Экономика AGI: Что происходит с работой, когда исполнение становится бесплатным

# Вебинар: Экономика AGI — Что происходит с работой, когда исполнение становится бесплатным

Date: 2026-05-15

Source: Webinar by Bayram Annakov

Language: Russian

Duration: ~130 minutes

Topic: Economics of AGI — how labor, organizations, and the economy change as AI moves the bottleneck from execution to verification

Anchor paper: Catalini, Hui & Wu — "Some Simple Economics of AGI" (MIT, Feb 2026)

Встреча открывается тем, что Байрам собирает в чате тревоги и вопросы участников. Из ленты сразу выделяются повторяющиеся темы: технологическая сингулярность, опасение, что любая работа в области AI устаревает за полгода, сложность с продажами и трафиком при том, что код и приложения стало писать «каждый умеющий пользоваться скиллом», избыток внимания нейросимбиотике, страх потерять команду. Все эти тревоги Байрам обещает разобрать через одну системную рамку — но честно предупреждает: это не «серебряная пуля», а размышления, основной формат вебинара — рассуждение вслух.

Стратегическая цель — дать ответы (или хотя бы рабочие гипотезы) на четыре вопроса:

1. Как меняется рынок труда?
2. Как меняется экономика и бизнес?
3. Какую роль играют люди и AI-агенты/роботы?
4. Как планировать свою карьеру и жизнь, если меня заменят?

Байрам начинает с упражнения: «Если AI делает за нас часть работы — что меняется в нашей работе?». Чат отвечает по-разному, но сходится в одном: акцент сместился с «делать» на «проверять, направлять, давать обратную связь». Цитата из чата участника Арсения: *«сместился баланс между „думаю над проектом" и „думаю над запятыми и мелкой моторикой"»*.

Байрам формулирует тезис, на котором будет держаться весь воркшоп: узкое место (bottleneck) в нашей работе сдвинулось из выполнения в верификацию. Если раньше мы в основном *делали*, то сейчас мы в основном *проверяем* — планируем, оцениваем, даём обратную связь.

Симптомы этого сдвига уже видно невооружённым глазом. Саймон Уиллисон в недавнем подкасте говорит, что когнитивно выматывается уже на 9-12 строках кода, который проверяет за AI. На внутреннем чате AI Native одна участница описала «управленческий кризис»: после изменения цен на Claude Code набор настроенных ею Claude Code-агентов делает то же, что её помощница, в 5 раз дешевле. Вопрос: увольнять или нет — стал реальным.

Если этот сдвиг настоящий, то *правильный* первый вопрос звучит не «что AI автоматизирует», а: какие из задач, которые мы делаем, можно верифицировать?

Возникает следующий слой: если узкое место теперь верификация, и часть верификации тоже можно алгоритмизировать (тесты для кода, тренировочные датасеты, browser automation для фронта), то логичный шаг — отдать проверку AI. Но есть четыре причины, по которым *часть* верификации остаётся за людьми. Любой одной из них достаточно, чтобы человек оставался в петле.

1. Edge-кейсы. Хвост редких случаев, которых нет в распределении тренировочных данных и в промте агента. Каждый раз, когда мы вносим уточнения, добавляем примеры, доформулируем инструкции — мы фактически расширяем покрытие модели. Лаборатории делают то же самое в большом масштабе.

2. Tacit knowledge. Поланьи 1958: «we know more than we can tell». То, что вы видите как «не так», но не можете сформулировать как правило. Внутренняя картинка результата, контекст компании, реальный запрос клиента. Это не лежит в тренинг-датасете — это лежит в вашей голове. И каждый раз, когда вы поправляете агента из своего тесит-знания, вы фактически вынимаете это знание наружу и помогаете будущим моделям его потерять как уникальный мод.

3. Коррелированные ошибки (κ_corr). Инженерный рефлекс «пусть один AI проверяет другой AI» проваливается на структурном уровне. Все frontier-модели обучены примерно на одних и тех же данных, оптимизируют по близким целям и поэтому имеют общие blind spots. Метрика «второй AI проверил» выглядит зелёной, реальная τ-надёжность падает. Сутскевер про это говорил ещё с конца 2023-го.

