Четвёртый эпизод

В статье Сэма Альтмана сингулярность выглядит не внезапным разрывом, а ускоряющейся эволюцией: на каждом коротком участке изменения остаются объяснимыми, а AI постепенно становится незаметной повседневной технологией. Его ориентиры — агенты для когнитивной работы в 2025 году, самостоятельный поиск научных идей в 2026-м и роботы в физическом мире в 2027-м. Ведущие отмечают, что отдельные элементы уже видны в автоматизированных складах и городских доставщиках, но технооптимизм не снимает вопросов о военных контрактах и изменении прежних ограничений OpenAI. «Мягкость» здесь описывает восприятие последовательных шагов, а не отсутствие больших последствий. Каждый отдельный релиз можно объяснить улучшением модели или интерфейса, хотя сумма изменений перестраивает профессии и институты. Поэтому оценивать сценарий нужно по накопленному эффекту и правилам применения, а не только по плавности очередного обновления.

Ключевой риск проходит через выравнивание ценностей и распределение доступа. Если система обучена на коллективном труде человечества, а выгоду извлекает небольшая группа владельцев капитала, мягким переход будет не для всех. Статья о ценностях Просвещения добавляет интеллектуальную цену удобства. Энциклопедия Дидро требовала искать, читать и соединять знания; ассистент сразу выдаёт короткий ответ. Сокращение пути полезно, но человек может перестать удерживать факты, работать с большим текстом и критически проверять источник. Доступ к информации расширяется, тогда как способность независимо судить рискует ослабнуть. Проблема не решается запретом на короткий ответ: ассистент может стать входом в тему, если сохраняет ссылки и оставляет пользователю работу сравнения. Риск появляется, когда удобная формулировка подменяет доказательство, а источник исчезает из процесса. Тогда скорость потребления растёт одновременно с зависимостью от посредника.

Мегаработодатель десятилетиями предлагал белым воротничкам масштаб, стабильность и понятную карьерную лестницу. Теперь руководители крупных компаний говорят о сокращении операционных ролей, а требования вернуться в офис иногда сопровождают уменьшение штата. Большая организация медленно меняет процессы, тогда как маленькая команда с ясной идеей и AI-инструментами способна выдавать заметный результат. В обсуждаемом сценарии число доступных ролей может сократиться: корпорациям требуется меньше людей, а стартапы изначально малы. Ведущие ожидают не исчезновения работы, а смены задач, подобной переходу от ассемблера к языкам высокого уровня. Такой переход не гарантирует прежнему сотруднику автоматического места в новой структуре. Масштаб найма, траектория обучения и число промежуточных руководящих ролей могут измениться раньше, чем исчезнет сама потребность в результатах. Человеку приходится строить карьеру вокруг переносимого суждения и способности собирать работу, а не вокруг стабильности одного организационного слоя.

Одновременно ChatGPT и другие ассистенты становятся конечной точкой поиска и новым источником переходов к продуктам. Этот канал повторяет цикл поисковиков, магазинов приложений и социальных сетей: сначала платформа открывает возможности, затем победитель ограничивает доступ и монетизирует его. Пока лидер не определён, продукт выбирает между ставкой на крупнейшую аудиторию и поддержкой нескольких систем. Открывать контент для AI неудобно, но закрытый источник рискует уступить конкуренту место в ответах. В дальнейшем ссылки могут перейти к оплате за клик или разделению выручки; ранняя фаза пока даёт окно для экспериментов. Для команды это новая задача наблюдаемости: нужно отличать упоминание бренда от перехода, а переход — от принятого решения или покупки. Оптимизация под ответ ассистента не должна разрушать прямые отношения с пользователем. Иначе продукт меняет одну зависимость от платформы на другую ещё до появления устойчивых правил канала.

После разочарования в Llama 4 Марк Цукерберг усилил AI-направление Meta: компания инвестировала в Scale AI и поставила Александра Вана во главе новой структуры. В мемо упоминаются команда для следующей базовой модели, FAIR с фундаментальными исследованиями, продуктово-прикладное направление и инфраструктура. Прежнюю AGI Foundations расформировали, людей распределили по другим группам. Формальная схема должна связать исследования, обучение моделей и внедрение в продукты, однако несколько нанятых звёзд вскоре вернулись к прежним работодателям, показывая, что громкие имена сами по себе не образуют устойчивую команду. У каждой части цепочки свой горизонт: исследование допускает неопределённость, обучение требует дорогого планирования, продукт — регулярного выпуска и обратной связи. Оргструктура должна разрешить конфликт этих ритмов, иначе новая вывеска лишь переносит старые границы. Важно, кто принимает решение о переходе идеи между стадиями и кто отвечает за результат после интеграции.

Ведущие сравнивают такую лабораторию с футбольными «галактикос»: звезда привлекает внимание инвесторов, но несколько сильных исследователей могут конкурировать за свободу и зону ответственности. При этом алгоритмическая экспертиза действительно важна — улучшения подхода способны компенсировать часть дефицита данных и вычислений. Поэтому реорганизация на переднем крае выглядит естественной проверкой гипотезы, а не гарантией результата. Google, Microsoft и другие игроки тоже пересобирают AI-команды, когда прежняя конструкция отстаёт. Оценивать нужно не стоимость найма или мемо, а способность организации превращать исследования в работающую модель и продукт. Для проверки нужны промежуточные признаки: удержание специалистов, воспроизводимость экспериментов, скорость передачи результатов и влияние на пользовательские системы. Если каждый успех остаётся личным достижением звезды, лаборатория не накапливает организационную способность. Сильная команда делает знание переносимым и переживает изменение состава.