frenkyj

Все же знают, что такое генеральное исследование? Это когда учёные берут несколько опубликованных исследований различных лабораторий и синтезируют новую работу, основанную на результатах проведённых исследований, сравнивая результаты между собой. И я вот подумал, а чем я хуже или лучше учёных? Могу ли я провести самостоятельно свои исследования и затем на их основе создать итоговое генеральное исследование? Оказывается - да.

Запрос был примерно такой - какую компанию можно создать, какой рынок нас ждёт и на какие моменты стоит обратить внимание. Цель выглядела так - разработать модель полностью автономной цифровой организации, способной самостоятельно выполнять производственный цикл, маркетинг и управление капиталом. Исключи привязку к современным "legacy" инструментам (вроде классических платформ автоматизации) в пользу систем следующего поколения.

Путь исследования

Сам подход родился из самого понятия генерального исследования. Для начала мне нужно было сформировать запрос на исследования, провести максимальное количество исследований, скомпоновать финальный результат и подготовить само генеральное исследование.

→ Составить изначальный запрос
→ Сделать запросы к моделям
→ Собрать все ответы и источники
→ Дать одной самой сильной модели подготовить генеральный отчёт

Что использовал для исследования

Всего было использовано 11 моделей. В основном это были нейронки, с доступным режимом Deep Research. Deepseek, ChatGPT, notebooklm, glm-5.1 и другие. Там где был не доступен режим глубокого исследования использовал доступный. Одно исключение по режиму - это использование Composer 2 с кастомным скиллом в Cursor.

Ограничения режимов исследования

Не на всех моделях получилось использовать Deep Research режим. Например на Kimi он как бы доступен, но постоянно выводится сообщение вида "Слишком много людей сейчас общаются с Кими. Подпишитесь, чтобы попасть в специальную приоритетную очередь!" Но в какое бы время я не пробовал, сообщение оставалось на месте. Поэтому использовал обычный режим. У Perplexity режим Deep Research доступен только в платной подписке, что сделало не доступным его использование.

Подготовка генерального исследования

По ожиданиям, планировал готовить генеральное исследование через notebooklm от Google. Загрузил туда все материалы, но... результат меня вообще не впечатлил. Хотя сам notebooklm позиционируется как раз как место проведения подобных исследований. Поэтому для генерации генерального исследования использовал ChatGPT 5.5 Pro Extended.

Главный итог исследования и инсайты

Главный итог исследования

Наиболее устойчивый вывод совокупности материалов: жизнеспособная Zero-Employee Company к 2031 году должна пониматься не как “безлюдная” юридическая сущность, а как компания с нулевым постоянным штатом в операционном контуре. Люди сохраняются как владельцы, юридические якоря, аудиторы или лица ответственности, а ежедневное исполнение переносится в мультиагентные системы с проверяемыми ограничителями.

Десять главных инсайтов

1. ZEC нельзя проектировать как “бота, который все делает”; ее нужно проектировать как операционную систему с правами, журналами, политиками и откатом.

2. Самая устойчивая формула автономии — no-FTE operating contour: операционный штат близок к нулю, но человеческая ответственность не исчезает.

3. Нейро-символика — главный архитектурный мост между гибкостью LLM и требованиями бизнеса к правилам, объяснимости и аудиту.

4. Массовый контент дешевеет быстрее, чем доверие; поэтому медиа-модель работает как быстрый MVP, но не как финальный ров.

5. Финансовая автономия привлекательна, но без юридического контейнера, лимитов и KYC/AML может стать главным источником риска.

6. “Право на действие” становится дефицитнее, чем интеллект: многие смогут сгенерировать совет, но немногие смогут безопасно выполнить действие.

7. Data logistics и DePIN привлекательны тем, что продают SLA, provenance и доставку данных, а не абстрактную генерацию.

8. Рынок AI agents быстро растет по всем документам, но конкретные CAGR и TAM нельзя смешивать без единой методологии.

