значительно продуктивнее по технической метрике:
сколько кода создано.
Но код сам по себе никому не нужен.
Пользователю нужны:
работающие функции;
стабильный продукт;
исправленные ошибки;
новые возможности.
Компания продаёт не количество коммитов.
Если объём изменений вырос более чем втрое, а полезный выход увеличился значительно скромнее, возникает неприятный вопрос:
а чем заполнена остальная производительность?
И вот здесь начинает проявляться настоящая проблема генеративного AI.
Создавать стало намного дешевле. Проверять — нет
Раньше разработчик писал условно десять изменений.
Теперь с AI может сделать тридцать.
Прекрасно.
Но каждое изменение нужно:
прочитать;
проверить;
протестировать;
сопоставить с архитектурой;
убедиться, что оно ничего не сломало;
пропустить через review;
развернуть;
понаблюдать после релиза.
AI увеличил скорость на входе в конвейер.
А пропускная способность остальных этапов могла остаться прежней.
Получился очень знакомый производственный эффект.
Мы поставили в начале фабрики станок, который выпускает деталей в три раза больше.
Но контроль качества всё ещё проверяет старое количество.
В итоге возле него образуется гора деталей.
Более того, качество начало создавать дополнительные проблемы
По данным внутреннего анализа Meta, количество крупных технических и security-инцидентов выросло примерно на 40%.
А время, которое сотрудники тратили на устранение возникающих проблем, — примерно на 70%.
Вот здесь экономика AI становится особенно весёлой.
Разработчик сделал работу быстрее.
Потом другой разработчик тратит несколько часов, чтобы понять, почему она сломала соседнюю систему.
Если смотреть только на первого:
производительность выросла!
Если смотреть на компанию целиком:
мы просто перенесли работу из одного места в другое.
И иногда сделали её дороже.
Это невероятно важный урок про метрики AI
Представьте отдел продаж.
До внедрения AI менеджер писал 30 писем в день.
После — 200.
Рост производительности:
+567%!
Красивый слайд.
А сколько встреч?
Было 8.
Стало 9.
И сколько людей пожаловались на спам?
Вот это уже менее удобная презентация.
С генеративным AI вообще очень легко измерять то, что он производит, и значительно сложнее — то, что продукт этого производства создаёт для бизнеса.
Количество текста.
Количество кода.
Количество изображений.
Количество отчётов.
Количество обработанных документов.
Всё растёт мгновенно.
Но бизнесу нужны не объекты.
Ему нужен результат.
Meta столкнулась ровно с той же проблемой, которую мы видели у агентов
В недавнем исследовании реальной экономики ИИ-агентов я пришёл практически к тому же выводу.
Плохой вопрос:
сколько операций сделал агент?
Хороший:
сколько законченных полезных операций бизнес получил дешевле, быстрее или прибыльнее?
Meta показала эту разницу почти лабораторно.
220% роста активности разработки выглядит как революция.
36% роста полезных изменений — уже как хороший, но намного более обычный прирост производительности.
А если одновременно растут инциденты и затраты на исправления, итоговую экономику нужно считать ещё внимательнее.
Иначе можно очень эффективно автоматизировать производство проблем.
Почему AI-код вообще способен создавать такой эффект?
Потому что нейросеть почти ничего не теряет, предлагая решение.
Человек пишет функцию и зачастую думает:
а как она связана с остальным проектом?
кто это потом будет поддерживать?
точно ли нужен ещё один слой абстракции?
не существует ли уже похожего механизма?
AI значительно проще ответить:
Конечно! Вот готовая реализация.
И дать 170 строк кода.
Технически они могут быть нормальными.
Но если каждая локальная задача решается добавлением ещё одного куска системы, кодовая база постепенно начинает пухнуть.
Это не обязательно галлюцинация.
Иногда проблема именно в том, что AI слишком легко производит рабочее решение.
В программировании стоимость написания кода всегда была только частью стоимости
Есть старая инженерная шутка:
код пишется один раз, а читается десятки раз.
После AI её придётся немного изменить:
код генерируется за пятнадцать секунд, а разгребается всё ещё человеком.
