Оплата вашего рабочего времени теперь конкурирует с оплатой за токены

Есть неудобная мысль, которую рынок услуг пока проговаривает не вслух.

Если раньше клиент сравнивал ваш рабочий час с рабочим часом другого специалиста, то теперь он всё чаще сравнивает его с токенами, подписками, агентами и человеком-оператором, который держит процесс в руках.

Не с «искусственным интеллектом вообще». Это слишком туманно.

С конкретной себестоимостью повторяемой операции.

И вот здесь появляется неприятный перекос. Если ваша ценность — просто «я сделаю руками», вы выигрываете только тогда, когда ваш час стоит очень дешево. Во всех остальных случаях покупатель начинает задавать вопрос: почему это всё ещё считается часами, а не процессом?

Коротко:

- $2,730 — это не «стоимость замены человека», а только сырой счёт за токены; - конкурирует не профессия целиком, а повторяемый слой внутри работы; - защита специалиста — не дешёвый час, а владение рабочим контуром.

Поводом стала статья MeaningfulTech про экономику токенов. Там есть эффектная рамка: сырой счёт за токены для сопоставимого AI-workflow может быть около $2,730 в год. Но в том же разборе полная стоимость AI-агентного контура уже ближе к $82,000 в год. А полная стоимость сотрудника с зарплатой $100,000 может быть около $135,000. [1]

Заголовок, конечно, сам себя пишет: «сотрудника за $100,000 заменили токенами за $2,730».

Но это плохой заголовок. Он продаёт эмоцию, а не помогает управлять.

Токены сами по себе не делают работу. Нужны доступы, источники, инструменты, промпты, проверки, ретраи, мониторинг, безопасность, журнал действий и человек, который в конце не прячется за фразу «ну модель так выдала».

Поэтому честное сравнение другое. Не человек против API. А один рабочий процесс против другого рабочего процесса.

Раньше процесс часто выглядел так: специалист получил задачу, собрал контекст, сделал черновик, проверил, передал клиенту, внёс правки.

Теперь рядом появляется второй вариант: источники собираются в систему, черновик делает модель, часть проверок выполняет код, спорные места подсвечиваются, человек принимает решение, результат уходит в публикацию или в отчёт, дальше смотрятся метрики.

Вот это уже настоящая конкуренция. Не магическая. Экономическая.

Разговор «какие профессии исчезнут» слишком театральный. На практике всё скучнее и поэтому опаснее.

AI сначала забирает повторяемые куски внутри профессии.

У маркетолога это может быть структура статьи, сбор источников, первичная адаптация под площадку, проверка ссылок, подготовка отчёта. У консультанта — первичный аудит, разбор открытых данных, черновик презентации, список рисков. У разработчика — воспроизведение бага, маленький патч, тест, документация.

Название должности остаётся. Но внутри неё меняется цена отдельных операций.

Исследование OpenAI, OpenResearch и University of Pennsylvania часто пересказывают слишком резко. Аккуратная версия такая: около 80% работников имеют хотя бы 10% задач, на которые могут повлиять GPT-модели; около 19% работников имеют не менее 50% таких задач. [2]

Это не значит, что 80% людей можно заменить. Это значит, что почти в каждой роли есть куски, которые уже можно пересобрать.

И рынок начнёт пересчитывать именно эти куски.

У ручного часа была простая логика. Работа занимает время. Время стоит денег. Значит, чем больше работы, тем больше счёт.

Для части задач это всё ещё справедливо. Но для повторяемой интеллектуальной работы логика трещит.

Если задача описывается инструкцией, имеет понятный вход, понятный выход и понятную проверку, она становится кандидатом на контур. Не обязательно полностью автоматический. Но уже не «чисто ручной».

Написать первый черновик. Собрать список источников. Проверить факты. Перепаковать материал под другую площадку. Подготовить скелет презентации. Сделать первичный аудит. Сверить, есть ли ссылки и сноски.

Всё это раньше удобно продавалось часами.

Теперь покупатель всё чаще видит в этом не экспертность, а производственный слой. А производственный слой всегда давят по себестоимости.

Можно защищаться низкой ценой. Но это плохая защита. Где-то всегда дешевле.

