Мы боялись за джунов, но всё будет иначе или по-другому, а может, вообще не так, как думали

Весь 2024 и 2025 года индустрия спорила, заменит ли ИИ джунов, сколько людей лишатся работы. Фокусировались на генерации кода, автотестах и рефакторинге. Но к началу 2026 года стало очевидно: искусственный интеллект влияет не на отдельные задачи компании, а на то, как все части компании работают вместе. В этой ситуации уязвимыми стали те, кто раньше думал, что они в безопасности, — менеджмент.

Символичной точкой в этой дискуссии стали результаты масштабного исследования MIT Initiative on the Digital Economy за 2025 год: компании, перешедшие на модель «алгоритмического аудита», выявили избыточность до 25% штатных позиций, которые не создают прямой ценности продукта. Речь идет о демонтаже слоя «информационных брокеров» — людей и подразделений, чья роль исторически сводилась к контролю, фильтрации и передаче данных между отделами.

Инсайды из Anthropic и других ИИ исповедующих компаний дополняют картину: их инженеры и лиды теперь тратят до 70% времени не на написание кода, а на ревью решений, сгенерированных моделями. Дарио Амодеи (CEO Anthropic) еще в марте 2025 года прогнозировал, что ИИ будет писать «практически весь код». На практике это превратило инженеров в «менеджеров моделей», чья работа — отладка логики и проверка безопасности того, что выдал Claude или GigaChat.

В декабре 2025 года Microsoft Industry Solutions подтвердила этот тренд данными: 73% времени инженеров теперь уходит на стратегические задачи и валидацию архитектуры. Чистое написание кода упало до однозначных чисел. Это тектонический сдвиг. Вся историческая ценность менеджмента заключалась в том, чтобы быть мостом между мышлением (стратегией) и действием (исполнением). Теперь этот мост автоматизируется. Функция человека, который просто «агрегирует отчеты и несет их наверх», стала избыточной.

Проблема ROI

Gartner прогнозировал, что к 2026 году 20% компаний сократят слой управления среднего звена, переложив задачи контроля и распределения ресурсов на ИИ. Прогноз сбывается. Но парадокс в том, что большинство компаний не видят возврата инвестиций (ROI).

Почему? Проблема — организационная, а не техническая. Традиционная компания похожа на пирамиду, где информация медленно ползет снизу вверх, там превращается в решение и спускается вниз. И совершают классическую ошибку цифровизации: они «прикручивают» ИИ к сломанным процессам. Если ваш процесс разработки был неэффективным, ИИ просто масштабирует этот хаос. Вместо того чтобы переосмыслить «как работа делается», мы пытаемся ускорить «как мы привыкли работать».

В эпоху, когда скорость изменений измеряется часами, эта задержка фатальна. Компании, успешно внедряющие ИИ агентов, переходят от функциональных иерархий к сетям, ориентированным на результат.

Для таких компаний требуется как новая архитектурному, инфраструктура, так и совершенно иной тип архитектуры ролей сотрудников. Вот и поговорим об этом.

Пятиуровневая архитектура автономии

Для построения такой компани недостаточно «подписки на чат-бота». Нужна инфраструктура, которую я разделяю на 5 критических уровней.

Уровень 1: Локальные LLM — «Мозги в контуре»

Серьезная агентская сеть должна жить «дома». Использование моделей с открытыми весами (Open-Weights) — это вопрос архитектурной гигиены.

• Задержка и скорость работы: Нельзя просто использовать API. Когда у вас работает цепь из 500-1000 агентов, каждый из которых ждет ответа, сетевая задержка убивает магию. Агенты должны «общаться» внутри контура.

• Безопасность данных: Отправлять логи, куски кода проприетарных систем или персональные данные клиентов в облачное API сторонней компании — это риск, который блокирует 90% кейсов.

• Стоимость использования: Агенты «разговаривают» много. Гонять терабайты контекста через платное API по токенам — дороговато.

При проектировании «мозгов» для этой системы мы должны избегать главной ошибки — попытки найти одну идеальную модель для всего. Использовать самую мощную нейросеть для парсинга JSON — это сжигание бюджета. Использовать легкую модель для архитектуры — гарантия ошибок.

Поэтому думаю, что индустриальный стандарт в ближайшие годы — это бимодальная архитектура, которая, подобно человеческому мозгу, разделяет процессы на «глубокое мышление» и «рефлексы»:

• Тяжелые рассуждения: Используется как «Центральный процессор» или «Агент-архитектор». Именно эта модель берет на себя роль T-shaped Expert — она решает сложные логические противоречия, проверяет код на уязвимости и строит общую стратегию выполнения задачи.

• Быстрые реакции: Это «рабочие лошадки». Они дешевые в запуске, быстрые и идеально подходят для мелких атомарных задач: классификации логов, распределение обращений или форматирования данных.

