TL;DR
· Один AI-підприємець стверджує, що написання коду агентами змінює раннє ранжування професійних навичок.
· Завдання, які можна оцінити, краще підходять для моделей; люди повинні навчитися визначати проблеми, розподіляти час та інструменти.
· Грошова винагорода — не єдина мета; відносини, репутація та якість доставки створюють розрив.

Підприємець, який, за його словами, працював у Scale AI, DeepMind, OpenAI, Google та інших компаніях, а тепер бере участь у стартапі, орієнтованому на агентів, написав довгу англійську статтю з новими кар'єрними порадами для молоді. Контекст: інструменти AI для кодування переходять від доповнення коду до більш повних інженерних агентів. Коли OpenAI у 2025 році випустила Codex, вона заявила, що він може паралельно в хмарі виконувати завдання: написання функцій, виправлення багів, створення PR тощо, але все ще потребує людського перегляду та верифікації коду. Питання стає таким: коли стандартні відповіді, звичайний код і завдання з оцінюванням стають дешевшими, на що молодим людям варто витрачати час?

Основна ідея цієї статті не «програмістів замінять», а те, що критерії раннього професійного відбору змінюються. Школи та традиційні співбесіди значною мірою тренують чітко визначені завдання з однозначними відповідями, які можна перевірити, — а це саме те, у чому моделі прогресують найшвидше. У майбутньому людина може відрізнятися здатністю виявляти важливі проблеми, обирати середовища з високою цінністю, будувати довірену репутацію та доводити посередні результати, згенеровані агентами, до стану, готового до доставки.

Грошова пропозиція — не єдина відповідь, час і репутація є більш дефіцитними

На думку автора, в AI-стартап-середовищі капітал та інструменти стали легше доступні, але високоякісний час, сильні зв'язки та довірена репутація залишаються дефіцитними.

Він пояснює це на особистому прикладі. Перед приєднанням до Scale AI він, за його словами, отримав пропозицію від кількісної фірми з вищою грошовою гарантією, але обрав Scale через сильнішу спільноту, ширший продуктовий ландшафт і більше можливостей стикатися з передовими проблемами. Згідно з його спогадами, саме через Scale він познайомився з постачальниками логіки великих моделей, отримав можливості в DeepMind і OpenAI, а також зустрів колег, з якими пізніше заснував стартап.

Цей досвід не можна просто екстраполювати як універсальну кар'єрну формулу, але він дає прямий сигнал: ранній вибір кар'єри не повинен зосереджуватися лише на негайних грошах. Особливо після того, як AI знизив бар'єр для створення програмного забезпечення, швидко зробити невеликий інструмент, що приносить гроші, вже не рідкість; довгострокова віддача часто залежить від складніших проблем, сильнішої команди та більш довірених сигналів у резюме.

Молоді люди повинні питати не «яка можливість дає більше грошей одразу», а чи варто вкладати час у цю справу, чи можна робити це з талановитими людьми, чи побачать їхню хорошу роботу надійні люди, і чи стане це кредитною базою для наступних можливостей.

Цінність інженера зміщується від «розв'язання задач» до «пошуку задач»

Коли агенти можуть обробляти все більше чітко окреслених проблем, цінність інженера більше не в тому, «чи може він вирішити», а в тому, «чи може він правильно обрати задачу».

Автор згадує, що їхня команда переробила спосіб проведення співбесід. Причина: якщо в реальній роботі більше не потрібно писати кожен рядок коду вручну, то прості задачі з алгоритмів і традиційний системний дизайн стають менш корельованими з реальною продуктивністю. Більш змістовний тест — чи може кандидат швидко зрозуміти середовище, знайти варті уваги проблеми, а потім використовувати AI-інструменти та зовнішні ресурси для досягнення результату.

Це також новий поділ праці після того, як агенти почали писати код. Моделі добре справляються із завданнями, де цілі чіткі, а зворотний зв'язок ясний; людина повинна визначати, які проблеми важливі, які шляхи варто спробувати, скільки часу та витрат на виклики моделей варто вкласти.

Для студентів той факт, що AI може виконувати домашні завдання, може викликати розчарування. Але з точки зору найму, відмінності між кандидатами не зникли. Навіть якщо всі можуть отримати відповідь за допомогою AI, одним потрібно багато спроб і підказок, а інші можуть співпрацювати з агентом, маючи бізнес-інтуїцію, технічний фон і контекст, і швидше знаходити напрямок.

Так зване «вміння користуватися AI» — це не просто передавати завдання моделі. Сильніші здібності включають розбиття проблеми на частини, виявлення відсутньої інформації, визначення, коли продовжувати ітерацію, а коли змінити підхід, а також перевірку, чи результат дійсно вирішує ключовий бізнесовий або технічний конфлікт.