😁
Большая программная система живёт годами.
Её поддерживают другие люди.
Архитектура должна оставаться понятной.
Изменения должны сочетаться друг с другом.
Нужно избегать дублирования.
Следить за зависимостями.
Помнить накопленные технические решения.
LLM великолепно решает локальную задачу.
Но корпоративная разработка — это не миллион независимых локальных задач.
Это один огромный живой организм.
Чем больше компания, тем сильнее проблема контекста
Meta — не стартап с двадцатью файлами.
У неё гигантские кодовые базы, внутренние платформы, исторические решения и тысячи людей, одновременно что-то меняющих.
Чтобы безопасно изменить одну функцию, мало понимать её саму.
Нужно знать:
почему система вообще устроена именно так?
Некоторые странные участки существуют не потому, что разработчики двадцать лет были идиотами.
А потому что за ними скрываются старые ограничения, совместимость, инфраструктура или уже пережитые аварии.
Нейросеть видит код:
можно сделать красивее.
Человек с восьмилетней историей проекта:
НЕ ТРОГАЙ ЭТО, РАДИ БОГА.
😁
Именно такой неявный организационный контекст пока чрезвычайно трудно передать AI полностью.
Есть ещё один эффект — AI снижает психологическую цену изменения
Если переписать модуль вручную займёт три дня, программист сначала подумает:
а оно мне точно надо?
Если агент предлагает сделать то же за двадцать минут:
давайте попробуем.
Это великолепно для экспериментов.
Но одновременно увеличивает количество изменений, которые раньше никто бы вообще не начинал.
То есть AI способен не только ускорить существующий объём работы.
Он создаёт новый объём работы, потому что работа подешевела.
Экономисты прекрасно знают похожий эффект.
Когда ресурс становится дешевле, люди начинают потреблять его больше.
С кодом происходит то же самое.
И поэтому сокращать людей исключительно на основании скорости генерации опасно
Допустим, AI действительно позволяет одному инженеру написать столько же кода, сколько раньше троим.
Можно решить:
оставляем одного.
Но если раньше двое других занимались:
архитектурой;
ревью;
координацией;
дебагом;
обсуждением требований;
пониманием пользователей;
проверкой пограничных случаев —
нейросеть не обязательно автоматически забрала эти функции вместе с генерацией кода.
В результате мы измерили одну заметную часть профессии и решили, что измерили профессию целиком.
Это примерно как сказать:
экскаватор копает в сто раз быстрее человека. Значит, строительству больше люди не нужны.
А потом оказывается, что дом состоит не только из ямы.
Meta как раз собиралась проверить более радикальную гипотезу
Если AI настолько повышает производительность, можно уменьшить сами команды.
Это не безумная идея.
Через несколько лет она наверняка окажется правильной для части функций.
Вопрос только в масштабе и моменте.
Meta попыталась сделать довольно большой шаг уже сейчас.
А затем увидела, что агентные инструменты развиваются медленнее, чем ожидалось, и вторая большая волна сокращений была остановлена.
Сам Цукерберг позднее признал сотрудникам, что прогресс агентных технологий оказался не настолько быстрым, как предполагалось.
Мне нравится этот эпизод именно потому, что это не критик AI рассказывает:
всё пузырь.
Это человек, который вкладывает в искусственный интеллект десятки миллиардов долларов.
И Meta совершенно не отказалась от AI
Вот это особенно важно.
История не закончилась:
нейросети оказались бесполезны, возвращаем всех людей.
Ничего подобного.
Meta продолжает огромные инвестиции в модели, инфраструктуру, дата-центры и AI-продукты.
Компания по-прежнему считает искусственный интеллект фундаментальной технологией.
Изменилось другое.
Стало понятнее, что путь:
AI появился → производительность выросла → увольняем пропорциональное количество людей
работает слишком примитивно.
Сначала нужно перестроить весь производственный контур.
Возможно, самая большая ошибка корпоративного AI сейчас — автоматизация отдельных сотрудников вместо процесса
Сотрудник получил Copilot.
Пишет вдвое быстрее.