Именно поэтому появление открытых весов таких моделей, как GigaChat 3 Ultra (для сложных задач рассуждения) или легковесных GigaChat Lightning, меняет правила игры. Это не вопрос брендов, это вопрос архитектуры: можете развернуть модель on-premise, не платите за каждый токен внутреннего диалога агентов, данные не покидают периметр компании.

Уровень 2: AgentOS — «Нервная система и Песочница»

Даже самая умная модель бесполезна, если у неё нет «рук». Но давать ИИ доступ к компьютеру сотрудника — это дыра в безопасности размером с Титаник. Решение, которое сейчас внедряют лидеры рынка (вроде Alibaba с их DingTalk Real), — это выделенный аппаратный хост с собственной AgentOS.

• Изоляция и Безопасность: AgentOS — это операционная система, созданная специально для ИИ. Она запускает агентов в изолированной «песочнице». Агент может открывать IDE, браузер или терминал внутри этой ОС, не имея физического доступа к личным файлам инженера.

• Автономия 24/7: Физический хост становится собственным «рабочим местом» для ИИ. Он не засыпает, когда сотрудник закрывает ноутбук. Центральный агент (например, «Укун» в китайской системе) принимает запрос, планирует этапы и распределяет задачи между специализированными агентами внутри этой ОС.

• Полный аудит: В отличие от черного ящика облачных чатов, AgentOS фиксирует каждое действие: каждый открытый файл, каждую команду в консоли и каждый потраченный токен. Это превращает ИИ из «магического помощника» в прозрачный бизнес-процесс, понятный отделу безопасности и комплаенсу.

Это аппаратно-программный комплекс координации. Мы переходим от модели «человек использует ИИ на своем ПК» к модели «команда управляет парком AI-хостов, которые автономно выполняют 90% рутины».

Уровень 3: RAG & Context— «Общая память и векторное хранилище»

Даже самые мощные «мозги» и самые безопасные «руки» бесполезны, если у агентов «память золотой рыбки». В распределенной сети галлюцинации возникают не потому, что модель глупая, а потому что она слепа к текущему состоянию проекта. Решение — создание единого семантического пространства, общего для всех цифровых сотрудников.

• Единый источник правды: Агенты не должны жить в вакууме. Без общего слоя памяти агент-тестировщик просто не узнает, что агент-разработчик 300 миллисекунд назад изменил сигнатуру API. Векторное хранилище решает сложнейший вызов — синхронизацию «состояния мира». Это позволяет агентам действовать согласованно, не переспрашивая друг друга и не создавая конфликтов в коде.

• RAG на стероидах: Это больше, чем просто поиск по документации. Технологический стек на базе векторных БД и графов знаний позволяет агентам «помнить» не только текст ТЗ, но и контекст всех предыдущих коммитов, логов ошибок и даже диалогов других агентов. Это превращает разрозненные данные в структурированный опыт компании.

• Динамический контекст: Память здесь — не статический архив, а оперативная среда. Агент, зашедший в тупик, может мгновенно обратиться к опыту «коллеги», который решал похожую задачу неделю назад. Это исключает дублирование работы и позволяет системе обучаться в процессе эксплуатации, накапливая лучшие практики без участия человека.

Это переход от модели «глупых чат-ботов» к модели «цифрового компании». Система помнит всё, учится на ошибках и создает непрерывность бизнес-логики, которая сохраняется, даже если отдельные агенты перезагружаются.

Уровень 4: FinOps — «Цифровой бюджет и смарт-контракты»

Если на уровне «Управление» мы прописываем, «что агенту можно», то здесь мы определяем, «сколько это стоит». В системе, где работают сотни агентов, классическая бухгалтерия бессильна. Стандартом 2026 года, скорее всего, станет Real-time FinOps на базе программируемых активов.

• Программируемые деньги и лимиты: Согласно дорожной карте ЦБ РФ, к 2026 году Цифровой рубль (ЦР) стал полноценным инструментом для B2B-расчетов через смарт-контракты. В агентской сети это работает как «энергетический паек». Например, агент-разработчик получает целевой транш в ЦР на конкретную фичу. Он может тратить его только на авторизованные услуги: аренду GPU или «консультацию» у более мощной модели (например, GigaChat 3 Ultra). Если агент уходит в бесконечный цикл (галлюцинацию), бюджет сгорает, и смарт-контракт мгновенно терминирует процесс. Это физический предохранитель от финансовых дыр.

• Блокчейн как реестр доверия (Auditable Autonomy): Для фиксации «кто, кому и за что» используются частные блокчейн-сети (Hyperledger или решения на базе Ethereum). Это решает проблему трассировки решений. В 2025 году компания Siemens уже тестировала подобные микротранзакции для промышленного интернета вещей. В IT-департаменте это позволяет видеть «картельный сговор» агентов или избыточное перепотребление ресурсов в реальном времени, а не в конце квартала.

