TL;DR
· Один AI-предприниматель утверждает, что написание кода агентами меняет ранжирование компетенций на начальном этапе карьеры.
· Оцениваемые задачи лучше подходят для моделей; людям нужно научиться определять проблемы, распределять время и инструменты.
· Денежная отдача — не единственная цель; отношения, репутация и качество поставки создают разрыв.

Один предприниматель, который, по его словам, работал в Scale AI, DeepMind, OpenAI, Google и других компаниях, а теперь участвует в запуске компании-агента, написал длинную статью на английском с новыми карьерными советами для молодёжи. Контекст: инструменты AI-кодирования перешли от завершения кода к более полным инженерным агентам. Когда OpenAI в 2025 году представила Codex, было заявлено, что он может параллельно в облаке выполнять такие задачи, как написание функций, исправление ошибок, создание PR, но всё ещё требует ручного обзора и проверки кода. Вопрос становится: когда стандартные ответы, обычный код и оцениваемые задачи становятся всё дешевле, на что молодым людям стоит тратить своё время?

Суть статьи не в том, что «программистов заменят», а в том, что критерии отбора на ранних этапах карьеры меняются. Школы и традиционные собеседования в значительной степени тренируют чётко определённые задачи с однозначными ответами, которые можно оценить — а это именно то, где модели прогрессируют быстрее всего. В будущем людей может больше различать умение находить важные проблемы, выбирать высокоценную среду, создавать надёжную репутацию и доводить до поставляемого результата средние результаты, сгенерированные агентом.

Денежное предложение — не единственный ответ; время и репутация более дефицитны.

По мнению автора, в среде AI-стартапов капитал и инструменты стали более доступны, чем раньше, но качественное время, сильные отношения и надёжная репутация всё ещё дефицитны.

Он объясняет это на личном опыте. Перед приходом в Scale AI, по его словам, у него было предложение от количественной должности с более высокой денежной гарантией, но он выбрал Scale из-за более сильного сообщества, более широкого спектра продуктов и большего доступа к передовым задачам. Согласно его воспоминаниям, именно через Scale он познакомился с поставщиками вывода больших моделей, получил возможности в DeepMind и OpenAI, а также познакомился с коллегами, с которыми впоследствии основал стартап.

Этот опыт нельзя напрямую экстраполировать как формулу для всех, но он даёт прямой совет: выбор на раннем этапе карьеры не должен основываться только на текущих деньгах. Особенно после того, как AI снизил порог создания программного обеспечения, быстро сделать прибыльный инструмент стало не редкостью; долгосрочная отдача часто приходит от более сложных задач, более сильных людей и более надёжных сигналов в резюме.

Молодым людям нужно спрашивать не «какая возможность даёт больше денег сейчас», а стоит ли эта задача инвестировать время, можно ли работать с отличными людьми, увидят ли мою хорошую работу надёжные люди, и станет ли это основой для доверия для следующего шанса.

Ценность инженера смещается от «решения задач» к «нахождению задач».

Когда агенты могут обрабатывать всё более чётко очерченные задачи, ценность инженера больше не в том, «может ли он решить», а в том, «может ли он выбрать правильную задачу».

Автор упоминает, что их команда переработала процесс собеседований. Причина в том, что если в реальной работе уже не нужно писать каждую строку кода вручную, то чистое тестирование алгоритмов и традиционное системное проектирование будет иметь меньшую корреляцию с реальной производительностью. Более значимый тест — может ли кандидат быстро понять среду, обнаружить стоящую решения проблему, а затем задействовать AI-инструменты и внешние ресурсы для продвижения результата.

Это и есть новое разделение труда после того, как агенты пишут код. Модели хорошо справляются с задачами с чёткими целями и обратной связью; людям нужно оценивать, какие задачи важны, какие пути стоит попробовать, сколько времени и затрат на вызов модели стоит вложить.

Для студентов возможность AI делать домашние задания может вызвать разочарование. Но с точки зрения найма, различия между кандидатами не исчезли. Даже если все могут получить ответ с помощью AI, одним нужно много проб и ошибок и подсказок, а другие могут сотрудничать с агентом, имея бизнес-интуицию, технический фон и контекст, быстрее находя направление.

«Уметь пользоваться AI» — это не просто бросить задачу модели. Более сильные способности включают разбиение задачи, выявление отсутствующей информации, решение, когда продолжать итерацию, а когда сменить путь, и проверку, действительно ли результат решает ключевой бизнес- или технический конфликт.

Чем проще создавать ПО, тем ближе к более сложным задачам.

