В осеннем семестре 2025 года Андрю Ынг провёл лекцию для студентов Стэнфорда не о нейросетях, а о карьере. Не о том, как устроиться в OpenAI, а о том, как не потерять работу, когда ИИ пишет код лучше выпускника. Рядом с ним сидел Лоуренс Морони — бывший лидер AI-адвокатуры в Google, ныне руководитель группы в ARM. Два человека, которые видели рынок AI-талантов изнутри десять лет, и оба пришли к одному выводу: правила игры изменились настолько радикально, что советы трёхлетней давности уже вредны.

Основной тезис Ынга звучит парадоксально: сейчас лучшее время в истории для карьеры в AI, но только если вы готовы строить, а не искать работу. Когда модели удваивают сложность решаемых задач каждые семь месяцев, а для кодинга этот цикл сократился до семидесяти дней, главный риск — не конкуренция с машиной, а конкуренция с человеком, который использует машину эффективнее вас.

Почему сейчас лучшее время

Ынг опирается на исследование организации METR, которая измеряла, насколько сложные задачи может выполнять ИИ, выражая сложность во времени, которое человек тратит на аналогичную работу. Несколько лет назад GPT-2 справлялся с тем, что человек делал за несколько секунд. Следующие поколения наращивали порог: четыре секунды, восемь секунд, минута, две минуты, четыре минуты. Сейчас ИИ решает задачи, на которые у человека уходит часы. При этом для кодинга удвоение происходит каждые семьдесят дней — код, который раньше писался за десять минут, теперь генерируется за секунды, а объём, требовавший часа, укладывается в обеденный перерыв.

Это меняет экономику создания программного обеспечения. Любой разработчик с доступом к frontier-модели может строить продукты, недоступные даже лучшим инженерам планеты год назад. Но есть обратная сторона: когда инструменты меняются каждые три месяца, отставание на полпоколения означает резкое падение продуктивности. Ынг признаётся, что его любимый инструмент для AI-кодинга менялся четыре раза за год — от ранних версий к Cursor, затем к Claude Code, потом к OpenAI Codex, и в день лекции он уже смотрел на Gemini 3. Тот, кто остаётся на прошлом инструменте, проигрывает не потому что плохо работает, а потому что работает в два раза медленнее конкурента.

Бутылочное горлышко продакт-менеджмента

Самый неожиданный инсайт лекции касается не технологий, а организации труда. Классический цикл разработки выглядит как петля: написать код, показать пользователям, собрать обратную связь, пересмотреть спецификацию, написать код снова. AI-кодинг ускорил первый этаст на порядок, но не затронул второй. Собрать фидбек, понять, что пользователям нужно, сформулировать это в чёткую спецификацию — по-прежнему человеческая работа.

В Кремниевой долине традиционное соотношение инженеров к продакт-менеджерам колебалось от четырёх к одному до восьми к одному. Один PM писал спецификации, которые держали занятыми четверых-восьмерых разработчиков. Сейчас Ынг видит, как это соотношение сжимается до двух к одному и даже один к одному. Инженеринг ускорился, продуктовая работа — нет, и бутылочное горлышко сдвинулось влево.

Но есть и более радикальная тенденция. Инженеры, которые умеют разговаривать с пользователями, развивать эмпатию и принимать продуктовые решения самостоятельно, двигаются быстрее всех. Они не ждут, пока PM напишет спецификацию — они пишут код, показывают пользователям, чувствуют, что работает, и итеративно улучшают. Ынг называет это «коллапсом инженера и PM в одного человека» и признаёт, что раньше пытался убедить инженеров заниматься продуктовой работой, провалился, и теперь, спустя годы, видит, что рынок делает это за него. Не потому что кто-то пропагандирует, а потому что такие люди просто двигаются быстрее.

Бифуркация AI: большое против малого

Лоуренс Морони, который наблюдал рынок с позиции Google и теперь смотрит на него с позиции ARM, предлагает другой взгляд. Он видит, как AI расщепляется на два направления, которые он условно называет «большое» и «малое». Большое — это гонка за масштабом: Gemini, Claude, GPT, десятки и сотни миллиардов параметров, движение к AGI. Малое — это взрыв моделей с открытыми весами, которые можно запустить локально, дообучить под свою задачу и не делиться данными с третьими сторонами.

Морони приводит цифру: восемьдесят процентов компаний из последнего набора Y Combinator используют маленькие модели, в том числе китайские. Причина не в патриотизме, а в прагматике. Когда речь идёт о приватных данных — медицинских картах, юридических документах, киносценариях — загружать их в облачный API крупной компании рискованно. Голливуд, где интеллектуальная собственность защищается судебными исками на миллиарды, не станет делиться сценариями с Gemini. Но локальная модель на семь миллиардов параметров, дообученная на собственной библиотеке хитов и провалов, решает задачу анализа синопсисов без утечки IP.

Эта бифуркация создаёт два разных рынка навыков. Для больших моделей важны умение работать с API, оркестрация промптов, понимание лимитов контекста. Для маленьких моделей — квантование, fine-tuning, оптимизация под железо, умение запускать inference на CPU с матричными расширениями вместо GPU. Морони отмечает, что китайские производители телефонов Vivo и OPPO уже выпускают устройства с SME-расширениями, позволяющими запускать AI-нагрузки прямо на процессоре, без отдельного чипа. Apple идёт в том же направлении с нейронными ядрами в A-серии и M-серии. Навык «запустить модель на телефоне» скоро станет так же обыденным, как «сверстать мобильную страницу».