• Микроплатежи M2M: Агенты рассчитываются друг с другом в миллисекундах. Агент-аналитик платит агенту-кодеру 0.01 рубля за написанный юнит-тест. Это превращает организацию в внутренний рынок, где ресурсы (время, токены, GPU) распределяются по законам спроса и предложения, а не по воле менеджера, который «так видит».

Уровень 5: Orchestration Protocol — «Сетевая организация без приказов»

Как заставить 100 агентов работать вместе без начальника? Через протокол публикации-подписки (Event Bus) и теорию рыночных механизмов. Координация происходит не через приказ «сверху», а через Рынок задач.

• Суть механизма: Оркестратор ставит высокоуровневую бизнес-цель. Она декомпозируется и выбрасывается в шину событий как «Запрос на работу».

• Смарт-контракт как арбитр: Свободные агенты-исполнители видят задачу и бюджет. Тот, чьи параметры (цена/качество/время) подходят лучше, делает «ставку» и блокирует бюджет в смарт-контракте. Это исключает дублирование работы — блокчейн гарантирует, что задачу взял только один исполнитель.

• Доказательство работы: Оплата уходит исполнителю только тогда, когда другой независимый агент (Аудитор) подтверждает прохождение тестов или компиляцию кода. Это архитектура, где доверие заменено математикой.

Подобные подходы уже описывались в концепциях SingularityNET и проектах по автономным агентам, но к 2026 году, с приходом государственных цифровых валют, они стали легальным стандартом для корпораций.

Три потенциальных архетипа будущих сотрудников

Как жаль, что я не ИИ-агент или чат-бот и не готов работать 24 часа без отдыха, поэтому немного и кратко затрону вопрос типа ролей сотрудников, у которых есть шанс хорошо устроиться в подобных компаниях с агентскими сетями.

Когда стоимость базовой компетенции падает до нуля, структура ролей меняется. McKinsey и передовые аналитики выделяют три модели, которые приходят на смену «классическому сотруднику»:

M-shaped Supervisor (Оркестратор)

Это эволюция техлида или продукт-менеджера. Раньше мы ценили T-shaped людей (глубина в одном + кругозор). Но ИИ дает любому «бесконечную ширину». У вас теперь есть «ноги» компетенций в QA, DevOps, маркетинге — их обеспечивают агенты.

• Суть роли: Управление результатами, а не людьми. Системный мыслитель с высокой AI-грамотностью.

• Что делает: Проектирует пайплайны. «Здесь агент-аналитик парсит задачу, передает JSON агенту-кодеру, а агент-критик проверяет этот код на уязвимости». Он оркеструет агентов через несколько доменов.

T-shaped Expert (Хирург / The Fixer)

Глубокий специалист, ответ на проблему «последней мили». LLMs вероятностны. Они решают 90% задач, но в 10% (edge cases) они начинают галлюцинировать или ходить кругами.

• Суть роли: Глубочайшая, «крафтовая» экспертиза, которой нет в датасетах обучения. Нюансированное суждение.

• Что делает: Вмешивается, когда агенты зашли в тупик. Отлаживает сложнейшие race conditions, принимает архитектурные решения, влияющие на годы вперед. Его ценность — в способности найти ошибку логики там, где синтаксис безупречен.

AI-Augmented Frontline (Кентавр)

Специалист, использующий агентов для рутины, фокусируясь на высокоценной человеческой работе.

• Что делает: Знает промт-инжиниринг, обладает эмпатией (там, где машина бессильна) и ведет переговоры. Salesforce уже рапортует о 30% росте скорости PR-velocity благодаря ИИ-ассистентам, которые объясняют изменения в коде. Ревью стало основным узким местом, и кентавры — те, кто умеет его «расшивать».

Тупиковые ветви (все знают, но я повторю).

• The Pure Manager (Чистый управленец): Типаж «я не технарь, я руковожу людьми». К 2026 году Gartner подтверждает: менеджер без навыков технического ревью ИИ-кода становится нерентабельным. 40% корпоративных приложений уже управляются агентами, и управлять ими старыми методами «созвонов и отчетов» невозможно.

• The I-shaped Specialist (Узкий специалист без ИИ): «Пишу только руками». Вы становитесь экономически невыгодным. Вы слишком медленны для мира, где исполнение стало коммодити. Бизнес не готов платить х10 цену за обычный код, если его можно получить за секунды.

Число Данбара против Числа Агентов

И еще ложка дёгтя для менеджмента, есть биологический лимит: число Данбара (150 связей). В менеджменте — это 7–12 подчиненных. Больше человек не может «удержать в голове». Но McKinsey прогнозирует, что в зрелых внедрениях на одного человека будет приходиться 50–100 агентов.

Возникает time-scale mismatch (несовпадение временных масштабов):

• Агенты принимают решения за миллисекунды.

• Люди обрабатывают информацию минутами или часами.

Традиционные компании никогда не сталкивались с такой разницей скоростей, а человек предоставляет надзор на верхнем уровне не за людьми, а за агентскими сетями. Это новая организационная конструкция.

Итог

Мы находимся в точке перегиба =)