Но работа всё равно проходит через:
согласование;
руководителя;
юриста;
QA;
финансы;
другую команду.
То есть ускорили один этап.
Время всей операции почти не изменилось.
Это классическая теория ограничений.
Производительность системы определяется не самым быстрым участком.
А бутылочным горлышком.
Если вы ускорили всё кроме bottleneck — поздравляю, теперь заявки быстрее доезжают до очереди.
Представьте ресторан
Кухня способна готовить 300 блюд в час.
Один официант способен вынести 40.
Мы внедряем AI-поваров и кухня теперь готовит тысячу.
Выручка выросла?
Нет.
Официант сейчас просто очень сильно нервничает.
😁
С офисными процессами происходит то же самое.
AI способен создавать документы мгновенно.
Но кто-то должен их согласовать.
Писать код.
Но его нужно проверить.
Проводить исследования.
Но руководитель должен принять решение.
Если не изменить следующий участок процесса, рост локальной продуктивности превращается в очередь.
Это отлично объясняет, почему столько AI-пилотов выглядят успешными, а финансовый результат слабый
На пилоте спрашивают:
насколько быстрее сотрудник выполнил задачу?
Ответ:
на 47%.
Победа.
Финансовый директор через год спрашивает:
а где деньги?
И начинается тишина.
Потому что человек действительно освободил два часа.
Но зарплата осталась.
Штат тот же.
Количество произведённого продукта почти то же.
Продажи те же.
То есть возникла теоретическая экономия времени, которая никогда не превратилась в экономический эффект.
Мы уже видели этот разрыв в больших исследованиях внедрения AI.
Meta просто показала его на очень крупной и хорошо измеряемой инженерной системе.
Чтобы AI дал деньги, освободившееся время должно куда-то попасть
Допустим, сотрудник работал восемь часов.
AI сократил работу до пяти.
Есть четыре варианта.
Первый:
сотрудник делает на 60% больше полезных задач.
Отлично.
Второй:
компания растёт, но больше не нанимает новых людей.
Тоже экономический эффект.
Третий:
часть позиции действительно становится ненужной.
Экономия фонда оплаты труда.
Четвёртый:
человек три часа обсуждает происходящее в Telegram.
Для сотрудника великолепно.
Для ROI системы — чуть слабее.
😁
Пока компания не определила, какой из первых трёх эффектов она собирается получить, цифра «экономим 30% рабочего времени» почти ничего не значит.
И именно поэтому я настороженно отношусь к красивым калькуляторам AI-экономии
100 сотрудников × 2 часа в день × 22 рабочих дня × зарплата…
Получили:
нейросеть экономит 18 миллионов рублей в год!
Нет.
Вы не сэкономили 18 миллионов.
Вы высвободили потенциальную рабочую ёмкость стоимостью 18 миллионов.
Теперь покажите, что произошло с этой ёмкостью.
Компания произвела больше?
Не наняла дополнительных сотрудников?
Сократила затраты?
Увеличила продажи?
Если нет — финансовой экономии пока нет.
Это фундаментальная разница.
У Meta был шанс увидеть эту разницу особенно хорошо
Потому что программирование прекрасно измеряется.
Есть коммиты.
Pull requests.
Релизы.
Инциденты.
Баги.
Время разработки.
Метрик огромное количество.
И даже в такой сравнительно хорошо измеряемой профессии картина оказалась гораздо сложнее:
больше кода ≠ пропорционально больше продукта.
Представьте теперь маркетинг.
Юриспруденцию.
Стратегию.
Менеджмент.
Там ещё сложнее доказать, что количество созданных AI-материалов вообще связано с ценностью.
В маркетинге эта ловушка уже видна великолепно
Раньше компания писала четыре статьи в месяц.
Теперь нейросеть пишет сорок.
Рост производительности:
900%.
Только читают их столько же людей.
Или меньше.
Компания:
Но ведь контента стало больше!
Интернет:
Наши соболезнования.
😁
Именно поэтому в собственной автоматизации Дзен я всё больше упираюсь не в способность произвести статью.