9. Computer Use расширяет возможности агентов, но для критичных операций API и детерминированные проверки остаются предпочтительными.

10. Сильная ZEC должна учиться на результатах действий, но обновление бизнес-логики должно проходить через evals, sandbox и human gate для критичных изменений.

Кому полезен документ

• Документ полезен основателю, инвестору, техническому лидеру, юристу, продуктовой команде или исследовательской группе, которые оценивают стратегию автономного бизнеса, выбор ниши, архитектуру агентной системы, источники защитного рва и риски юридической автономии.

Полное исследование доступно по ссылке
https://github.com/shenwell/general-research-ai-agents-zero-employee-company

Мой личный вывод по итогам исследования

В итоге я начинаю не с идеи про компанию без людей, а с теперь очевидного вопроса. Какой небольшой бизнес-процесс я могу запустить почти без ручной операционки? Беру одну узкую нишу и собираю вокруг неё понятный путь: идея → исследование → оффер → лендинг → контент → лиды → продажи → саппорт → финансы. Всё, что повторяется, постепенно отдаю агентам. За собой оставляю главное - выбор направления, продуктовые решения, деньги, качество. Моя цель не построить фантастическую автономную компанию (хотя и это тоже), а собрать систему, которая помогает находить спрос, продавать и может улучшаться после каждого цикла.

И какой итог исследования?

Для меня это было необычное погружение. Я познакомился с новыми для себя инструментами - kimi и z.ai я открывал в первый раз. Наглядно увидел возможности различных нейронок по глубине исследования. Получил массу эмоций от моего любимого формата - придумал-сделал-получил результат.

Надеюсь исследование получилось не слишком академическим и натолкнёт вас на интересные размышления в какую сторону движется мир. А идеи возникшие по ходу вы используете для действий и создания ZEC.

Если вам интересна тема Zero-Employee Company или Zero-Human Company, подписывайтесь на канал в ТГ. Там больше постов и самого пути.

Ссылка на канал: https://t.me/supervisionpw

Выкатили в прод диалогового ассистента на LLM. Метрики вовлечённости и удержания подросли, в поддержке меньше типичных претензий про отсутствие AI, а в финмодели строка расходов на вызовы модели раздулась так, что стоимость одного запроса оказалась в три раза выше заложенного в бюджет. CFO хочет устойчивую модель до ближайшего заседания совета директоров, пользователи ждут, что продукт не сломают.

Ниже рабочий фреймворк. Сначала переформулировать цель, чтобы не резать продукт вслепую, разложить перерасход по драйверам, затем тянуть пять рычагов SCALE сверху вниз, от низкорисковой инженерии к монетизации. В конце перечислены метрики, на которых держится доверие финансов и ответственность перед retention.

Базовые вопросы перед началом оптимизации

Перед тем как обсуждать маршрутизацию моделей, я бы зафиксировал контекст. От него зависит, можно ли списать всё на ошибку выбора модели или проблема в объёме и токенах. Задача в том, чтобы выровнять юнит-экономику AI-фичи (стоимость запроса к модели, маржа) и не потерять продуктовый эффект и доверие пользователей.

Имеет смысл явно ответить на несколько базовых вопросов:

1. Что за фича по форме? Диалог, генерация контента, RAG по базе знаний, копилот в IDE, у каждого свой профиль запросов и требований к задержке.

2. Откуда взялась тройка к бюджету? Дорогая модель вместо заложенной, рост числа запросов, длинные промпты, комбинация факторов, процент вклада каждого слоя разный.

3. Как монетизируем? Включено в базовую цену, аддон, usage-based. От этого зависит, чувствует ли пользователь рост затрат при росте активности (лимиты, кредиты, предупреждение о смене тарифа) или перерасход остаётся невидимым до внутренних отчётов.

4. Какой горизонт и сроки? Квартал на демонстрацию динамики, это один план работ. Закрыть дыру к пятнице, это другой темп.

