Что произошло
Исследователь Anthropic выступил перед аудиторией докторантов с тезисом: привычный карьерный план «выучиться → закрепиться в профессии → расти 20 лет» больше не работает. Лекция называлась «Конец антропоцена», и это не философская абстракция, а попытка объяснить, как быстро меняется рынок интеллектуального труда.
Дальше — что именно он привёл в качестве данных и какие выводы из этого следуют для тех, кто работает с кодом, текстом, аналитикой и исследованиями.
Цифры, на которых строится аргумент
Аргумент держится на четырёх наблюдаемых трендах, а не на прогнозах настроения.
- Вычисления на обучение моделей выросли в 10 миллионов раз за последнее десятилетие.
- Длительность задач, которые ИИ выполняет автономно, удваивается каждые несколько месяцев.
- Последние 7 месяцев модели решают открытые задачи Эрдёша, которые математики не могли закрыть.
- Прогноз исследователя: вычислительные мощности 2030 года будут в 10 000 раз больше, чем в 2025-м.
Последний пункт — ключевой. Если считать это линейным ростом, цифра выглядит фантастикой. Но это продолжение той же экспоненты, которая уже дала 10-миллионный рост за десятилетие. Исследователь прямо говорит: «мы всё ещё в начале экспоненты».
Отдельная деталь про среду: в Сан-Франциско «длинные таймлайны» теперь означают ожидание AGI через 10 лет. То есть даже консервативные оценки сжались до горизонта, за который большинство карьерных планов просто не дотягивается.
Что это меняет для вашей работы
Меняется не сама профессия, а срок годности навыка. Навык, который окупался 10 лет, теперь надо перепроверять каждые несколько месяцев — потому что удваивается не только длина автономных задач ИИ, но и то, что он закрывает без вас.
Практический вывод: строить карьеру вокруг «я умею делать X инструментом Y» рискованно. Инструмент Y устареет или его встроят в модель. Строить вокруг «я умею ставить задачу, проверять результат и отвечать за решение» — устойчивее, потому что это не привязано к конкретному продукту.
Это ровно та логика, которую мы разбирали в материале как делегировать задачу ИИ-агенту по схеме «цель → шаги → проверка»: ценность смещается от исполнения к постановке и приёмке.
Три совета, которые дал исследователь
В исходном материале советы анонсированы, но их содержание не раскрыто — есть только заголовок «его 3 совета». Поэтому не будем их выдумывать. Вместо этого — что можно сделать уже сейчас, опираясь на приведённые цифры.
- Пересоберите план под горизонт в 2–3 года, а не 20 лет. Если вычислительные мощности к 2030-му вырастут на четыре порядка, планировать карьеру на десятилетия вперёд бессмысленно: промежуточные состояния рынка вы не предскажете.
- Держите один навык на стыке. Не «только код» и не «только предметная область». Люди, которые понимают и задачу, и то, как её снять с помощью ИИ, выигрывают у тех, кто умеет ровно одно.
- Проверяйте, что модель уже делает сама. Длительность автономных задач удваивается каждые несколько месяцев — то, что год назад требовало вашего участия на каждом шаге, сегодня делается за одну постановку. Раз в квартал пересматривайте, что вы делаете руками по привычке.
Конкретный пример с числами: если в начале 2025 года агент уверенно закрывал задачи на 30 минут автономной работы, то при удвоении каждые несколько месяцев к концу года речь идёт уже о часах. Это не значит, что он заменит вас в вашей задаче — это значит, что рутинная часть сократится, а проверка и постановка станут основным временем.
Что делать читателю на практике
Начните с инвентаризации: выпишите свои повторяющиеся задачи и отметьте, какие из них ИИ уже делает хотя бы наполовину. Это займёт час и даст более честную картину, чем чтение прогнозов.
Дальше — три действия:
- Возьмите одну задачу из списка и попробуйте снять её агентом целиком, а не по кусочкам. Так вы увидите реальную границу возможностей, а не ту, что помните по прошлому году.
- Зафиксируйте, что осталось за вами: постановка, проверка, ответственность за результат. Это и есть ваш навык, который переносится между инструментами.
- Раз в квартал повторяйте упражнение. Инструменты меняются, а процедура переоценки — нет.
Если хотите понять, где именно делегирование даёт отдачу, а где создаёт хаос, начните с матрицы делегирования.
Частые вопросы
Правда ли, что карьерные планы на 10–20 лет больше не работают? Так утверждает исследователь Anthropic, опираясь на темп роста вычислений и автономности моделей. Это прогноз, а не доказанный факт, но он объясняет, почему стоит пересобирать план под более короткий горизонт.
Какие навыки учить в первую очередь? Из приведённых данных следует одно: ставка на постановку задач и проверку результата устойчивее, чем ставка на владение конкретным инструментом. Инструменты меняются быстрее, чем процедура «цель → шаги → проверка».
Насколько быстро ИИ забирает задачи? По данным из лекции, длительность задач, которые модель выполняет автономно, удваивается каждые несколько месяцев. Это и есть основной измеримый тренд, на который стоит ориентироваться.
Больше разборов по ИИ и автоматизации — в канале: @il_chum