4. Юридическая ответственность. Когда output уходит в продакшн и что-то ломается — лицензия отзывается, клиент уходит, иск приходит — у машины нет «шкуры». Иск идёт в адвоката, который подписал, радиолога, который одобрил, основателя, который зашипил. Это не про «комфорт делегирования», как уточнил Алексей в чате — это про конкретное законодательное требование, что под решением должна стоять подпись физического или юридического лица. Харари в последних книгах рассуждает на эту тему как про эволюционно-социальный механизм.

Из этих четырёх причин две (edge-кейсы и tacit knowledge) мы своими руками постепенно вымываем — обучая агентов и записывая в промты то, что раньше держали в голове. Остаются по сути коррелированные ошибки и ответственность — и именно они становятся структурным мотом человека.

Если c_A (стоимость делать) падает экспоненциально, а c_H (стоимость проверять) растёт, между ними возникает разрыв. В этом разрыве копится неверифицированный output — код в продакшене, подписанные контракты, медицинские диагнозы, торговые решения. Метрики бизнеса показывают рост (как будто GDP), но по сути это технический долг, который оплачивается позже, иногда трагично. Байрам приводит пример авиаудара по школе для девочек в Иране — типичный случай, когда output накапливался без надлежащей верификации.

Это и есть «Trojan Horse externality» из работы Каталини: выглядит как GDP, ведёт себя как долг. Конфликт между CEO и CTO во многих компаниях — это спор о том, кто менеджит вот этот накапливающийся неверифицированный долг.

На графике показаны два курса:

• Стоимость делать (c_A) — падает экспоненциально. За 18-24 месяца — примерно в 200 раз за эквивалент intelligence моделей. Эффект масштаба: капитальные затраты делятся на всё больший output.
• Стоимость проверять (c_H) — растёт в реальных величинах. Простую верификацию автоматизируют. Остаётся только сложная — та, что требует более высокой квалификации. Кейс из воркшопа Байрама про support: AI забирает простые тикеты, у senior support специалиста остаются только сложные, он не успевает когнитивно восстанавливаться, и его производительность *падает*, хотя инструмент «вроде помогает».

Этот разрыв — наш escape path. Тренировать себя нужно осознанно туда, где верификация остаётся трудной.

Из чата выходит хороший список (Арсений, Даниил, Дмитрий, Михаил):

• Скорость петли обратной связи. Код компилируется или нет — секунды. Инвест-стратегия — месяцы или годы. Чем дольше нужно ждать, тем сложнее верифицировать.
• Чёткость критериев. Делится ли число на три — есть однозначный ответ. «Стильный ли сайт?» — нет. Дизайн-мем «я арт-директор, иди переделывай» — про субъективную «вкусовщину», которую трудно артикулировать.
• Цена ошибки. Чем выше — тем больше нужен человек на подпись.
• Наличие матаппарата. Наука стремится найти «шорткаты во времени» (формулировка Стивена Вольфрама на подкасте Лекса Фридмана): способ не дожидаясь предсказать результат. Где есть матаппарат — есть шорткат — есть верификация. Где нет — приходится проигрывать систему во времени.

Дальше Байрам делает важный заход через Santa Fe Institute / Complexity Theory. В английском есть разница между *complicated* (часов — много частей, но правила известны) и *complex* (рынок, организация, общество — много адаптивных агентов, преследующих свои цели, реагирующих на состояние системы).

Свойства комплексной системы:

• Конечное множество агентов с собственными целями.
• Адаптивность: как только появляется выигрышная стратегия — её копируют, и она перестаёт быть выигрышной.
• Состояние системы зависит от действий каждого, и действия каждого меняют состояние, влияя на действия других.

Канонический пример — задача про бар El Farol (Brian Arthur, 1994; реальный бар в Санта-Фе): 100 человек решают, идти ли в бар. Если идут ≥60 — там тесно. Каждый прогнозирует прогнозы других. Равновесия нет, оптимальной стратегии нет, систему можно только проигрывать во времени.

Большинство решений, которые стоит принимать, лежит в complex-домене: переговоры, стратегии, инвестиции, продуктовые ставки, отношения с клиентами. И это структурная причина, почему верификация остаётся дорогой не временно, а *по геометрии задачи*.

