AI-революция: где мы находимся сегодня

Автор: Уилл Аван

За последний год я побывал на нескольких отраслевых конференциях, посвященных ИИ. На сцене спикеры поочередно демонстрировали возможности ИИ, а в зале люди снимали экраны на телефоны, публиковали в соцсетях и продолжали листать ленту. Но, возвращаясь в офис, все оказывалось по-прежнему: те же совещания, те же согласования, те же еженедельные отчеты. Крупные компании уже внедрили потребление токенов в KPI, и кто-то стал «передовиком труда», накручивая показатели скриптами. В ленте новостей — сегодня революция от Claude, завтра крутой Codex, послезавтра слава Gemini. Это что — принятие революции или быстрая пробежка по трендам?

Это все — шум, а не ответ, который я ищу.

Настоящий вопрос не в том, достаточно ли мощный ИИ. Паровая машина уже изобретена. Вопрос в том, кто первым разберет старый цех.

Настоящая промышленная революция началась не в день, когда Уатт усовершенствовал паровую машину, а когда фабрикант из Ланкашира решил покинуть берег реки и перестроить цех вокруг парового двигателя. Самый важный момент для ИИ наступит не в день изобретения большой языковой модели, а когда первая организация решит сломать старые процессы и перестроить производство вокруг ИИ. Этот день еще не настал. Но он уже в пути.

Двое людей увидели это очень рано. Генеральный директор Notion Иван Чжао в конце 2025 года написал статью «Steam, Steel, and Infinite Minds», сделав холодный вывод: мы все еще на этапе «замены водяного колеса» — добавляем ИИ-чатботов к существующим инструментам, но никто не перепроектирует фабрику. Бывший сотрудник OpenAI Леопольд Ашенбреннер пошел другим путем: написал 165-страничный доклад «Situational Awareness», а затем создал фонд, увеличив капитал с 225 миллионов до 13,68 миллиардов долларов, сделав ставку на инфраструктуру ИИ. Один смотрит внутрь, другой — делает внешнюю ставку.

Эта статья не о них. Она о нас — где мы сейчас находимся и какой отрезок истории мы повторяем.

( Power-loom weaving, engraving by J. Tingle after Thomas Allom, 1835 / Wikimedia Commons )

I. Цех все еще старый

День большинства людей выглядит так: утром с помощью ИИ написали письмо, сэкономив десять минут; затем два часа потратили на совещание, которое можно было не проводить; днем копировали одни и те же данные между тремя инструментами; вечером опубликовали в соцсетях: «ИИ — это круто». Сэкономленные десять минут полностью поглотились старыми процессами.

То же самое было с появлением паровой машины: фабриканты сначала просто заменили водяное колесо паровым двигателем, оставив все остальное неизменным — фабрики оставались у рек, здания — многоэтажными, общий вал по-прежнему приводил в движение всю линию. Мы встраиваем ChatGPT в Slack, добавляем Copilot в Office, вставляем ИИ-чат в рабочие процессы — делаем то же самое. Инструменты обновлены, но цех не изменился.

Но замена машины — это не замена цеха. Как метко заметил Маклюэн:

Мы движемся в будущее, глядя в зеркало заднего вида. Использование старых процессов для новых инструментов подобно первым фильмам, которые были просто снятыми театральными постановками. Настоящий прорыв наступит, когда кто-то полностью освободит паровой двигатель от реки и перепроектирует все производство вокруг нового источника энергии.

Сравнивая временную шкалу промышленной революции и ИИ, можно примерно определить, где мы находимся на карте:

Сегодня временные рамки чрезвычайно сжаты. Промышленной революции потребовалось 60 лет от паровой машины до железнодорожной лихорадки. ИИ прошел путь от Transformer до бума строительства дата-центров за 7 лет.

Скорость — не проблема. Проблема в том, где мы застряли — первые четыре строки все еще представляют собой старый цех с новыми машинами. Паровая машина установлена, железные дороги прокладываются, но способ производства остался неизменным. Шестая строка — вот настоящий водораздел. Скорее всего, мы застряли между этими двумя этапами.

Паровая машина уже в руках, но цех все еще старый.

II. Все деньги поставлены на самый удаленный от фабрики слой

Инфраструктуру всегда перестраивают. В итоге банкротятся инвесторы, а не инфраструктура.