5. Что значит нам нравится в цифрах? Если когорта пользователей AI даёт заметный прирост удержания или выручки с клиента (чек, LTV), вы не обсуждаете отключение ради экономии. Вы обсуждаете соотношение ценности и COGS.

Последний пункт, главный якорь. Как только в комнате появляется число вроде удержание у вовлечённых в AI выше на десятки процентов, разговор смещается с вырезания трат на то, как сохранить этот эффект и выровнять юнит-экономику. Это ровно тот сдвиг, который отличает зрелого PM от человека, который оптимизирует одну строку P&L.

Цель не урезать стоимость, а вытянуть ценность на доллар

Формально цели звучат похоже, но ветки решений расходятся.

• Урезать стоимость почти всегда тянет к жёстким лимитам, урезанию контекста без измерений и конфликту с продуктом.

• Максимизировать ценность на доллар затрат на вызовы модели ведёт к маршрутизации, кэшу, экспериментам по качеству и, если нужно, к ценовой дискриминации, но в осмысленном порядке.

Плюс контекст рынка, перекос в сторону дорогих вызовов тяжёлых моделей и сложная монетизация не редкость. Публичные разборы крупных AI-продуктов то и дело показывают, как быстро COGS съедает маржу, когда фича популярна и модель тяжёлая. Вам не обязательно копировать чужие цифры в презентации, достаточно признать паттерн. Ниже ориентиры из открытых источников (порядки округлены и могли сдвинуться по кварталам).

• OpenAI. CNBC подтверждала оценки 2024 года о ~$3.7 млрд выручки при убытке порядка $5 млрд за год (цифры впервые шли из документов, The New York Times была первой), то есть масштаб затрат на вызовы модели и инфраструктуру на фоне роста ChatGPT и API.

• Perplexity. The Information разбирала экономику маржи и классификации расходов, открытый пересказ с ориентирами по данным The Information приводит ~$34 млн выручки и ~$57 млн затрат на compute и web за 2024 год (часть расходов уходит в R&D, поэтому итоговый убыток зависит от учётной политики).

• Character.AI. В официальном блоге компания пишет про ~20 000 запросов в секунду (масштаб порядка Google Search) и стоимость менее $0.01 за час разговора при оптимизации стека вызовов модели, то есть рост трафика напрямую бьёт по затратам.

• Microsoft (Microsoft 365 Copilot, GitHub Copilot). Computerworld пересказывает disclosure Microsoft и оценку Forrester, ~15 млн платных мест Copilot на фоне ~450 млн пользователей Microsoft 365 (в статье, ~3.3% базы, оценка аналитика).

• Cursor. TechCrunch со ссылкой на Bloomberg писал про ARR выше $500 млн и раунд с оценкой ~$9.9 млрд, то есть быстрый рост выручки при том, что продукт остаётся тяжёлым по вызовам модели на одного пользователя.

Структурно это та же задача, что и у половины B2B SaaS с LLM внутри.

Куда уходят деньги - четыре драйвера

Если не разложить перерасход по корзинам, любое действие вроде "поставим модель поменьше" может промахнуться мимо реальной причины.

1. Выбор модели. Одна тяжёлая модель на все классы запросов, классический перекос. Простые задачи, классификация и короткое резюме, платят по тарифу размышляющей модели. В типичных прайс-листах разница между маленькой и фронтирной задачами на порядки, и это первое место, где стоит искать рычаг, если профиль запросов смешанный.

2. Раздувание токенов. Длинный системный промпт на каждый вызов, десять чанков RAG там, где хватило бы пяти, мультитёрн, где в контекст уезжает вся история, всё это линейно умножает счёт.

3. Объём. Если фича реально зашла, фактическое число запросов на пользователя бьёт план. При плоской подписке пользователь не видит предельной цены запроса, и это нормально с точки зрения UX, но тогда рост объёма бьёт вас напрямую.

4. Нет слоя повторного использования. Exact-match и семантический кэш, prompt caching у провайдера, батчи для офлайновых задач, всё, что уводит часть трафика с полного прогона через модель на каждый запрос или снижает стоимость повторяющегося контекста.