Прямое следствие для организаций: сложность бизнеса мигрирует изнутри вовне, к границам организации — там, где она взаимодействует с complex-внешней средой. Senior support engineer, который решает edge-кейсы и переговоры, защищён сильнее, чем junior, который закрывал простые повторяющиеся обращения. Менеджмент, влияющий на внешнюю среду, защищён сильнее, чем middle management, который только координирует информацию внутри.

Чтобы закрепить, Байрам устраивает голосование: насколько повысится производительность senior радиолога (20 лет опыта) после внедрения Claude в работу? Варианты: +40% / +15% / ~0% / отрицательно.

Чат расходится бимодально — кто-то ставит +40%, кто-то «снизилась». Правильный ответ — ~0%. Это эмпирический результат исследования Бринйольфссона (Стэнфорд). Причина: senior уже близок к верификационному потолку для своей задачи — он *и есть* верификационный потолок. AI ему даёт всё, что он и сам знает. Эффект AI оказывается асимметричным: новички получают +34%, топы — ноль.

Параллель с кодингом и поддержкой: общая производительность senior-специалистов от AI существенно не растёт. AI убирает junior-задачи, которые senior всё равно не делал. Так что суть исследования — не про senior. Она про junior, которого больше не нанимают.

Первая ось — verifiability. Вторая — automatability. И здесь важно: «не автоматизируется» бывает по разным причинам:

• Невозможно технически — мелкая моторика, физика, тело. Плотник, электролог, хирург, ICU-нурс.
• Спрос предполагает человека — чайный мастер, sushi-мастер уровня Jiro, ремесленные товары. Кофе из автомата мало кого устраивает в кафе через дорогу.
• Экономически невыгодно — недавняя статья про CEO NVIDIA, который говорит, что для уборки в отеле компьютер дороже, чем нелегальные руки. Incentives matter.
• Юридически запрещено / зарегулировано — медицина, юриспруденция, финансовый совет. License > capability. Профсоюзы и лобби тоже формируют этот барьер. Байрам прогнозирует, что регуляторное давление будет нарастать.
• Веблен-эффект (Veblen goods) — товары, спрос на которые *растёт* с ценой. По мере того как массовый output дешевеет, премия за человеческий труд (вручную, лично, тот самый Jiro) растёт.

Дмитрий в чате задаёт хороший вопрос: «А в эпоху AGI разве это останется важным?». Байрам соглашается, что объём этого слоя сократится — как сократилось ремесло после индустриализации, — но *исчезнуть* он не может, потому что спрос на «человечность опыта» — это структурный спрос, не функциональный.

Совмещая две оси, получаем квадрант — любимый инструмент консультантов. Названия позаимствованы из работы Catalini, Hui & Wu (Strategic Labor Market Topology, p.78):

• Top-right — Meaning Makers (легко верифицировать, сложно автоматизировать). Мастера, ремесленники, преподаватели в live-режиме, художники. Самый защищённый квадрант с точки зрения «есть ли работа». Главный риск — объём (сколько таких людей нужно рынку) и долгосрочная эрозия отдельных подзадач.
• Bottom-right — Liability Underwriters (легко автоматизировать, сложно верифицировать из-за ответственности). Senior разработчики, проверяющие PR; адвокаты, подписывающие документы; радиологи под AI-диагнозами. Они ставят свою репутацию и юрлицо под output машины.
• Top-left — Directors (сложно автоматизировать и сложно верифицировать). Те, кто работает с complex средой и неопределённостью — CEO, CPO, инвест-менеджеры, стратеги, дипломаты, основатели. Нет плейбука, петля обратной связи длинная.
• Bottom-left — Displaced (легко автоматизировать, легко верифицировать). Самый большой риск. Если бóльшая часть задач лежит здесь — стратегия только одна: уходить отсюда.

Байрам предлагает участникам прямо сейчас разложить свои задачи по квадрантам и посмотреть, где живёт основной вес. Если в bottom-left — это сигнал тревоги.

