Почему человеческая работа иногда обходится дешевле ИИ-агента

Два года назад нас пугали, что AI заменит разработчиков и других специалистов. Получилось наоборот. Впервые в истории люди стали дешевле программ, но есть нюанс.

Еще один контринтуитивный факт — ИИ создает больше рабочих мест, чем уничтожает.

Давайте сравним и разберемся, что лучше: ИИ-агент без креативности и мышления vs кожаный мешок с тревожным расстройством и перерывом на обед/покурить.

В 1830-х появление железных дорог запустило крупнейшее на тот момент инфраструктурное строительство в истории. Всего за десятилетие протяженность железных дорог в США выросла в 120 раз.

А потом система начала ломаться.

5 октября 1841 года на Western Railroad в Массачусетсе столкнулись два поезда. Люди погибли из-за простой ошибки в координации.

Железнодорожная сеть становилась все сложнее, и отдельных кондукторов уже не хватало, чтобы обеспечить безопасность. Поэтому компании начали перестраивать управление. Они назначали руководителей по регионам, создавали новые должности, формировали иерархию и четкие линии подчинения.

Так появилось современное управление компаниями.

Благодаря ему железные дороги превратились в первую в мире отрасль стоимостью более миллиарда долларов. На пике железнодорожные компании составляли около 60% всего фондового рынка.

Улавливаете аналогию с ИИ?

Железные дороги создали проблему из-за масштаба. Сеть росла быстрее, чем люди успевали координировать ее привычными методами. Поэтому понадобилась новая система управления.

С ИИ происходит то же самое, только теперь масштабируется не транспорт, а интеллектуальный труд.

Раньше сотрудник был ограничен собственным временем и количеством людей, которых компания могла ему дать. Теперь он может за несколько минут запустить десятки ИИ-агентов, заставить их выполнять задачи параллельно, переделывать работу и проверять друг друга.

Фактически мы дали каждому сотруднику почти неограниченный цифровой штат.

Питер Штайнбергер, основатель OpenClaw, не так давно опубликовал скриншот трекера токенов. За 30 дней: 7,6 млн запросов, 603 миллиарда токенов, $1,3 млн затрат.

В команде по сжиганию токенов он сам, 6 разрабов и около 100 ИИ-агентов.

По его же оценке, если отключить быстрый режим, расходы упадут на 70%. Он не отключает, потому что это все равно дешевле сотрудников.

Вместе с приходом ИИ масштабировали не только производительность, но и плохое управление. Нечетко поставленная человеку задача раньше могла стоить нескольких часов работы. Нечетко поставленная ИИ задача может за то же время сжечь тысячи долларов на токены и породить десятки бесполезных циклов.

И здесь история снова повторяется. Коллективы ИИ-агентов начинают страдать от тех же проблем, от которых десятилетиями страдали коллективы людей.

Мода на максимальное расходование токенов прошла полный цикл меньше чем за месяц.
От поощрения трат токенов сотрудниками и отбору новых кандидатов по берн рейту токенов до запретов и ограничений использования ИИ в работе (история с инженерами Microsoft).

Люди сжигают огромные объемы токенов потому, что просто не умеют пользоваться ИИ.

Возможно, лишь один сотрудник из ста действительно умеет передавать ИИ нужный контекст. Очень немногие способны четко описать рабочий процесс, терпеливо разобраться, почему контекст модели засорился, или хотя бы понимают, что это вообще значит.

В Claude Code, Cowork, Copilot, Autoresearch и других средах для ИИ-агентов циклы используются как заплатка на главную проблему. Почти никто не умеет нормально ставить ИИ задачу.

Цикл пытается компенсировать человеческую ошибку грубой силой. Агент снова и снова запускает сам себя, чтобы исправлять собственные результаты, только потому, что человек изначально не смог четко сформулировать задачу.

В итоге многократные повторные попытки становятся единственным способом добиться результата. А начинается все с того, что человек сам до конца не понял, какую задачу пытается решить.

Если не согласны с этим тейком, можете поправить меня в формате оскорблений и унижений в комментариях.

Большинство современных компаний управляются плохо.