Сильный ответ начинается с диагноза, какой из слоёв даёт большую часть дельты. От этого зависит, строите ли вы в первую очередь классификатор запросов или, например, ужимаете RAG.

SCALE - пять рычагов

Я использую памятку SCALE, от обычно более безопасных инженерных вмешательств к более продуктовым.

S - Smart routing

Разделить поток, простые запросы на компактные модели, тяжёлые рассуждения и генерация туда, где нужна полная мощность. На практике это классификатор плюс политика плюс A/B на качество, без сравнения как было и как стало вы не защитите ни пользователя, ни себя перед стейкхолдером.

C - Context и токены

Сократить системный промпт до необходимого минимума. В RAG жёсткий лимит чанков и ранжирование. В диалогах скользящее окно или суммаризация хвоста, а не пересылка всей переписки на каждый тик.

A - Architecture, кэш, батчи, повтор

Семантический кэш для повторяющихся по смыслу вопросов, exact-кэш для топа частых запросов из логов, prompt caching для статичного контекста, batch API для офлайна, стандартный набор, который редко внедряют за один день, но который хорошо стыкуется с метрикой cache hit rate.

L - Limits и ограничения

Если упираетесь в объём, tiered rate limits, справедливые квоты, UX, где действие AI требует явного намерения, а не фонового шума. Это не про наказание, а про снижение доли вызовов без ощутимой ценности для пользователя и продукта.

E - Economics

Если после S+C+A зазор к целевой марже остаётся, меняется граница монетизации, аддон, кредиты, открытие тяжёлых моделей только на верхних тарифах, usage-based для сверхактивных. Здесь без совместной работы с финансами и продуктовым маркетингом не обойтись, и это нормально.

Как я бы уложил квартал

1. Недели 1-2. Измеримые быстрые победы без смены смысла продукта. Аудит промпта и лимитов длины ответа по типам запросов, топ частых вопросов из логов, exact-кэш. Вы получаете baseline экономии и дисциплину учёта.

2. Недели 3-6. Маршрутизация как главный рычаг. Классификатор, политика маршрутизации, эксперименты на качестве. Это уже инвестиция в инфраструктуру, но с контролируемым риском, если вы не выкатываете всё сразу на сто процентов трафика.

3. Недели 7-12. Архитектурный слой и экономика. Семантический кэш, prompt caching, батчи для фоновых задач, параллельно кривая стоимости после оптимизаций и решение, нужны ли квоты и цена. Если инженерный пакет закрыл большую часть зазора, монетизацию можно не трогать, но на заседание совета директоров вы приходите уже с графиками, а не с надеждой.

4. Такой порядок осознанный, сначала то, что не ломает обещание продукта, затем то, что даёт максимум на единицу сложности, и только потом видимые для пользователя ограничения и деньги.

Метрики, за которыми стоит следить

Одна - north star.

North star. Отношение ценности AI для когорты (согласованная с финансами оценка вклада в выручку или удержание) к COGS вызовов модели для той же когорты. Без этого вы оптимизируете стоимость запроса в вакууме.

В сжатом виде одна и та же мысль в виде формулы (знаменатель и числитель нужно определить в одних и тех же единицах и для одной когорты):

North Star = ценность AI для когорты / COGS вызовов модели для той же когорты

Контрольные метрики. Смешанная стоимость запроса после оптимизаций, доля попаданий в кэш, доля трафика на дешёвом маршруте при неизменном или контролируемом качестве, CSAT и NPS по AI, retention когорты пользователей AI, средний weekly volume на пользователя, падение может быть и про качество, и про чрезмерные лимиты.

Контрольные метрики

Если коротко

Перерасход на LLM-фиче при сильном продуктовом эффекте почти всегда задача на диагноз и последовательность, а не на выключение ради экономии. Рамка SCALE помогает не перепутать порядок работ и не убить retention ради строки в отчёте. Стейкхолдеры получают устойчивость, пользователи получают предсказуемое качество, команда получает план, который можно защитить цифрами, а не лозунгами.

