Сколько компании помещается в одного человека

Один агент закончил задачу. Другой принёс результат исследования. Пока я разбираюсь с первым, у второго уже есть вопрос, от которого зависит дальнейшая работа. Мне нужно вернуться в его контекст, понять доводы, принять решение. Потом переключиться обратно.

Каждый по отдельности помогает мне работать быстрее. Вместе они создают нагрузку, к которой я оказался не вполне готов.

Я строю продукт для работы с AI-видео. Про него уже есть отдельная серия статей, но сейчас мне интереснее поговорить о том, что происходит с человеком, который такой продукт строит. Система становится самостоятельнее, через неё можно пропускать всё больше работы. А я всё острее чувствую, сколько всего приходится пропускать через себя.

О будущих компаниях из одного человека рассуждают давно. Обычно разговор быстро доходит до выручки, количества сотрудников и того, сколько профессий сможет заменить AI. Но попробуйте представить это со стороны своего отдела. Его работу вдруг может выполнить маленькая команда, у которой почти нет внутренних согласований. Что тогда останется от привычного распределения ролей?

Меня этот вопрос уже касается с другой стороны. Я могу запускать столько работы, что всё труднее выдерживать её головой.

При этом я сам добивался такой скорости.

Lean, небольшие шаги, короткая обратная связь для меня давно стали привычным способом работать. Мне важно поскорее проверить решение на практике и понять, стоит ли идти дальше. Cost of Delay, цена задержки, вполне ощутим: пока решение ждёт, мы упускаем возможность получить пользу или раньше узнать, что ошиблись.

С AI расстояние между замыслом и работающим изменением сильно сократилось. Можно быстро попробовать то, на что раньше было жалко времени команды. Можно изменить курс, когда появляются новые данные о рынке, и почти сразу проверить последствия. Когда ты один, внутри команды нет длинной цепочки согласований: человек, который понял проблему, сам может принять решение и запустить работу.

По моим рабочим оценкам, в видеопроекте речь уже о десяти релизах в день и больше чем о ста крупных эпиках позади. Эпик здесь — большой блок работы, которому предшествуют исследование и проектирование, а затем ещё нужно проверить результат. Само количество релизов, конечно, не говорит, насколько полезным получился продукт. Но оно даёт представление о темпе, в котором приходится разбираться с решениями.

За этим стоит коммерческий замысел. Я представляю, какой продукт хочу построить, сверяюсь с данными рынка и меняю план, когда они того требуют. AI позволяет быстрее пройти этот путь. Он не освобождает меня от необходимости понимать, куда я иду.

И вот здесь у скорости обнаруживается цена, которую я раньше так остро не чувствовал.

Мне больше не нужно помнить массу мелочей. Агент найдёт нужную деталь, поднимет прошлое решение, соберёт материалы. Я записываю принципы, по которым работаю, веду заметки фаундера, сохраняю основания продуктовых решений. Так у системы появляется контекст, с которым она может действовать довольно самостоятельно.

Это помогает. Но между записью в файле и пониманием у меня в голове всё ещё есть расстояние.

Чтобы принять существенное решение, мне нужно снова войти в предмет. Почему мы вообще взялись за эту задачу? На чём держится предложенный вывод? Что он меняет для продукта? Ответы могут уже лежать передо мной. Всё равно требуется время, чтобы разобраться и понять, согласен ли я с ними.

В этот момент особенно чувствуешь разницу между доступом к информации и её пониманием. Прочитать краткое резюме можно быстро. Заметить, что в нём пропущено условие, от которого зависит весь вывод, гораздо труднее.

Агенты работают параллельно. Моё внимание так не умеет.

Я могу переключиться в другую задачу, но часть мыслей ещё остаётся в предыдущей. Софи Леруа исследовала такой эффект под названием attention residue: незавершённая работа может удерживать внимание и мешать следующей. Её эксперименты были о переключении между задачами, задолго до нынешних агентов. Я узнаю в этом описании то, что происходит со мной, когда результаты приходят сразу с нескольких направлений. Исследование и объяснение автора.

Получается странная для меня ситуация. Я сокращал ожидание по всему процессу, а теперь готовая работа может ждать, пока я смогу в ней разобраться. Цена задержки никуда не исчезла. Часть её теперь связана с моим собственным вниманием.

При этом я бы не стал говорить, что AI вообще делает работу тяжелее. Многие отдельные задачи с ним стали намного легче. В исследовании CHI 2025 Хао-Пин Ли и соавторы опросили 319 работников умственного труда об использовании генеративного AI. Многие участники говорили, что задачи требуют меньше усилий. При этом часть работы смещалась к проверке ответов AI и контролю выполнения задачи. Это самоотчёты об AI-инструментах; перегрузку от управления автономными агентами здесь не измеряли. Статья Microsoft Research.