В 1846 году британский парламент принял 263 железнодорожных закона, одобрив строительство 9500 миль новых путей. На пике инвестиций в железные дороги приходилось 13% ВВП Великобритании. Акции железных дорог можно было купить всего за 10% задатка, и средний класс ринулся в это дело. Пузырь лопнул в 1847 году. Треть одобренных линий так и не была построена, бесчисленные инвесторы потеряли все. Дарвин потерял 60% на железнодорожных акциях, и ему еще повезло больше, чем большинству.

Но железные дороги остались.

Сегодняшняя ИИ-инфраструктура идет тем же путем. Согласно последним оценкам Goldman Sachs, глобальные капитальные затраты на инфраструктуру ИИ в 2026 году составят 765 миллиардов долларов, а к 2031 году прогнозируются на уровне 1,6 триллиона долларов в год. Доля капитальных затрат у крупнейших облачных провайдеров в операционном денежном потоке выросла с примерно 40% в 2023 году до почти 70% в 2025 году. Инвестиции, связанные с ИИ, уже составляют около четверти всех инвестиций в США. 13,68 миллиарда долларов Ашенбреннера поставлены именно на этот слой — он ставит не на то, какое приложение победит, а на саму базовую вычислительную мощность.

Этот капитальный цикл изоморфен девелопменту недвижимости. Строительство дата-центра — это как строительство здания: земля — это электроэнергия, стройматериалы — это GPU и системы хранения, подрядчики — строители дата-центров, застройщики — облачные провайдеры, арендаторы — компании-разработчики приложений ИИ, арендная плата — доход от API. Бизнес-модель облачных провайдеров — финансировать застройку за счет аренды: покрывать капитальные затраты на дата-центры доходами от API, ожидая скачка оценки из-за бума приложений ИИ.

(Вычислительная недвижимость: у каждого поколения своя инфраструктура)

Основной риск тоже одинаков: успеет ли скорость роста объема вызовов компенсировать скорость падения цены API? Если арендная плата упадет ниже линии обслуживания долга — это самый знакомый кошмар застройщика. Урок 2008 года не в том, что построили слишком много домов, а в том, что структура построенных домов не соответствовала реальному спросу. Эквивалентный риск для ИИ: избыток универсальных вычислительных мощностей при сохраняющемся дефиците специализированных возможностей для обработки высокоценных сценариев, таких как финансовая compliance или медицинская диагностика.

Железные дороги, недвижимость, ИИ — инвестиции в инфраструктуру трех эпох следуют одному закону: перестройка — это норма, поставщики стройматериалов всегда теряют ценовое влияние, долгосрочная доходность всегда принадлежит владельцам «лучших локаций». Посмотрите на портфели фондов на Уолл-стрит за первый квартал — скорее всего, 80% поставлено на этот инфраструктурный слой: NVIDIA, дата-центры, облачная инфраструктура. Но железнодорожная лихорадка учит нас: это не вся картина ИИ-революции и даже не самый доходный слой.

Что является лучшей локацией для ИИ? Это уникальные отраслевые данные и глубоко интегрированные рабочие процессы. Для отдельного человека настоящая «лучшая локация» — не акции в портфеле, а его незаменимые способности к суждению и отраслевые знания — при условии, что он уже перестроил способ их использования вокруг ИИ.

Настоящая доходность — на следующем уровне. Но между инфраструктурой и созданием ценности нет бесшовного перехода. Между ними есть щель — и в истории эта щель поглотила десятилетия.

III. Кто разбирает цех

Те, кто разбирают цех, и те, кто «используют ИИ для повышения эффективности», занимаются разными вещами.

Сооснователь Ивана Чжао, Саймон, раньше был «программистом с десятикратной скоростью», а сейчас почти не пишет код сам — он одновременно управляет тремя-четырьмя ИИ-агентами для кодирования, достигая эффективности в 30–40 раз выше. В Notion сейчас 1000 сотрудников и более 700 ИИ-агентов. Разница не в инструментах, а в том, что Саймон разобрал свой старый цех, а большинство просто поменяло водяное колесо.

600 миллионов китайских пользователей использовали инструменты генеративного ИИ, рост на 142% в годовом выражении — это крупнейший в мире пул спроса на ИИ. Но почти ни одна китайская компания не перестроила свои ключевые рабочие процессы вокруг ИИ. Крупнейший в мире спрос сочетается с почти неподвижными организационными изменениями на стороне предложения. Сам этот контраст — сигнал: дело не в недостатке инструментов, а в том, что организации не успевают. Контекст умственного труда разбросан по десяткам инструментов и десяткам голов, результаты нельзя проверить, никто не знает, как оценить эффективность стратегического меморандума.