Написано по мотивам статьи на MyPMinterview

Веду в ТГ канал про продукты и вайбкодинг - подписывайтесь https://t.me/supervisionpw

Polsia выросла до $1,5M годовых и 1500+ активных компаний. Factory Floor на март 2026 фиксирует $180K совокупной выручки у компаний без людей в операционке, условно называемых фабриками. При этом KPMG, Anthropic и Forrester показывают одно и то же, полностью автономного миллиардного бизнеса пока нет, а типичное плато лежит в районе от $1 до $5 млн ARR. Ниже в тексте объясню, что такое ZHC, какие инструменты под капотом, где ломается модель и почему спор про внимание как ресурс не теоретический.

От трёх человек к нулю в саппорте. Зачем вообще читать про ZHC

В прошлом году команда довела рутину поддержки до нуля, вместо трёх саппортов работает один чат-бот, выручка не просела. Руководитель тогда пошутил, что следующий шаг, мол, убрать и его. Сейчас это уже не звучит как абсурд.

Zero Human Company (ZHC) это бизнес, где AI-агенты закрывают операционку в маркетинге, разработке, поддержке и продажах. Человек-основатель остаётся на стратегии, решениях и надзоре. Слово ноль здесь относится к штату сотрудников, не к исчезновению людей из экономики.

Дэниел Мисслер, cybersecurity-инженер с 25-летним стажем, формулирует довольно точно:

Идеальное число человеческих сотрудников в любой компании равно нулю.

С точки зрения экономической логики это звучит цинично. С точки зрения доступных инструментов рутинные роли всё чаще становятся неизбежной зоной автоматизации. Вопрос сдвинулся с ожидания будет ли на вопрос как быстро и у кого.

Самое интересное первым. Кто уже зарабатывает и на каких масштабах

• Один основатель + SaaS
  Маркус, ~400 клиентов, ~$55K MRR, один человек.

• Felix Craft, Нат Элиасон
  Агент на OpenClaw с ~$78K выручки за 30 дней, из них ~$40K за последнюю неделю. Отдельно гайд, маркетплейс ClawMart, комиссии.

• Polsia, Бен Брока
  Платформа Surprise me ведёт к автономному бизнесу под профиль, от миссии и исследования до твитов, лендинга и фоновых задач. $49/мес, 30 дней автономии, с февраля рост до ~$1,5M ARR, 1500+ активных компаний.

• ZHC / Juno, Том Осман
  zhcinstitute.com, роли от CEO до разработчика как агенты 24/7, плюс сообщество, плейбуки, OpenClaw, self-hosted.

• Factory Floor, обзор агентов
  На начало марта 2026 ~$180K совокупной выручки, ~$16,7M совокупной капитализации, 7 фабрик, 43 продукта. Лидер Felix с ~$139K выручки и ~$2,4M капитализации. |

Операционная математика у таких историй часто сводится к следующему. Бесплатные или дешёвые тарифы инструментов вместо от $15K до $25K в месяц на зарплаты. Старт ~$50/мес против $50K+ по сравнению с тем, как было раньше. Функции, которые в штате стоят сотни тысяч $/год, перекрываются сотнями $/мес на API и оркестрацию.

Под капотом - оркестрация, модели, open-source

Коротко по стеку, но без превращения текста в каталог:

• Оркестрация. LangGraph, CrewAI и Paperclip, open-source под ZHC, 23K+ звёзд.

• Модели. Claude и GPT-4o закрывают оценочно от 80 до 90% когнитивной работы.

• Флот агентов. Composio Agent Orchestrator. Параллельные агенты в git worktree, свои ветки и PR. CI падает, агент чинит. Ревьюер комментирует, агент отвечает. Человек подключается точечно.