В моём случае поверх облегчения отдельных задач появился другой эффект: за то же время я успеваю открыть гораздо больше направлений работы. И решения по ним сходятся ко мне быстрее, чем я успеваю спокойно их обдумать. Вот эту перегрузку я и испытываю. Насколько она типична для других, ещё предстоит понять.

У автоматизации, оказывается, давно есть похожая история. В 1983 году исследовательница Лизанн Бейнбридж написала в статье «Иронии автоматизации»: «Чем совершеннее система управления, тем существеннее может оказаться вклад человека-оператора» — здесь и далее цитаты переведены с английского. Она разбирала промышленные системы, в которых человеку оставались сложные задачи и вмешательство при отклонениях. Мне знакомо это ощущение: исполнение всё чаще обходится без меня, а оставшиеся решения всё ещё требуют глубоко вникнуть в происходящее. Оригинал статьи, Automatica.

Мне поэтому близка аналогия с парным программированием из Extreme Programming. Партнёр нужен в том числе затем, чтобы вместе разобраться в задаче и проверить ход мысли. Мартин Фаулер, отвечая на упрёк в расточительности такой работы, пишет: «Но это расточительство лишь в том случае, если самое трудное в программировании — печатать». Он говорит о двух людях. Я переношу эту логику на свою работу с AI: когда код появляется быстрее, особенно хорошо видно, сколько работы остаётся в самом решении — что мы хотим получить и почему. Martin Fowler, Pair Programming.

Я отношусь к агентам как к партнёрам по работе. С ними можно обсуждать решение, спорить, исследовать то, на что одному не хватило бы сил. Доверие здесь растёт из опыта и проверок. Для существенных продуктовых решений я пока не могу превратить его в безусловное согласие: последствия этого выбора остаются на мне.

В маленьком проекте почти всё понимание может жить у фаундера. Он помнит, зачем появилась идея и чего ждёт от продукта. По мере роста появляются области, в которых уже нельзя разобраться на бегу. Под доменом я здесь понимаю именно такую предметную область: например, экономику продукта или его производственный процесс. Нужно знать, как она устроена и почему в ней принимаются определённые решения.

Если моё понимание этой области начинает отставать от происходящего, количество доступных агентов проблему само по себе не решает. Они способны собрать больше материала, но кто-то должен суметь его оценить. Иначе я рискую одобрять убедительные ответы, постепенно теряя представление о том, к чему они ведут.

Отсюда моя гипотеза о будущей команде. В какой-то момент рядом понадобится человек, который возьмёт на себя целую область и сможет принимать в ней обоснованные решения. У него тоже будут агенты. К нему перейдёт часть работы, для которой сегодня мне приходится загружать в голову ещё один большой кусок продукта.

Такое разделение нам знакомо: в компаниях уже есть люди, отвечающие за коммерцию, за развитие продукта, за его производство. Мой прогноз касается того, сколько людей понадобится внутри этих направлений.

Там, где сегодня нужен отдел, с частью работы справятся несколько человек.

От этого предположения становится неуютно, если мысленно поставить на место отдела свой собственный. За его названием стоят люди и карьеры, годы накопленного опыта. Даже частичная автоматизация может изменить потребность в привычных должностях. А понимание самой области и ответственность за результат всё равно придётся где-то сохранить.

На отдельных задачах возможность работать меньшим составом уже проверяют экспериментально. В исследовании Фабрицио Делль’Аква и соавторов, опубликованном в Organization Science в 2026 году, анализировали работу 791 специалиста Procter & Gamble. В однодневных задачах по разработке продуктовых идей одиночки с диалоговым AI-помощником достигали качества, сопоставимого с парами без AI. Это интересный результат, хотя из него нельзя вывести, что один человек теперь способен вести целую компанию. The Cybernetic Teammate.

Я думаю, давление компактных конкурентов заставит и большие компании пересматривать устройство своих команд. Где-то это приведёт к сокращению, где-то позволит тем же людям делать больше. Если конкурент решает ту же задачу клиента меньшим составом и быстрее добирается до рынка, привычный размер нашего отдела уже не выглядит само собой разумеющимся.

На этом месте мне хочется задать читателю вопрос, который я адресую и себе.

Если исполнение ваших привычных задач резко подешевеет, за какие решения будут платить лично вам?