(Labor market impacts of AI: A new measure and early evidence)

В Anthropic уже действуют в большем масштабе. Они выпустили Economic Index, используя реальные данные использования, чтобы показать, какие задачи и отрасли ИИ замещает в первую очередь, а затем строят по этой карте: совместно с Goldman Sachs, Blackstone и Hellman & Friedman создали компанию по обслуживанию предприятий, изначально ориентированную на ИИ; создали глобальный альянс с KPMG, подключив 276 000 сотрудников к Claude; в Accenture создали бизнес-группу, обучили 30 000 человек, сосредоточившись на финансах, науках о жизни и здравоохранении.

Роль этих консалтинговых компаний — не пользователи ИИ, а инженеры-железнодорожники для ИИ — они не строят паровые двигатели и не прокладывают рельсы, они помогают предприятиям разобрать старые цеха и перестроить производственные линии вокруг нового двигателя. Без этой роли большинство фабрикантов не знают, с чего начать.

Сигналы уже мигают. Самый острый — с рынка труда.

Вероятность найти работу у молодежи 22–25 лет, пришедшей в профессии с высоким уровнем воздействия ИИ, на 14% ниже, чем у их сверстников, пришедших в профессии с низким воздействием. Младшие позиции уже вытесняются.

Если бы я был выпускником, эта цифра напрямую повлияла бы на мой поиск работы. Если бы я был руководителем, мои следующие наборы на младшие позиции, возможно, состояли бы не из людей.

Организации разбирают, а что насчет отдельных людей? Мое образование, мой опыт, мои отраслевые знания, накопленные за эти годы — это мое водяное колесо. Оно когда-то приводило в движение всю мою линию, но паровая машина уже здесь. Диплом 985 или 211 — уже не защитный ров, он лишь доказывает, что я когда-то построил неплохую фабрику у реки.

Теперь вопрос в том, способны ли мы покинуть эту реку.

Данные Anthropic показывают, что у пользователей, использующих инструменты ИИ более 6 месяцев, успешность выполнения задач на 10% выше, чем у новых пользователей. Те, кто ушел на полгода вперед, уже лидируют на 10%, и этот разрыв будет нарастать по принципу сложного процента.

Но пока ни одна компания не обанкротилась из-за неиспользования ИИ, по крайней мере, моя юридическая фирма продолжает активно продвигаться вперед с ИИ. Победители еще не выбраны рынком. Кривая обучения реальна — те, кто начали раньше, уже накапливают преимущество, но большинство все еще у стартовой черты.

IV. Моя следующая профессия еще не имеет названия

Будет ли моя нынешняя должность существовать через десять лет? Сколько инструментов из тех, что я использовал ежедневно пять лет назад, осталось сегодня? Ответы, вероятно, отрицательные. Но я не знаю, как называется то, что их заменит, — потому что этих вещей сейчас еще не существует.

Так было в каждую эпоху. Новое не планируется — оно вырастает само, когда исчезают старые ограничения.

До появления железных дорог Великобритания состояла из изолированных локальных экономик. Цена на хлопчатобумажную ткань в Манчестере и Лондоне могла отличаться на 30%. В каждом городе было свое стандартное время, и никому это не казалось проблемой. В течение двадцати лет после постройки железных дорог все изменилось. Впервые появился единый национальный рынок, ценовые различия сгладились; стандартное время было не изобретено, а навязано железными дорогами; начальники станций, телеграфисты, турагенты — этих профессий до железных дорог не существовало.

Никто, прокладывая рельсы, не предвидел универмаги. Никто, строя паровую машину, не предвидел стандартное время.

(Пар, сталь и безграничный интеллект ИИ)

История городов рассказывает ту же историю. Города сотни лет назад были человеческого масштаба — сорок минут пешком через Флоренцию. Стальные каркасы сделали небоскребы возможными, железные дороги соединили города с периферией, появились лифты, метро, автострады. Токио, Чунцин, Даллас — это не увеличенные копии Флоренции, это совершенно новый образ жизни.