Чтобы материализовать упражнение, Байрам предлагает участникам разобрать *его собственную* деятельность по квадрантам:

• Воркшопы вживую — Meaning Makers. Сам факт «здесь и сейчас, говорит автор» — часть ценности. Поэтому Байрам отказывается переводить вебинары в записанные мастер-классы, хотя бизнес-логика «один раз записал, продавай дёшево» советует наоборот.
• Канал в Telegram, эссе — Directors. Прогнозы, формулировки, контрарианские посты. Это и есть способ построить репутацию в неопределённости (про что ниже).
• Подготовка к воркшопу (планирование, нарратив) — Director-задача, которую он сознательно вернул себе руками после нескольких неудачных попыток автоматизации. У этой презентации — седьмая версия (v6 — это та, что показана; v7 пошла дальше). Между v5 и v6 поменялся не контент, а нарратив (workshop arc) — AI сам не может сформулировать attention-вектор, под который потом подбирается материал.
• Onsa.ai (AI-агенты для sales) — пограничный кейс. Они уже чарджат за outcome по части видов деятельности, но не по другим — потому что пока не умеют их underwriting. Стратегическое движение Onsa — научиться underwriting и забрать таким образом два квадранта одновременно.

Из конкретных действий, которые формируют репутацию Director:

1. Публичный prediction log. Записывать свои прогнозы публично, с датой. Через год-два-пять можно вернуться и показать, что и когда вы видели. У Байрама публичных предсказаний много — в том числе тех, что не сбылись. Кейс Wingman (его криптопроект, потерявший деньги) — он сохранён в канале, к нему можно обратиться. Это и есть skin in the game.

2. Ставки на prediction markets. Поскольку ставки публичны и фиксируются на блокчейне, через несколько лет можно показать новому работодателю или инвестору не CV, а *подтверждённые ставки в вашей предметной области*. Не призыв гэмблить, а способ сделать knowledge верифицируемым.

3. Reframe-эссе. По одному микро-эссе в неделю: возьмите принятую в индустрии рамку и публично её переверните. Карпатый делает именно так. Если у вас есть 20 кейсов, где AI плохо генерирует sales-сообщения, — публикуйте три. За остальными 17 к вам придут.

4. Time audit. Стремиться к тому, чтобы ≥60% рабочего времени уходило на принятие решений, а не на исполнение. Большинство этого ещё не делает. Байрам периодически перепроверяет себя: каждый раз, когда он думает «эту работу я делаю руками, потому что её нельзя автоматизировать» — он специально пробует автоматизировать. Если получилось — это уже не Director-задача.

Тут чуть жёстче. Underwriter — это не «я хорошо проверяю», это «я готов отвечать репутацией и деньгами, если AI ошибся». Профессиональная конфигурация:

• 20 edge-кейсов, на которых AI ломается *в вашей конкретной нише* — это ваш K_IP (intellectual property для верификации).
• Готовность взять на себя юридическую и репутационную ответственность за output.
• Делать это через harness, через адвокатскую обвязку, через формальный аудит — неважно. Важно, что подпись стоит, и она ваша.

Mishа в чате сделал важное предсказание, к которому Байрам присоединяется: многие софт-компании эволюционно станут страховыми компаниями. Когда стоимость *написания* софта стремится к нулю и продукт по сути сводится к спецификации (а-ля ГОСТ), то монетизируется уже не разработка, а гарантия исполнения этой спецификации в неопределённой среде. ElevenLabs в феврале 2026 запустили insured AI voice agent через AIUC-1-сертификацию — первый живой пример.

Из логики «исполнение → AI, верификация → люди» следует структурное изменение оргструктуры:

• Тонкий верх — Directors (немного людей, дорогих, с привилегией принимать решения в комплексной среде).
• Огромная середина — Machine Execution (AI делает работу).
• Тонкий низ — Liability Underwriters (немного людей, дорогих, подписывающих за output).

Это сэндвич-топология Каталини. Тот middle management, который раньше координировал информацию и решения по организации — автоматизируется. Не «пропадает» в смысле увольнений, а исчезает как структурный слой. Эссе одного из основателей Twitter и Blogger (имя Байрам не вспомнил вслух) — буквально про это, написано около месяца назад.