• Код. Aperant, также известный как Auto Claude, рассчитан на до 12 агентов параллельно, изолированные workspace, QA-петля, разруливание конфликтов при мерже

В стеке решает не только выбор инструмента, но и то, как заданы контуры качества, эскалации и ревью. Иначе оркестрация превращается в дорогой генератор задач.

Потолок ARR от $1 до $5 млн и почему ломается миф о полной автоматизации

Плато повторяющейся годовой выручки на данный момент в таких историях лежит в районе от $1 до $5 млн ARR при высокой автоматизации. Дальше от 5 до 10% крайних кейсов требуют человека. Полностью автономных компаний-единорогов на $1 миллиард пока нет. Основатель остаётся критичен для стратегии, сложных решений и отношений с клиентом.

KPMG и Университет Амстердама в ноябре 2025 провели эксперимент, в котором пять AI-агентов собрали AI art webshop. Ограничения включают галлюцинации, игнор инструкций, обрывы на исполнительных ролях. Вывод эксперимента близок к практике. Узкие агенты на мелкие задачи часто эффективнее универсальной команды.

Project Vend от Anthropic. Claude вел вендинговый бизнес. Успехи в маркетинге, логистике, ценообразовании. Среди провалов манипулируемость и плохие решения в неоднозначных ситуациях.

Forrester выделяет логические ловушки автоматизации:

1. Люди прячут знания → AI не видит реальные процессы

2. Ускорение в одном месте создаёт бутылочные горлышки в другом

3. Массовые сокращения бьют по потребительскому спросу в долгую

Плюс сухая статистика ожиданий. 17 из 20 компаний с AI-агентами не уложились в 30 дней. К трём месяцам средний перерасход бюджета достигает порядка ×3. Шесть программ отменили. Основная проблема часто в том, что автоматизируют хаос, а не выстроенный процесс.

Спор про внимание. 1500 компаний Polsia и дефицит времени

В обзоре The AI Daily Brief звучит скепсис. Если среди тысяч компаний на платформе лишь десятки идей попадут в конкретного клиента, как их отфильтровать? Время и внимание конечны. Успех измеряется не числом слайдов, а результатом.

Контраргумент в духе стартапов. Если провалы чаще из-за неверной гипотезы, а product market fit ищут через серию экспериментов, то дёшево пробовать много гипотез выглядит рациональной стратегией. Другой риск в том, что можно получить нейрослоп, то есть много шума и мало проверяемой пользы.

При клике на "Мне повезёт", Polsia cоздала лендинг для бизнеса JourneyLens без единой подсказки с моей стороны, посмотреть можно тут https://journeylens.polsia.app/ Не знаю сколько будет жить ссылка.

Личный опыт: OpenCode и агенты без продакта

Подключил нейронки от OpenCode. Создал CEO, он уже нанял двух других агентов, все заняты своими делами, сами наклепали себе задачи и что-то разрабатывают, строят очередную систему. Продакта по-прежнему не наняли, смешно до тех пор, пока не возникает мысль "А кто вообще отвечает за продукт?". Граница между инструментом и сотрудником оказалась не технической, а организационной. Кто принимает решение, когда бот не уверен? Кто несёт ответственность?

Zero Human Company сдвигает границу так, что единственный человек в контуре решений, то есть основатель, задаёт рамки, а агенты исполняют. Эксперименты вроде Felix, Polsia и ZHC показывают работоспособность до нескольких миллионов выручки. Дальше в игру входят внимание, сложные edge cases и экономика спроса.

Вывод без ИИ-апокалипсиса

Zero Human Company в этом смысле не фантазия. Есть реальные кейсы и выручка. Потолок масштабирования пока чаще всего примерно от $1 до $5 млн ARR. Критика справедливо указывает на риски автоматизации и дефицит внимания. При этом опыт тех, кто строит ZHC, полезен любой команде с агентами, даже если цель не ноль в штате, а разумная автоматизация конкретных ролей.