Мой ответ связан с системным мышлением — systems thinking. Я считаю его одним из главных навыков будущего. Человек должен понимать, как решения в его области меняют продукт целиком. Можно ускорить генерацию видео и получить расходы, при которых его никто не захочет покупать. Можно упростить один этап работы и переложить всю сложность на следующий. Каждое отдельное улучшение при этом будет выглядеть вполне убедительно.

Донелла Медоуз в работе о точках воздействия на систему разбирала именно связи, обратную связь и цели, от которых зависит её поведение. Это полезная оптика и для работы с агентами: проверяя их результаты, мне нужно видеть, что они в сумме делают с продуктом. Прогноз о востребованности этого навыка уже мой. Donella Meadows, Leverage Points.

Рядом с системным мышлением стоит ещё одно умение: ясно и точно объяснить, чего ты хочешь. Пока замысел живёт только в голове, можно не замечать, сколько в нём неопределённости. Попытка поручить работу агенту быстро её обнаруживает. Какой результат нам нужен? По чему мы поймём, что он получился, и чем ради него нельзя пожертвовать?

Раньше нужно было мастерски искать в Google. Теперь — мастерски ставить задачу.

Есть в этом ирония: техническое задание, то самое ТЗ, снова становится личной заботой человека, который хочет результата. Искать и проверять источники, конечно, всё ещё нужно. Но готовность системы действовать делает туманную постановку особенно дорогой. Работу уже можно запустить, хотя сам ещё толком не решил, что считать успехом.

Здесь полезен старый SMART. Джордж Доран, предложивший его в 1981 году, советовал уточнять, что именно мы улучшаем, как оцениваем продвижение, кто это делает, каких результатов реально достичь с доступными ресурсами и к какому сроку. С AI эти вопросы вполне сохраняют смысл. Для полноценного задания к ним ещё нужны контекст и ограничения: что учитывать, какие изменения допустимы, когда остановиться и вернуться к человеку. SMART помогает сформулировать цель; качество решения придётся проверять отдельно. George T. Doran, оригинальная статья в Management Review.

Так что новая роль требует довольно старой управленческой работы: разобраться в системе и объяснить желаемое изменение достаточно точно, чтобы другой мог действовать. Теперь цена неясности растёт вместе со скоростью, с которой агенты воплощают твоё задание.

Название для такой роли уже ищут. Microsoft предлагает agent boss: человек создаёт агентов, поручает им работу и управляет ими. В отчёте Work Trend Index 2025 есть и предупреждение о перегрузке человеческого суждения при избытке агентов. Это предложенный компанией язык и прогноз, а не общепринятое название профессии. Мне в этой роли особенно интересен человек, который сохраняет понимание предмета за всей агентской работой. Microsoft, Work Trend Index 2025.

Когда я говорю о «людях будущего», я думаю как раз о такой повседневной работе. Один человек уже может затевать вещи, для которых раньше ему пришлось бы собирать команду. Я чувствую эту свободу в своём проекте и совсем не хочу от неё отказываться. Можно быстро проверить смелую идею, увидеть ошибку, перестроиться. Это увлекает. И я понимаю, насколько неуютно будет конкурировать с человеком, который так работает, если твоя собственная компания меняет направление месяцами.

Если продукт растёт лишь до тех пор, пока фаундер успевает лично во всё вникнуть, предел этой модели никуда не делся. Возможно, именно вокруг этого предела и будут складываться новые команды: каждый человек отвечает за свою область и работает в ней со своими агентами.

Можно пойти в рассуждениях дальше. Допустить, что системы научатся настолько надёжно удерживать цели и учитывать последствия, что человеческое участие во многих решениях станет редким. Может быть, в каких-то бизнесах останется один фаундер. Я не знаю, случится ли это и где. Мой сегодняшний опыт заканчивается раньше.

Сегодня я умею запускать работу быстрее, чем прежде. Я вижу, как многое становится возможным почти в одиночку.

И всё чаще оказываюсь в точке, где нужно остановиться и заново понять то, за что я собираюсь отвечать.

По крайней мере сейчас за принятые решения отвечаем мы, люди. Машина может подготовить рекомендацию и убедительно её обосновать. Принять её в работу и отвечать за последствия приходится мне. А решения бывают серьёзными: на кону могут оказаться деньги компании или обязательства перед клиентами. То, что вариант предложил агент, не избавляет меня от необходимости разбираться с последствиями.

Следующий агент уже может работать. А я ещё думаю над результатом предыдущего.

Сколько компании я способен уместить в одной голове? И как нам разделить её между людьми, когда у каждого будет своя команда агентов?