Огромная часть сотрудников почти никак не влияет на результат бизнеса. Они становятся винтиками системы, согласуют решения на каждом уровне и нанимают новых винтиков, чтобы поддерживать машину, главной задачей которой постепенно становится собственное существование.

Они тоже зацикливаются.

Иногда выгоднее просто удалить весь этот цикл. Илон Маск сократил около 80% сотрудников X, после чего компания продолжила работать и стала эффективнее. На похожей логике десятилетиями зарабатывают специалисты фондов прямых инвестиций, которые приходят в компании и вырезают лишние управленческие слои.

Так же как большая часть сотрудников может почти ничего не делать, огромная доля токенов сегодня не создает никакой ценности.

Люди порождают новые должности. Токены порождают новые токены. Бесконечные циклы стали новой формой строительства корпоративных империй.

Главное обещание обычного ПО:
Мы создаем программу один раз, затем она годами работает почти бесплатно и не требует постоянного контроля.

ИИ разрушил эту модель.

Как только программа научилась делать практически что угодно, она перестала гарантированно делать одну конкретную вещь одинаково хорошо каждый раз.

Токены ведут себя как рабочая сила. И если начать воспринимать токены как сотрудников, многие обещания ИИ начинают выглядеть иначе.

Есть одна область, где ИИ действительно безоговорочно превосходит человека. Масштабирование.

Чтобы увеличить человеческий штат, нужно искать людей, нанимать их, обучать, вводить в должность и заменять тех, кто уходит. Увеличить количество токенов можно мгновенно.

Именно поэтому плохое управление ИИ обходится настолько дорого. И именно поэтому компаниям придется научиться находить те самые токены, которые дают в сто раз больше результата.

Разработчики, способные дать в десять раз больше результата, построили компании предыдущей эпохи. Следующую эпоху построят токены, дающие стократный эффект.

Несколько выдающихся сотрудников способны сделать всю команду в разы эффективнее. То же самое происходит с ИИ. Для каждой задачи существует определенный набор контекста, который способен сократить требуемые усилия модели на порядки.

Некоторые токены действительно дают в сто раз больше пользы, чем другие.

В среднем человек уже дешевле токенов. Но все зависит от конкретной задачи.

Например, в свой проекте PolyJournal я автоматизировал создание контента в блог. В итоге 340 статей (10 я написал без API) обошлись мне в $6 на токены двух моделей DeepSeek + около 10 часов суммарного времени на перепроверку и генерацию обложек.

Автоматизирован весь процесс создания контента, кроме этапов, где проще сделать вручную.
На выходе получаем вот это.

Внутри компаний назревает огромный политический конфликт вокруг ИИ. Сотрудники не хотят передавать ИИ свои уникальные знания и рабочие схемы.

Люди понимают, что эти системы внедряют не только для того, чтобы помогать им работать или повышать производительность.

Приходит осознание, что ты тренируешь ИИ, который заменит тебя на рабочем месте.

Посмотрите на Meta. Сотрудники компании владеют ее акциями и напрямую заинтересованы в том, чтобы Meta успешно внедряла ИИ. И даже они возмущаются тем, что компания использует рабочий контекст сотрудников как данные для обучения.

Корпоративные знания веками были способом защитить свое положение. Средневековые гильдии держали методы работы в тайне. ИИ стал первой технологией, которая фактически просит сотрудников разом передать системе все накопленные знания.

Никто не хочет бесплатно обучать собственного преемника.

Причем именно у людей, владеющих самыми ценными знаниями, меньше всего причин ими делиться. С эмоциональной, организационной и политической точки зрения компании устроены так, что сами сопротивляются технологии, от которой может зависеть их будущее.

Лучший способ управлять ИИ ничем не отличается от лучшего способа управлять людьми. Нужно заранее определить, что считается хорошим результатом.

Единственная область применения ИИ, которой пока удалось почти полностью избежать корпоративной политики, это программирование. ИИ не уничтожил работу разработчиков, а увеличил их возможности.

Причина в том, что программирование обладает встроенной системой проверки.

Код либо работает либо нет.

Именно поэтому программирование сегодня приносит подавляющую часть выручки от корпоративного ИИ. Результат здесь относительно просто проверить.