AI снизил порог создания ПО и упростил копирование простых систем. Автор использует «горький урок» из исследований машинного обучения для объяснения выбора карьеры: в долгосрочной перспективе расширение общих методов часто превосходит тонкую оптимизацию для одной задачи.

Применительно к компаниям и индивидуальным карьерам это означает, что ров для простых результатов становится тоньше. Любому проще сделать систему, которая выглядит работоспособной; истинно устойчивая ценность сосредоточена на достаточно сложных и амбициозных задачах.

При выборе компании автор даёт критерий: решает ли эта компания самую амбициозную версию данной задачи, и есть ли у неё реальный шанс решить её. При выборе роли нужно смотреть, позволяет ли эта роль напрямую столкнуться с передовыми задачами, которые решает компания.

Он также упоминает, что нельзя смотреть только на то, красив ли ранний продукт или впечатляет ли демо. По его субъективной оценке, раннее демо Anthropic выглядело как Slackbot, уступающий ChatGPT, но это не помешало компании позже полностью изменить траекторию. Ранние компании меняются, продукты меняются; качество команды, рыночный потенциал и сложность задачи больше влияют на долгосрочный результат.

Карьерные возможности аналогичны. Высококачественные возможности не всегда превращаются в результат, но человек сначала должен оказаться в позиции, где видит эти возможности. Может ли он туда попасть, по-прежнему зависит от долгосрочно накопленных навыков, репутации и готовности других делиться возможностями.

Обычные результаты становятся дешевле, последние 10% — дороже.

Когда простой промпт может заставить агента сгенерировать результат среднего качества, ценность обычного вывода падает, а ценность финальной доработки растёт.

Статья цитирует слова Альфреда Линя из Sequoia Capital о том, что последние 10% часто составляют 90% работы и 90% отдачи. В эпоху AI это утверждение становится ещё более реальным. Поскольку результат уровня 70 становится всё легче получить, то, что действительно отличает человека, — это уникальная перспектива, внимание к деталям, способность к итерации, качество архитектуры, масштабируемость и креативность.

Первый вывод AI редко бывает идеальным. Настоящая работа часто происходит в последующих итерациях: обнаружение, что не так, какие части нужно перестроить, какие случаи не охвачены, когда стоит использовать следующее поколение модели и сделать всё заново.

Эти навыки можно отработать на проектах, стажировках и реальной работе. Потратив немного больше времени на доработку, сделав архитектуру чистой, продумав масштабируемость, доработав детали до того, чтобы пользователи действительно захотели использовать, — всё это оставляет след в работах и собеседованиях.

Традиционные инженерные навыки не устарели. Изменение в том, что дефицит написания кода снизился, а суждение, эстетика, понимание системы и качество поставки стали дороже. AI может привести больше людей к среднему уровню, а оставшийся разрыв становится ещё труднее преодолеть.

Порог для исследований снизился, но исследования — это не просто звание.

Статья завершается обсуждением «как войти в исследования». Автор считает, что AI не сделал исследования прерогативой только топовых лабораторий, а наоборот, снизил начальный порог.

Современные исследования, конечно, больше зависят от вычислительных мощностей, но начать можно с простого: использовать существующие модели, превращать свою интуицию в тесты, участвовать в публичных рейтингах оптимизации, использовать квоты облачных платформ для студентов и исследователей, тестировать идеи как можно раньше. Большинство идей провалится при масштабировании, но понимание неудач — часть формирования исследовательского суждения.

Исследователь — это прежде всего способ работы, а не должность. В передовых лабораториях исследования часто смешивают любопытство, тестирование новых идей, взаимодействие с инфраструктурой, понимание деталей системы, быструю отладку и умение хорошо представить результаты, чтобы получить больше ресурсов. Много тренировок не нужно откладывать до получения звания «исследователь».

Карьерные советы, оставленные в этой статье, не пессимистичны. AI делает стандартные ответы, обычный код и оцениваемые задачи дешевле, а также позволяет молодым людям раньше сталкиваться с реальными проблемами. Возможности всё ещё существуют, но изменилось их распределение: кто может найти важные проблемы, попасть в качественную среду, накопить надёжную репутацию и довести результат до последнего километра, тот с большей вероятностью получит следующий шанс.

Нажмите, чтобы узнать о вакансиях BlockBeats

Добро пожаловать в официальное сообщество BlockBeats:

Telegram-канал подписки: https://t.me/theblockbeats

Telegram-группа общения: https://t.me/BlockBeats_App

Официальный аккаунт Twitter: https://twitter.com/BlockBeatsAsia