Чим легше створювати програмне забезпечення, тим ближче потрібно бути до складніших проблем

AI знизив бар'єр для створення ПЗ, що також робить прості системи легшими для копіювання. Автор використовує «гіркий урок» з машинного навчання для пояснення кар'єрних рішень: у довгостроковій перспективі розширення загальних методів часто виграє над тонкою оптимізацією для окремого завдання.

У контексті компаній та індивідуальних кар'єр це означає, що захисний рівень простих результатів стає тоншим. Кожному легше створити систему, яка виглядає працездатною; справжня стійка цінність концентрується на достатньо складних і амбітних проблемах.

При виборі компанії автор пропонує критерій: чи вирішує ця компанія найамбітнішу версію проблеми, чи справді вона має шанс її вирішити. При виборі посади потрібно дивитися, чи дозволяє ця роль безпосередньо контактувати з передовими проблемами, які компанія вирішує.

Він також згадує, що не варто дивитися лише на те, чи ранній продукт виглядає гарно, або чи демо вражає. За його суб'єктивною оцінкою, раннє демо Anthropic на той час виглядало як Slackbot, гірший за ChatGPT, але це не завадило компанії піти зовсім іншою траєкторією. Ранні компанії змінюються, продукти змінюються; якість команди, ринковий простір і складність проблеми більше впливають на довгострокові результати.

Кар'єрні можливості також працюють за схожою логікою. Високоякісні можливості не завжди перетворюються на результати, але людина спочатку має опинитися в позиції, де вона може їх побачити. Чи зможе вона туди потрапити, залежить від довгостроково накопичених навичок, репутації та того, чи готові інші ділитися з нею можливостями.

Звичайні результати дешевші, останні 10% дорожчі

Коли простий запит змушує агента генерувати результат середньої якості, цінність звичайних результатів падає, а цінність останнього етапу доопрацювання зростає.

Автор цитує Альфреда Ліна з Sequoia Capital: останні 10% часто становлять 90% роботи і 90% винагороди. В епоху AI це твердження стає ще більш реальним. Оскільки результат на 70% стає все легше отримати, те, що дійсно відрізняє людей, — це унікальна перспектива, увага до деталей, здатність до ітерацій, якість архітектури, масштабованість і креативність.

Перша версія AI-виводу рідко буває ідеальною. Справжня робота часто відбувається в подальших ітераціях: виявлення, що не так, де потрібен рефакторинг, який досвід незручний, які граничні випадки не охоплені, коли варто використати модель наступного покоління для повного перезапуску.

Ці навички можна розвивати через проєкти, стажування та реальну роботу. Витрачання трохи більше часу на доопрацювання, чиста архітектура, продумана масштабованість, деталі, які змушують користувачів дійсно хотіти використовувати продукт, — усе це залишає слід у портфоліо та на співбесідах.

Традиційні інженерні навички не втратили актуальність. Зміна в тому, що рідкість написання коду зменшилася, а судження, естетика, розуміння системи та якість доставки стали дорожчими. AI може допомогти багатьом досягти середнього рівня, але решта розриву стає важче подолати.

Бар'єр для досліджень знизився, але дослідження — це не посада

Стаття завершує дискусію питанням «як потрапити в дослідження». Автор вважає, що AI не зробив дослідження виключно для найкращих лабораторій, а навпаки, знизив початковий поріг.

Сучасні дослідження, звісно, більше залежать від обчислювальних потужностей, але початок може бути дуже простим: використовувати наявні моделі, перетворювати власну інтуїцію на тести, брати участь у відкритих рейтингах оптимізації, використовувати квоти, які хмарні платформи надають студентам і дослідникам, і тестувати ідеї якомога раніше. Більшість ідей зазнають невдачі при масштабуванні, але розуміння невдач — частина формування дослідницького судження.

Дослідник — це передусім спосіб роботи, а не просто посада. Дослідження в передових лабораторіях часто поєднують цікавість, тестування нових ідей, інтеграцію з інфраструктурою, розуміння деталей системи, швидке налагодження та вміння чітко пояснити цінність результатів для отримання більше ресурсів. Багато тренувань не потрібно відкладати до отримання титулу «дослідник».

Кар'єрні поради, залишені цією статтею, не є песимістичними. AI робить стандартні відповіді, звичайний код і завдання з оцінюванням дешевшими, а також дозволяє молоді раніше стикатися з реальними проблемами. Можливості все ще існують, але спосіб їх розподілу змінився: хто може знайти важливі проблеми, потрапити в якісне середовище, накопичити довірену репутацію та довести результати до останньої милі, той легше отримує наступну можливість.

Натисніть, щоб дізнатися про вакансії в BlockBeats

Ласкаво просимо до офіційної спільноти BlockBeats:

Telegram-підписка: https://t.me/theblockbeats

Telegram-чат: https://t.me/BlockBeats_App

Офіційний Twitter-акаунт: https://twitter.com/BlockBeatsAsia