С этим нейросети справились давно.
Самые интересные задачи находятся дальше:
какую тему выбрать?
какой материал действительно работает?
что читать стали больше?
что привело подписчиков?
какие темы больше не надо повторять?
Массовое производство без обратной связи — просто дешёвый способ масштабировать мусор.
Meta фактически столкнулась с этим же в разработке
AI резко увеличил throughput создания.
Но теперь системе требовалось лучше решать:
какие изменения вообще нужны?
как их проверять?
какие стоит объединять?
какой код надо выбросить?
где AI создаёт лишнюю сложность?
Парадоксально, но чем легче становится генерировать, тем важнее становится не генерировать лишнее.
Это справедливо для текста.
Кода.
Изображений.
Презентаций.
Практически всего генеративного AI.
Поэтому следующий этап coding agents будет не про написание кода
Они уже умеют.
Следующая большая задача:
самостоятельно понять, какое изменение нужно;
исследовать архитектуру;
выбрать минимальное решение;
написать его;
протестировать;
проверить влияние на соседние системы;
обнаружить ошибку;
исправить;
убедиться, что изменение действительно решило пользовательскую проблему.
То есть не:
AI programmer.
А AI software engineer.
Разница примерно такая же, как между человеком, способным печатать код, и хорошим инженером.
GPT-6 Astra и другие новые агентные модели как раз пытаются идти в эту сторону.
Но кейс Meta показывает, насколько далеко ещё нужно пройти.
Тут появляется довольно неприятная проблема ответственности
Представим агент написал изменение.
Другой агент его проверил.
Третий прогнал тесты.
Через неделю произошёл серьёзный сбой.
Кто ошибся?
Разработчик, который поставил задачу?
Агент?
Модель?
Автор framework?
Тот, кто утвердил deployment?
Чем длиннее автономная цепочка, тем сложнее понять, где именно возникла плохая предпосылка.
И это одна из причин, почему полностью автономные корпоративные агенты пока разворачиваются осторожнее, чем кажется по Twitter.
Красивый демо-ролик заканчивается после успешного выполнения задачи.
Production начинается на следующий день, когда что-то пошло не так.
И тут человеческие сотрудники внезапно оказываются очень полезны
Не обязательно для написания каждой строчки.
А для контроля системы.
Архитектуры.
Необычных решений.
Приоритизации.
Ответственности.
Разбора аварий.
Чем больше AI производит стандартной работы, тем сильнее ценность человека смещается к редким дорогим решениям.
Это вообще постоянный паттерн автоматизации.
Автопилот не обязательно убирает пилота мгновенно.
Он сначала убирает огромный объём ручного пилотирования.
А человеку остаются сложные режимы.
Только эти режимы требуют ещё большей квалификации.
Поэтому сокращение штата может происходить позже, чем рост AI-производительности
Сначала компания получает AI.
Сотрудники делают больше.
Но одновременно нужно:
обучать;
проверять;
менять процессы;
строить инфраструктуру;
исправлять ошибки;
создавать новые правила.
На переходном этапе людей может потребоваться не меньше, а иногда даже больше.
И только когда система стабилизируется, появляется возможность действительно убрать часть ручного труда.
Это хорошо известно по предыдущим промышленным революциям.
Новый станок не превращал фабрику мгновенно в безлюдное помещение.
Сначала вокруг него появлялись новые профессии.
Цукерберг, думаю, в долгосрочном направлении вполне может оказаться прав
Вот это тоже надо сказать.
Провал конкретного темпа не означает провал идеи.
Если сегодня один разработчик с агентами способен выполнять работу полутора человек, через два года он вполне может делать работу трёх.
Если при этом агенты научатся самостоятельно тестировать, анализировать последствия и поддерживать архитектурную целостность, команда действительно станет меньше.
Не потому, что руководство захотело модно «заменить людей AI».
А потому, что экономически не понадобится столько человеческих операций.
Это нормальный технологический процесс.
Вопрос не «произойдёт ли».
Вопрос — насколько быстро и в каких профессиях.