ИИ начнет массово проникать в другие отрасли только тогда, когда появятся такие же надежные способы оценки результата. Причем специализированные системы проверки гораздо важнее, чем обучение сотрудников искусству написания промтов или выдача им очередного интерфейса с чат-ботом.

Когда такие системы появятся, ИИ сможет автоматизировать те части экономики, до которых традиционное программное обеспечение никогда не добиралось.

Настоящая управленческая работа заключается именно в этом. Нужно превращать размытые человеческие процессы в формализованные правила, а качественные оценки переводить в измеримые показатели.

Набор внутренних способов проверки ИИ станет одним из самых ценных активов компании.

Цели и ключевые результаты помогают направлять человеческий коллектив и получать от него максимальную отдачу. Аналогичную роль для бесконечно масштабируемой армии ИИ будут выполнять системы оценки качества.

Именно они позволят находить и использовать токены со стократной эффективностью.

Кроме того, у двух компаний никогда не будет абсолютно одинаковой системы оценки. Поэтому способы проверки ИИ станут конкурентным преимуществом.

Компания, которая использует стандартные проверки и стандартных агентов, не имеет никакого преимущества перед конкурентами.

В контенте ИИ практически уничтожил стоимость первого черновика. Десять заголовков, структура статьи, выжимка исследования или сокращение абзаца обходятся в минуты и центы. Копирайтер за ту же работу стоит десятки долларов в час.

Но хорошая статья состоит не только из произведенных слов. Кто-то должен выбрать тему, найти надежную фактуру, заметить противоречия, удалить повторы и понять, что идеально структурированный текст на самом деле ничего не говорит. Поэтому дешевеет производство текста, а ценность отбора и редактуры растет.

В маркетинге похожая ситуация. ИИ легко создаст двадцать объявлений, классифицирует отзывы и соберет конкурентов в таблицу. Но если стоимость привлечения клиента выросла на 40%, агент может предложить пятнадцать причин, тогда как бизнесу нужна не шестнадцатая гипотеза, а понимание, какую из первых пятнадцати проверить.

ИИ феноменально дешев в увеличении количества вариантов. Но компании обычно платят за вероятность выбрать правильный.

В разработке положение агента сильнее, потому что результат часто можно автоматически проверить. Код либо собирается, либо нет, тест проходит или падает. OpenAI даже создала SWE-Lancer на основе более чем 1400 реальных заказов с Upwork общей стоимостью около $1 млн, от исправлений за $50 до функций стоимостью десятки тысяч долларов.

Но чем дальше задача уходит от небольшого исправления к архитектуре, старому коду и неоднозначным требованиям, тем дороже становится контекст и тем сложнее проверить результат автоматически.

METR в эксперименте 2025 года даже обнаружила, что опытные разработчики на знакомых им проектах с ИИ выполняли задачи в среднем на 19% медленнее, хотя сами были уверены, что инструмент их ускоряет. Более поздние исследования уже показывают признаки ускорения, поэтому универсального коэффициента «Claude делает программиста на X% быстрее» просто нет.

Из всего этого можно вывести довольно простое правило. Чем лучше задача формализована, чем дешевле ошибка и чем проще проверить результат, тем сильнее преимущество ИИ. Чем больше контекста, неоднозначности, ответственности и дорогих ошибок, тем выше ценность человека.

Перевод, суммаризация, классификация, черновики, типовой код и стандартные преобразования данных уже близки к машинной экономике. Стратегия, сложная редактура, продуктовые решения и работа в ситуации «мы сами не очень понимаем, чего хотим» пока требуют дорогого человеческого слоя.

Но реальная конкуренция вообще чаще выглядит не как «человек против ИИ», а как человек против человека с ИИ.

Исследования генеративного ИИ неоднократно показывали, что менее опытные сотрудники получают особенно большой относительный прирост производительности. Джун с хорошим инструментом способен приблизиться к уровню мидла, а сеньор перестает тратить время на значительную часть ручного исполнения.