Через пару лет картина может оказаться иной, как с прогнозами про интернет и факс. Пока разумный настрой на то, чтобы смотреть на цифры, процессы и ответственность, а не на лозунги.

Если интересно строить компании без сотрудников - пишите в личку в ТГ shenwell, обсудим детали.

А так же подписывайтесь на канал в ТГ https://t.me/supervisionpw

Источники

• The AI Daily Brief, The Rise of the Zero Human Company, YouTube

• Polsia, polsia.com

• Institute for Zero Human Companies, zhcinstitute.com

• Factory Floor, factoryfloor.dev

• Paperclip,GitHub

• Agent Orchestrator от Composio, GitHub

• Aperant, также Auto Claude, GitHub

• Zero Human Playbook, zerohumanplaybook.com

• KPMG, эксперимент Zero-Person Company, kpmg.com, раздел пресс-релизов NL, ноябрь 2025

• Forrester, Fallacy of AI Automation, forrester.com

GenAI уже меняет продукты и структуру рынков. Хедж-фонды с ИИ получают 3–5% премию к доходности. Четверть рабочих мест трансформируется. AI-изображения вытесняют художников. Почасовая оплата, когда консалтинг и юристы продают время, уходит в прошлое. Регуляторы фиксируют 90+ партнёрств Big Tech вокруг foundation-моделей. Ниже цифры из исследований ILO, Goldman Sachs, Stanford GSB, CMA и других, и что из этого следует для продуктов и бизнес-моделей.

Финансы. Премия GenAI и риски сходства решений

Хедж-фонды, которые внедрили GenAI в торговые стратегии, получают сверхдоходность 3–5% годовых по сравнению с конкурентами. Исследование на SSRN, архиве preprint экономических работ, показывает, что модель анализирует новости, отчёты и рыночные сигналы быстрее человека. Звучит как золотая жила. Пока не накроют все.

Подвох в том, что когда все используют похожие алгоритмы, их решения сходятся к одним ценам без сговора, как на базаре. NBER, Национальное бюро экономических исследований США, описывает сценарий, когда ИИ-агенты независимо приходят к сходным решениям. Плюс манипуляции с данными, которые сбивают торговых ботов с толку. Исследование на arXiv показывает, как небольшие искажения входных данных могут серьёзно исказить поведение алгоритмов. Премия сегодня есть, завтра её могут съесть риски концентрации и уязвимости.

Труд. Трансформация, когда диплом и опыт теряют ценность

ILO, Международная организация труда, оценивает, что четверть рабочих мест в мире затронута GenAI. Goldman Sachs в отчёте о влиянии ИИ на глобальную рабочую силу рисует картину массовой трансформации ролей.

Меня больше всего зацепило другое. Работа на arXiv про рынок труда показывает, что LLM делают умение писать и формулировать дешёвым. Когда любой может набросать связный текст за минуты, диплом, опыт, портфолио теряют ценность как сигналы о качестве кандидата. У топ-20% по способностям шанс быть нанятым падает на 19%, у нижних 20% растёт на 14%. Средний класс сжимается, надбавка к зарплате за навыки падает у середины.

Раньше я тратил пару часов на еженедельный отчёт для стейкхолдеров. Сводка метрик, тренды, риски. Сейчас ChatGPT за 10 минут выдаёт черновик, я только правлю цифры и контекст. Отчёт стал дешёвым. Обесценился. Когда любой джун может набросать структурированный документ за минуты, ценность умения писать отчёты стремится к нулю. Продуктовые менеджеры, которые только перекладывают тикеты и гоняют статусы, точно пойдут на мороз. Ремесло, которое проще автоматизировать, чем честно оценить.

Креатив. Вытеснение человеческого контента

Stanford GSB, бизнес-школа Стэнфорда, показала, что когда AI-арт выходит на рынок, выигрывают потребители, проигрывают художники. Доля AI-изображений растёт, доходы авторов без ИИ падают. Конкуренция за внимание обостряется, а барьер входа в креатив рушится.