Но Meta дала хороший урок всем, кто хочет сделать это завтра
Не увольняйте человека после первого впечатляющего benchmark.
😁
Сначала замерьте полный процесс.
До внедрения.
После внедрения.
Не только:
сколько сделал AI?
А:
сколько полезного результата выпустила система?
сколько новых ошибок?
сколько времени ушло на проверку?
выросла ли скорость доставки продукта?
снизилась ли стоимость?
стало ли меньше людей действительно нужно?
Вот только после этого можно разговаривать о сокращении команды.
Не наоборот.
Это, кстати, ровно тот принцип, на котором я сейчас строю собственные AI-автоматизации
Я могу показать систему:
смотрите, ИИ сам разговаривает с клиентом.
Красиво.
Но это ещё не бизнес-результат.
Мне интереснее:
увеличилась ли доля обработанных обращений?
снизилось ли время ответа?
выросла ли конверсия?
сколько диалогов пришлось передать человеку?
сколько стоит успешная квалификация?
Поэтому тот же ИИ-продавец внутри Market GPT для меня будет доказанной технологией не тогда, когда он проведёт особенно красивый разговор.
А когда боевые цифры покажут, что вся система продаж стала экономически лучше.
Разговор — только один компонент.
Meta только что очень дорого продемонстрировала тот же принцип в программировании.
Вообще Project OT стоит изучать всем руководителям, которые сейчас слышат «AI сократит вам штат вдвое»
Может сократить.
Вполне.
Но попросите сначала показать механизм.
Какая работа исчезнет?
Какая просто ускорится?
Кто проверяет результат?
Что происходит с ошибками?
Как меняется throughput всей компании?
Как выглядит экономика после учёта новой инфраструктуры?
Какие задачи становятся новым bottleneck?
Если консультант на это отвечает:
Ну, Gartner прогнозирует…
пусть сначала автоматизирует что-нибудь маленькое.
😁
Особенно осторожно я бы относился к сокращению самых сильных специалистов
Потому что именно они часто понимают последствия.
AI умеет великолепно генерировать среднее решение.
Junior с хорошим coding agent способен неожиданно быстро сделать довольно сложную функцию.
Это большое достижение.
Но когда система падает в три часа ночи и ошибка находится на пересечении четырёх сервисов, внезапно нужен человек, который понимает архитектуру целиком.
Если компания сократила его потому, что:
нейросеть теперь пишет 70% кода,
восстановить такую экспертизу за пятнадцать минут будет сложно.
Автоматизация должна уменьшать необходимость в рутине.
Не уничтожать память организации.
И здесь есть странный парадокс: AI может сделать опытного человека ещё дороже
Если один senior способен управлять работой пяти агентов и нескольких младших сотрудников, его рычаг резко увеличивается.
Раньше он лично мог проверить условные десять изменений.
Теперь AI помогает проверить сто.
Но именно его решение:
это безопасно;
это плохая архитектура;
эту функцию вообще не надо делать —
становится особенно ценным.
То есть часть профессий действительно может сильно сократиться количественно.
А лучшие специалисты внутри них могут одновременно стать ещё более производительными и дорогими.
В этом смысле Meta сейчас тестирует будущее раньше остальных
Она может себе позволить.
У компании огромные бюджеты.
Собственные модели.
Гигантская инженерная организация.
Тонны внутренних данных.
Если даже в такой среде переход к радикально меньшим командам оказался сложнее ожиданий, малому бизнесу тем более не стоит верить продавцу:
подключим семь агентов, и в понедельник бухгалтерия больше не понадобится.
Технология движется очень быстро.
Но бизнес-процессы движутся медленнее.
А люди и организации — ещё медленнее.
И всё-таки 36% дополнительного полезного результата — это вообще-то много
На фоне истории легко сделать обратную ошибку:
ха-ха, Meta ничего не получилось.
Подождите.
Если компания действительно увеличила скорость полезных изменений продукта на десятки процентов благодаря AI — это огромный эффект.
В обычном бизнесе за 36% роста производительности многие руководители готовы носить внедренца на руках.
Проблема не в том, что AI бесполезен.