Из-за этого ИИ меняет цену разных уровней специалиста. Раньше компании нужен был джун хотя бы потому, что кто-то должен писать типовой код, собирать данные и выполнять рутину. Теперь часть этой работы можно купить за токены. Одновременно сам джун получает ИИ и становится сильнее.

Поэтому более вероятен не сценарий, где одна модель просто заменяет пять программистов, а перестройка команды: меньше человеческого исполнения, больше машинного и выше ценность постановки задач, контроля и принятия решений.

Отсюда, кстати, возникает новая проблема. Если ИИ заберет значительную часть простых задач, на которых раньше учились начинающие специалисты, компаниям придется придумать другой способ выращивать будущих сеньоров.

Раньше дополнительную интеллектуальную мощность компания покупала в основном через фонд оплаты труда. Нужен еще разработчик — нанимаем разработчика. Нужно больше анализа — нанимаем аналитика.

Теперь есть второй способ: часть разработки, аналитики, обработки документов и контента можно покупать токенами.

Человека долго искать и дорого нанимать, зато после этого у него есть огромное уже оплаченное контекстное окно в голове. ИИ запускается мгновенно и масштабируется почти без ограничений, но каждый новый цикл имеет себестоимость.

Поэтому рядом с фондом оплаты труда, облачными расходами и маркетинговым бюджетом появляется новая статья — бюджет на интеллект.

Компании начинают устанавливать лимиты на использование ИИ, выбирать дешевые модели для простых задач и считать стоимость отдельных агентных процессов. По сути происходит то же, что когда-то произошло с облачными вычислениями: сначала ресурс казался почти безгранично дешевым, а потом счета выросли настолько, что появилась отдельная дисциплина управления расходами.

Только теперь компании оптимизируют не серверы, а машинные мысли.

Если вам было лень читать все это полотно, то вы пролистали в нужное место. К сожалению, не существует простого ответа на вопрос: кто дешевле кожаный мешок или ИИ-агент

По чистой стоимости вычислений ИИ в большинстве коротких и хорошо формализованных задач намного дешевле человека. Сгенерировать текст, обработать документы, классифицировать данные или написать типовой код модель способна за доллары или даже центы. Но стоимость токенов еще не равна стоимости выполненной работы.

Допустим, агент написал код за $2. Затем сеньор потратил 45 минут на проверку, нашел ошибку, вернул задачу агенту и в итоге самостоятельно переписал критический участок. Такая работа стоила уже не $2, а $2 плюс человеческое время на постановку задачи, проверку и исправление результата.
Возможна и обратная ситуация: агент тратит $20, но за двадцать минут выполняет работу, на которую разработчику потребовалось бы три часа. Тогда дорогой по меркам API агент оказывается очень дешевым исполнителем.

Поэтому сравнивать нужно не стоимость часа человека со стоимостью токенов, а стоимость принятого результата: генерация, дополнительные попытки, человеческая проверка и исправление ошибок.

Именно здесь хорошо видно преимущество человека в сложных задачах.
Разработчик, который полгода работает над продуктом, не перечитывает весь репозиторий перед каждым изменением.

Маркетолог помнит, почему прошлый оффер провалился.

Редактор знает, какие формулировки уже обсуждали и почему от них отказались.

Этот контекст не бесплатный. Компания месяцами платила зарплату и обучение, чтобы он сформировался. Но теперь он уже находится в голове сотрудника, тогда как агенту нужную информацию приходится передавать заново.

Чем хуже формализована задача, тем сильнее растет эта скрытая стоимость. Агенту могут понадобиться миллионы токенов, десятки вызовов инструментов и несколько исправлений, после чего сеньор все равно потратит час на проверку.
В одном исследовании 22 953 запросов на внесение изменений в код менее опытные разработчики с активным использованием ИИ меняли больше файлов и делали больше коммитов, но получали в 4,52 раза больше комментариев при проверке. Вероятность принятия их изменений была на 31% ниже, а решение занимало в 5,16 раза больше времени.

Получается довольно простое правило. Чем лучше задача формализована, тем чаще выигрывает ИИ. Чем больше в ней контекста, неоднозначности и дорогих ошибок, тем выше ценность человека. А во многих сложных задачах оптимальным вариантом становится человек с ИИ.