Агентные рабочие процессы как новая грамотность

Оба спикера сходятся на том, что следующий слой навыков — не промпт-инжиниринг, а проектирование агентных рабочих процессов. Ынг говорит об этом в контексте кодинга: не просто попросить модель написать функцию, а построить систему, где модель планирует, использует инструменты, проверяет результат и итеративно улучшает. Морони демонстрирует это на примере видеогенерации.

Он показывает два результата. Первый — прямой промпт к модели видеогенерации: «покажи, как мой сын забивает гол в хоккее». Модель рисует людей на трибунах там, где на фотографии мусорный контейнер, добавляет вторую клюшку в руки игрока и заставляет трибуну аплодировать промаху. Второй результат — тот же движок, но через агентный workflow: LLM сначала анализирует сцену, понимает контекст, выбирает ракурс, учитывает ограничения видеодвижка, генерирует детальный промпт, проверяет результат и при необходимости переделывает. Разница не в модели — оба раза используется один и тот же видеодвижок. Разница в том, что агентный workflow добавляет слой понимания, которого у прямого промпта нет.

Морони называет это «искусственным пониманием» — способностью модели не просто генерировать, а осмыслять контекст, планировать использование инструментов и рефлексировать над результатом. Этот навык сложнее промптинга, но и барьер входа выше, а значит — конкуренция ниже.

Окружение важнее логотипа компании

Ынг рассказывает историю, которую повторяет из года в год. Студент Стэнфорда, блестящий инженер, получает оффер от компании с горячим брендом. Компания отказывается называть команду заранее — «подпиши контракт, потом разберёмся». Студент подписывает, попадает в команду backend-разработки на Java для платёжной системы, и через год увольняется, так и не поработав над AI.

Ынг подчёркивает: мы не учимся у логотипа на дверях, мы учимся у людей, с которыми работаем каждый день. Лучшая команда в компании со скучным брендом даст больше, чем случайное распределение в компании с горячим именем. Он советует студентам использовать критерий «с кем я буду работать» как главный при выборе места, и признаётся, что сам многие технические решения принимал после одного-двух телефонных звонков друзьям из исследовательских лабораторий — людям, которые знают, что работает, а что просто PR.

Морони добавляет к этому зеркальный взгляд: хорошие компании тоже выбирают людей, с которыми работают. Когда рынок перегрет, работодатели могут позволить себе нанимать узких специалистов. Когда рынок остывает, ценятся те, кто умеет больше одного. Инженер, который понимает продукт, дизайнера, который пишет код, исследователь, который может объяснить бизнес-ценность — такие люди переживают сокращения, потому что их сложнее заменить.

Работать много — не стыдно

В конце лекции Ынг говорит вещь, которую считает «неполиткорректной». Он призывает работать много. Не потому что это единственный путь, а потому что сейчас, когда возможностей больше, чем людей, готовых их использовать, усердие даёт диспропорциональный результат. Он оговаривается: есть вполне уважительные причины не работать много — рождение ребёнка, болезнь, необходимость восстановиться. Но если вы в физической и жизненной ситуации, где можете вкладывать вечера и выходные в проекты, это увеличивает шансы на успех.

Морони не повторяет этот призыв, но его истории говорят сами за себя. Он рассказывает о друге — бывшем профессиональном хоккеисте, который бросил школу в тринадцать лет, считает себя «самым глупым человеком на свете» и теперь руководит некоммерческой организацией по льду. Каждый квартал он должен был платить сто пятьдесят тысяч долларов консультантам, чтобы собрать отчёт для совета директоров из данных о компрессоре, электричестве, бухгалтерии. Он попробовал загрузить всё в ChatGPT, и теперь собирает отчёт за два часа сам, а сэкономленные деньги идут на экипировку малоимущих детей. «Он не технический, — говорит Морони, — но он построил решение, которое экономит сто пятьдесят тысяч в год. Поздравляю, ты теперь разработчик».

Часто задаваемые вопросы

Стоит ли специализироваться узко, например только на LLM, или диверсифицировать навыки?

Диверсификация важнее. Узкая специализация — это ставка на одну лошадь, и если эта область заморозит найм или автоматизируется, вы останетесь без опций. Навык работы с моделями — универсален, но его нужно дополнять пониманием продукта, инфраструктуры и пользовательского опыта.

Как выбрать между большой компанией с горячим брендом и маленькой с сильной командой?

Выбирайте команду, а не бренд. Узнайте заранее, с кем вы будете работать, над какими задачами и кто будет вашим непосредственным руководителем. Если компания отказывается назвать команду до подписания контракта — это сигнал.

Что важнее — следить за новейшими инструментами или углублять фундаментальные знания?

И то, и другое, но в разных пропорциях. Инструменты меняются каждые три-шесть месяцев, и отставание на полпоколения снижает продуктивность вдвое. Но фундамент — понимание архитектур, принципов обучения, продуктового мышления — позволяет осваивать новые инструменты быстрее. Ынг рекомендует тратить время и на то, и на другое, с уклоном в практическое применение.

Итог

Карьера в AI перестаёт быть линейной траекторией «диплом — работа — повышение». Она становится набором итераций: строить, показывать, учиться, строить снова. Главное преимущество сейчас не в знании конкретного фреймворка, а в способности быстро адаптироваться, комбинировать навыки и работать с людьми, которые тянут вас вперёд. Как сказал Ынг: «Идей в мире больше, чем людей, способных их реализовать. Если вы не построите это, никто другой тоже не построит».