Сегодняшняя умственная работа тоже человеческого масштаба. Команды из десятков людей, ритм задается встречами и письмами, больше нескольких сотен человек — и система не выдерживает. Мы строим Флоренцию из камня и дерева. ИИ делает возможным «Токио» — организации из тысяч ИИ-агентов и людей, рабочие процессы которых работают непрерывно, пересекая часовые пояса. Старые еженедельные совещания, квартальное планирование, годовые обзоры, возможно, потеряют смысл.

Саймон больше не пишет код — его работа превратилась в «управление ИИ-агентами». Два года назад такой должности не существовало. Моя следующая должность, возможно, сейчас еще не имеет названия. Но кто-то уже строит то будущее, которое мы еще не можем назвать.

V. Как выглядит новый цех

После разбора старого цеха — что строить? Ответ Y Combinator: позволить компании улучшать себя самой.

Их внутренние системы теперь ночью сами меняют свой собственный код. Один сотрудник днем отправил запрос, он завершился ошибкой. Агент-надзиратель прочитал об этой неудаче, вывел причину, сам написал код для исправления, отправил на проверку, развернул в production. На следующий день тот же запрос выполнился успешно. Все это произошло, пока все спали.

Это не ИИ, помогающий человеку производить на 30% больше. Это система, которая самостоятельно прошла полный цикл, сама поняла, как стать лучше.

Партнер YC Том Бломфилд во внутреннем выступлении назвал такую форму компании «рекурсивным самосовершенствующимся ИИ-циклом». Его вывод прост: большинство компаний все еще похожи на римские легионы — иерархическая передача команд снизу вверх и сверху вниз, где люди служат проводниками информации. ИИ ломает не эффективность какого-то одного звена, а саму предпосылку существования всей этой бюрократической структуры.

Новая логика, которую он предлагает: сжигать токены, а не человеко-часы. Узкое место смещается с человеческих ресурсов на вычислительные мощности. Данные, которые видит YC, показывают, что доход на душу населения у компаний, дошедших до Demo Day, примерно в 5 раз выше, чем 18 месяцев назад. Роль среднего менеджмента берет на себя ИИ — «координация» больше не требует человека. Каждый должен быть IC, создателем, оператором, за каждое дело должен отвечать конкретный человек, а не комитет.

Еще одно предварительное условие: компания должна быть «читаемой» для ИИ. То, что не записано, для ИИ не произошло. YC теперь заносит в базу данных все письма партнеров, записывает все сообщения Slack и записи рабочих встреч. Один партнер использовал накопленные за три месяца 2000 часов аудиозаписей, чтобы заново сгенерировать с помощью ИИ 150-страничное внутреннее руководство — намного лучше старой версии. Это руководство теперь автоматически обновляется каждый месяц, превращаясь в постоянно свежий «живой мозг».

Том задал вопрос:

Если бы вы сегодня с нуля строили свою компанию, вы бы создали ее в такой форме? Если ваша компания уже имеет иерархическую структуру, то придется ответить на другой, более сложный вопрос — будет ли боль от перестройки меньше, чем цена продолжения работы по модели римского легиона.

Человек не в центре цеха, а на периферии — отвечает за те области, куда ИИ пока не может дотянуться: личные суждения, совершенно новые ситуации, моменты высоких ставок и сильных эмоций. Центр компании — это «корпоративный мозг», собранный из данных, записей и отраслевых знаний. Программное обеспечение, работающее на нем, — расходный материал, что можно сгенерировать, то можно и перегенерировать. Ценность — в головах людей: как работает бизнес, на каких этапах требуются суждения — это понимание и есть настоящий актив.

То, что Иван Чжао описывает в «Steam, Steel, and Infinite Minds», — это другая сторона того же направления: организация, где 1000 сотрудников и более 700 ИИ-агентов работают вместе, человек отвечает за суждения, агент — за исполнение. Ашенбреннер делает ставку на инфраструктуру вычислений, Иван Чжао — на реорганизацию компаний. Оба пути ведут к одной цели: новому способу производства, перестроенному вокруг ИИ.

VI. Заключение

Между 1840-ми и 1850-ми годами — железные дороги уже проложены, фабрики еще не перестроены.

Где мы? Саймон уже не пишет код. Он сам разобрал свое водяное колесо.

Проблема никогда не была в том, достаточно ли хороша паровая машина. Проблема в том, кто первый разберет старый цех.

Я не собираюсь предсказывать будущие универмаги, я просто намерен заниматься своим делом — нужно лишь убедиться, что я нахожусь у железнодорожной линии, а не у высыхающей реки.

А вы?