Можно защищаться вкусом, опытом, доверием и ответственностью. Это уже сильнее.

Но самая крепкая позиция — владеть процессом.

Процесс — это не «я хорошо пользуюсь ChatGPT».

Процесс начинается там, где понятно, что является входом, какие источники можно использовать, что делает агент или человек, какая проверка блокирует плохой результат, где принимается финальное решение и как потом измеряется эффект.

В контенте слабая версия звучит так: «напиши статью про AI Search».

Рабочая версия звучит иначе: есть каноническая страница, есть источники, есть тезис, есть проверка фактов, есть сноски, есть адаптация под Medium, VC.ru, LinkedIn или Habr, есть проверка индексации и есть измерение того, что материал дал после публикации.

Это уже не генерация текста. Это контролируемый коридор производства контента.

Снаружи результат может выглядеть как обычная статья. Внутри это система: что можно брать, что нельзя, где модель помогает, где код проверяет, где человек останавливает плохой вариант.

Именно поэтому владелец процесса стоит дороже исполнителя задачи.

Исполнитель продаёт действие.

Владелец процесса продаёт воспроизводимый результат.

Старая фраза «мы потратили N часов» будет хуже работать. Особенно там, где клиент уже пробовал AI-инструменты и понимает, что черновой слой стал дешевле.

Клиент не всегда прав в оценке сложности. Часто он недооценивает проверку, ответственность и контекст. Но он прав в одном: часть ручной работы действительно больше не должна стоить как экспертная.

Поэтому упаковка услуги должна меняться.

Не «мы пишем статьи».

А «мы строим контентный контур: от источников и канонической страницы до дистрибуции, проверки, индексации и замера цитируемости».

Не «мы делаем аудит».

А «мы запускаем повторяемый цикл диагностики, где видно, какие данные взяты, какие выводы подтверждены, какие гипотезы спорные и что проверяется дальше».

Не «мы ведём маркетинг».

А «мы строим систему, где гипотезы, контент, публикации, лиды и AI visibility связаны в один измеряемый процесс».

Разница не в красивых словах. Разница в том, что второй вариант сложнее сравнить с дешёвой генерацией.

Самый полезный первый шаг — не покупать ещё один AI-сервис.

Лучше открыть календарь за последние две недели и отметить задачи, которые повторялись. Потом спросить по каждой: есть ли понятный вход, повторяемое действие, критерий качества и проверка результата?

Если да, перед вами кандидат на агентный контур.

Не надо сразу пытаться заменить себя. Это почти всегда приводит к плохой автоматизации и тревоге. Гораздо разумнее выбрать один маленький процесс и собрать вокруг него нормальные рельсы: источники, черновик, проверка, решение, публикация, метрика.

После этого быстро становится видно, где модель экономит время, где создаёт риск, где нужен код, а где человеческое суждение убирать нельзя.

Так появляется новая грамотность рынка знаний. Не «уметь промптить». Это слишком узко.

Уметь проектировать работу.

Быстрая проверка для себя:

- если задачу можно повторить по инструкции, её скоро будут считать как процесс; - если качество держится только на вашем вкусе, его нужно превратить в проверку; - если результат нельзя измерить после передачи, это не контур, а ручная услуга.

Оплата вашего рабочего времени теперь конкурирует с оплатой за токены.

Если работа упакована как повторяемая задача, её будут сравнивать с более дешёвым способом выполнить такую же задачу. И тогда выигрывает либо самый дешёвый исполнитель, либо тот, кто уже заменил ручной слой системой.

Если работа упакована как управляемый процесс, сравнение меняется. Покупают не часы, а способность превратить хаос входных данных в результат, который можно проверить, повторить и улучшить.

Токены дешевеют. Рабочие контуры дорожают.

Похоже, это и есть главный сдвиг для маркетологов, консультантов, редакторов, разработчиков и всех, кто продаёт интеллектуальную работу.

[1] MeaningfulTech — The Token Economy: What a $100,000 Employee Really Costs in the Age of AI

[2] OpenAI / OpenResearch / University of Pennsylvania — GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models]

[3] Каноническая версия на gregshevchenko.com