Это перекликается с практическим вопросом, который задал в чате Егор: что должен делать менеджер IT-компании? Ответ — двигаться к одному из двух полюсов сэндвича. Срединное координирующее звено будет давить со всех сторон.

Здесь вебинар поднимается до системного уровня. Если AI забирает junior-работу, то откуда возьмётся новое поколение senior'ов? Чтобы стать верификатором, нужно сначала набить руку на рутинной верификации. Байрам приводит свой первый опыт работы в VDI: его первой задачей было написать exception-сообщения для всех throw'ов в проекте. Внешне — мусорная задача. Внутри — единственный способ заставить джуниора *прочитать весь код*, потому что хорошие exception-сообщения требуют понимания, что именно происходит.

Эта рутина — это и есть тренировка нейросеточки в голове, чтобы потом из шума уметь поймать сигнал. Если её больше нет — supply верификаторов и Director'ов истощается. Стэнфордские данные: −16% занятости 22-25-летних в AI-exposed профессиях.

Личный ответ Байрама — синтетическая практика, симуляции, agent-based modeling. Все курсы он собирается переделать в формат, где студент работает на длинной (2-6 лет) реальной проблеме с complex-средой и параллельно решает симуляционные задачи. Симуляции должны иметь свойство динамичности: действия других участников (peers или вспомогательных агентов) меняют состояние среды. Это и есть «полётные тренажёры для работы» (T_sim из Каталини).

Самая глубокая часть рассуждения. До сих пор стандартная производственная функция (Cobb-Douglas) работает мультипликативно:

Y = A · K^α · L^(1-α)

Капитал и труд — *комплементы*. Если L = 0, то Y = 0. Завод без работников не производит ничего. Это и есть фундаментальная причина, почему 250 лет у труда есть переговорная сила.

Что меняет AI: для расширяющегося множества когнитивных задач AI становится *субститутом* труда. Эластичность замещения растёт от ограниченной до фактически бесконечной. Функционально это означает:

Y = K + L (а в пределе — Y = K).

Капитал может производить output без пропорционального труда. Anthropic в апреле 2026: ~$30B annualized run-rate, ~3,000-5,000 сотрудников — рекорд revenue/employee в истории. У Salesforce на достижение $30B ушло 20 лет.

Из этого вытекает:

• Если предыдущее утверждение верно, весь output уходит капиталу. Эмпирически: 75% новой AI-выручки за два года ушло в инфраструктуру и чипы (Nvidia). 0-30% — приложения и модели, многие в минус. Источник — Stanford MS&E435 (Apoorv Agrawal).
• Те, у кого больше капитала, имеют преимущество доступа к compute. Больше compute → лучше агент → больше output → больше капитала. Положительная обратная связь концентрации.
• Anthropic Project Deal (эксперимент в Slack Антропика, где агенты продавали ненужные сотрудникам товары другим сотрудникам): идентичная задача — продать сломанный folding bike. Агент на Opus в среднем продавал на $3 дороже, чем агент на Haiku. В вырожденном кейсе того самого folding bike — $65 против $38, 71% премии. Разница — *в типе модели, то есть в compute, то есть в капитале*. Это игрушечный, но честный предвестник: в агент-к-агент экономике инеquality будет масштабироваться на скорости миллисекунд.

В чате Георгий возразил, что вертикальная модель компаний за 30 лет сжалась до 2-3 уровней и не менялась по горизонтали. Байрам ответил, что *прошлое — слабый предиктор*, потому что сейчас происходит системное изменение: людям с капиталом раньше были нужны люди. Теперь они становятся не нужны. Это ключевая точка слома.

Финальный кадр вебинара — три рекомендации, если смотреть с позиции основателя:

1. Автоматизировать execution И verification там, где её можно алгоритмизировать. Это уже понятно и многие так делают. Но это лишь часть.

2. Underwriting рисков AI-output. Нам — нашим компаниям, или через третьих игроков — нужно предлагать бизнес-клиентам систему страхования output. Кто-то возьмёт менее рискованную деятельность, кто-то более рискованную и попросит за это премию. Прайсинг сдвигается от per-seat → к outcome-based → к insured outcomes.