Парадокс в том, что чем доступнее генерация, тем меньше платят за единицу контента. LTV пользователя, который потребляет AI-арт, может расти за счёт объёма, но CAC на привлечение художника-человека растёт, потому что его труд сложнее монетизировать. Рынок креатива перестраивается под тех, кто умеет промптить и редактировать, а не рисовать с нуля.

Профуслуги. Крах почасовой оплаты и галлюцинации юридического AI

Модель, когда продают часы, держалась десятилетиями. Консалтинг, юристы, аудиторы продавали время. H-in-Q пишет, что ИИ убивает почасовую оплату. Thomson Reuters в Future of Professionals 2025 фиксирует сдвиг к оплате за результат, а не за проведённые часы.

Для примера, в консалтинге. Клиент нанимает команду на продуктовую разработку. Раньше платил фикс за 40 часов в неделю, счёт каждую неделю. Сейчас тот же клиент предлагает оформить работу за результат, MVP за X, доработки по спринтам с фиксом. ИИ съел рутину, осталась только ценность. Хорошая новость для клиентов, плохая для тех, кто рутиной и жил. Если ты не можешь объяснить, за что именно платят, кроме того что сидели и думали, тебя вытеснят.

Юристы в зоне риска. Исследование на arXiv про галлюцинации в юридическом ИИ показывает, что модели выдумывают прецеденты и цитаты в 17–33% случаев. SDNY, федеральный суд Нью-Йорка, уже разбирал кейс, когда адвокаты подали документы, сгенерированные ИИ, с несуществующими ссылками (дело Mata v. Avianca). Привилегия и доверие к юристу под вопросом. Unit-экономика юридической фирмы ломается. Меньше часов, больше рисков.

Регуляция. Концентрация Big Tech и новые правила игры

CMA, антимонопольный регулятор Великобритании, зафиксировал более 90 партнёрств и инвестиций Big Tech в foundation-модели. Microsoft–OpenAI, Google–DeepMind, Amazon–Anthropic. Концентрация растёт. Перевес у заказчика, который владеет данными и инфраструктурой, а не у стартапа с одной моделью.

Знакомый основатель стартапа на AI-агентах жаловался. Делают крутой продукт, но unit-экономика ломается. Классика. API к GPT-4 дорожает, конкуренты получают объёмные скидки от Microsoft. Платят в 3 раза больше за токен. ИИ-агентизация даёт преимущество тем, кто уже сидит на инфраструктуре Big Tech. И кто делает очень сложные или не возможные вещи доступными для бизнеса.

CIP, центр институциональной политики, пишет про другой подход. Вместо того чтобы забирать сверхприбыли через налоги и раздавать потом, менять правила игры до того, как деньги осядут у гигантов. МВФ предлагает распределять выгоды шире. Вопрос не в том, запрещать ли ИИ, а в том, кто получит ренту от него.

Вывод

GenAI дизраптит рынки не по одному сценарию. Финансы получают премию, но рискуют сходством решений без сговора. Труд теряет сигналы о качестве, надбавка к зарплате за навыки сжимается у середины. Креатив дешевеет для потребителя, дорожает для художника без ИИ. Профуслуги отказываются от почасовой оплаты, юристы сталкиваются с галлюцинациями. Регуляторы видят концентрацию, тема меняется: менять правила до того, как деньги осядут у гигантов.

Для продуктов и бизнес-моделей. Если твоя ценность в том, что сидишь и делаешь отчёт, или продаёшь часы, ИИ уже ест твой обед. Если ценность в результате, в решении, в данных, которые только у тебя, ещё есть время. Но не бесконечно.

Если статья была полезной, буду рад видеть вас в своём тг-канале SUPERVISION. Там я просто и понятно рассказываю о том, как технологии меняют бизнес, про ИИ и вайбкодинг. Недавно, например, в комьюнити состоялась уже вторая онлайн-конференция VibeCoding Conference, где мы разбирали агентов и как ими управлять. Заходите, буду рад!