Проблема в ожидании:
раз генерация выросла на 220%, значит людей можно убрать почти пропорционально.
Вот это оказалось слишком оптимистично.
И для меня именно такая версия истории намного интереснее.
Мы сейчас находимся между двумя крайностями
Первая:
AI — игрушка, никого не заменит.
Уже неправда.
Реальные компании автоматизируют поддержку, документы, анализ, программирование, продажи и безопасность.
Вторая:
в следующем году половина офисов станет пустой.
Тоже пока не похоже на правду.
На практике AI сначала встраивается в существующую работу.
Потом меняет её.
И только после этого становится понятно, какое количество людей действительно больше не требуется.
Meta попыталась перепрыгнуть через несколько этапов сразу.
Пришлось немного вернуться.
Но однажды переход всё-таки произойдёт
И вот это я бы не недооценивал.
Если coding agents сегодня дают 36% дополнительного полезного результата, следующие поколения могут дать 60%.
Потом 100%.
Параллельно улучшится автоматическое тестирование.
Модели получат длинную память проектов.
Лучшее понимание архитектуры.
Возможность самостоятельно исследовать последствия изменений.
Тогда вопрос численности команд снова вернётся.
Только уже с гораздо более убедительными цифрами.
То есть история Meta — не:
попытались заменить людей AI и доказали, что это невозможно.
Скорее:
попытались сделать это слишком быстро и обнаружили, какие части человеческой работы пока недооценивали.
Это куда полезнее.
И главный урок здесь даже не про программистов
Он про любую автоматизацию.
Не измеряйте производство.
Измеряйте результат.
ИИ-продавец написал тысячу сообщений?
Мне всё равно.
Сколько продаж?
AI-маркетолог сделал сто рекламных объявлений?
Сколько нормальных лидов?
Нейросеть выпустила пятьсот статей?
Сколько людей читали?
Coding agent создал в три раза больше кода?
Сколько полезного продукта дошло до пользователей и сколько новых пожаров пришлось тушить?
Вот тогда разговор становится интересным.
Именно эта ошибка сейчас создаёт вокруг AI столько тумана
Генеративные системы невероятно хорошо делают наблюдаемые вещи.
Вот текст.
Вот изображение.
Вот код.
Вот презентация.
Результат появляется мгновенно и впечатляет.
Экономическая ценность почти всегда находится на несколько шагов дальше.
Продажа.
Сэкономленные деньги.
Удержанный клиент.
Более быстрый релиз.
Меньше аварий.
Меньше сотрудников при том же качестве.
До этой точки ещё нужно дойти.
А презентация обычно заканчивается раньше.
Поэтому эксперимент Цукерберга мне, пожалуй, нравится
Даже несмотря на то, что часть первоначальных ожиданий не оправдалась.
Кто-то должен проверять эти идеи в масштабе.
Не на пяти программистах.
А на огромной технологической компании.
И теперь у нас есть очень полезный ранний результат.
AI действительно резко повышает способность человека производить интеллектуальную работу.
Но компания не состоит из производства отдельных артефактов.
Она состоит из системы, которая должна превращать эту работу в ценность.
И вот перестроить систему значительно сложнее, чем подключить модель.
Так что людей пока рано выносить из офиса вместе со стульями
Но и расслабляться я бы не стал.
Meta не обнаружила:
AI не работает.
Она обнаружила:
AI работает, но человеческая работа оказалась сложнее, чем количество написанного кода.
Следующее поколение агентов будет атаковать именно оставшиеся части.
Проверку.
Координацию.
Планирование.
Исследование.
Архитектурные решения.
Контроль результата.
И когда они начнут хорошо выполнять уже это, экономика снова изменится.
Возможно, довольно резко.
Но пока Project OT дал корпоративному миру отличный бесплатный совет.
Если нейросеть увеличила объём работы на 220%, не спешите увольнять 60% людей.
Сначала убедитесь, что кто-нибудь действительно хотел все эти дополнительные 220%.
И что вам потом не придётся нанимать их обратно, чтобы всё это чинить.
- Экстремистская организация, запрещена на территории РФ