3. Уникальная методология, артефакт или датасет, который позволяет автоматизировать верификацию ТАК, чтобы конкуренты этого повторить не могли. Тогда вы забираете два квадранта одновременно: и Liability Underwriter, и часть Director.

Резюме модели бизнеса 2026+ в одну фразу: агент делает работу → harness верифицирует → организация страхует. Многим директорам и руководителям уже платят за риск — не только за решения. Премия за риск — важный аспект бизнес-модели, который мы привыкли не называть отдельно, но в новой экономике именно он становится продуктовой границей.

Большой открытый вопрос, который Байрам оставляет себе и аудитории на проработку: что если для какого-то SOC настолько дёшево создать execution-агента и процедуру верификации, что единственным остатком окажется страхование риска? В этой точке организации не делают софт — они *страхуют* софт, который они же и продают, и берут премию именно за это.

1. Bottleneck сдвинулся. Раньше — исполнение. Теперь — верификация. Поставьте этот вопрос ко всем своим задачам.

2. Верификация дорожает по геометрии задач. Простую — автоматизируем. Остаются complex-задачи, где ground truth движется вместе с измерением, и задачи, требующие юридической ответственности. Это и есть escape path для людей.

3. K и L меняют отношения с мультипликативных на аддитивные. Капитал перестаёт нуждаться в труде для производства output. Output (и маржа) концентрируется в инфраструктуре и в тех, кто страхует риск.

• Разложите свои текущие задачи по 2×2 (verifiability × automatability) и оцените, какая доля лежит в Displaced-квадранте.
• Сформулируйте свой переход на один квадрант вверх или вправо. Это либо Director-ладдер (prediction log → reframe essay → small public bet → time audit ≥60% решений), либо Underwriter-ладдер (vertical audit → 50-case adversarial test set → failure-mode taxonomy → get paid to verify).
• Если предприниматель — какую часть AI-output вашего продукта вы готовы underwrite? Что мешает делать это сейчас — отсутствие данных, риска, регуляторики?

• Catalini, Hui & Wu — *Some Simple Economics of AGI* (MIT, Feb 2026) — центральная работа воркшопа
• Brynjolfsson, Mehta, Rock — *Canaries in the Coal Mine* (Stanford Digital Economy Lab, 2025) — −16% junior employment
• Brynjolfsson, Li & Raymond — *Generative AI at Work* (QJE, May 2025) — novices +34%, top performers ~0%
• Apoorv Agrawal — Stanford MS&E435 (Spring 2026) — 75% к Nvidia, инвертированный треугольник AI-экономики
• Ali Ghodsi (Databricks) на Stanford MS&E435 #4 — *"We already have AGI. The problem is humans haven't downloaded the context into the silicon."*
• Manning & Aguirre — *How Adaptable Are American Workers to AI-Induced Job Displacement?* (NBER WP 34705, Jan 2026) — 4.2% / 6.1M высокоуязвимых
• Brian Arthur — *Inductive Reasoning and Bounded Rationality* (1994) — El Farol Bar
• Santa Fe Institute — бесплатный курс *Introduction to Complexity*
• Paul David — *The Dynamo and the Computer* (AER, 1990) — 40-летний лаг диффузии электричества
• Carlota Perez — *Technological Revolutions and Financial Capital* (2002) — Installation → Turning Point → Deployment
• Tyler Cowen (Marginal Revolution, May 2026) — *AGI может СНИЗИТЬ долгосрочные процентные ставки*
• David Autor & Thompson (June 2025) — *AI for the median worker* — контрарианский взгляд
• Mustafa Suleyman (Fortune, Feb 2026) — 12-18 месяцев до автоматизации белых воротничков
• Anthropic Project Deal (April 2026) — эксперимент с агент-маркетплейсом
• ElevenLabs AIUC-1 (Feb 2026) — первый sertified insured AI voice agent
• Stephen Wolfram на подкасте Lex Fridman — наука как поиск шорткатов во времени
• Michael Polanyi — *The Tacit Dimension* (1966) — *"we know more than we can tell"*
• Yuval Noah Harari — последние книги про эволюцию правовой ответственности

Канал: t.me/products_n_startups