Скільки компанії вміщується в одній людині

Один агент закінчив завдання. Інший приніс результати дослідження. Поки я розбираюся з першим, у другого вже є запитання, від якого залежить подальша робота. Мені потрібно повернутися до його контексту, зрозуміти аргументи, ухвалити рішення. Потім перемкнутися назад.

Кожен окремо допомагає мені працювати швидше. Разом вони створюють навантаження, до якого я виявився не зовсім готовим.

Я будую продукт для роботи з AI-відео. Про нього вже є окрема серія статей, але зараз мені цікавіше поговорити про те, що відбувається з людиною, яка такий продукт будує. Система стає самостійнішою, через неї можна пропускати дедалі більше роботи. А я дедалі гостріше відчуваю, скільки всього доводиться пропускати через себе.

Про майбутні компанії з однієї людини міркують давно. Зазвичай розмова швидко доходить до виторгу, кількості працівників і того, скільки професій зможе замінити AI. Але спробуйте уявити це з погляду свого відділу. Його роботу раптом може виконати маленька команда, у якої майже немає внутрішніх погоджень. Що тоді залишиться від звичного розподілу ролей?

Мене це питання вже стосується з іншого боку. Я можу запускати стільки роботи, що втримувати її в голові стає дедалі важче.

При цьому я сам прагнув такої швидкості.

Lean, невеликі кроки, швидкий зворотний зв’язок давно стали для мене звичним способом працювати. Мені важливо якнайшвидше перевірити рішення на практиці й зрозуміти, чи варто йти далі. Cost of Delay, ціна затримки, цілком відчутна: поки рішення чекає, ми втрачаємо можливість отримати користь або раніше дізнатися, що помилилися.

З AI відстань між задумом і зміною, яка вже працює, сильно скоротилася. Можна швидко спробувати те, на що раніше було шкода часу команди. Можна змінити курс, коли з’являються нові дані про ринок, і майже одразу перевірити наслідки. Коли ти один, усередині команди немає довгого ланцюжка погоджень: людина, яка зрозуміла проблему, сама може ухвалити рішення й запустити роботу.

За моїми робочими оцінками, у відеопроєкті йдеться вже про десять релізів на день і понад сто великих епіків позаду. Епік тут — великий блок роботи, якому передують дослідження та проєктування, а потім ще потрібно перевірити результат. Сама кількість релізів, звісно, не свідчить про те, наскільки корисним вийшов продукт. Але вона дає уявлення про темп, у якому доводиться розбиратися з рішеннями.

За цим стоїть комерційний задум. Я уявляю, який продукт хочу побудувати, звіряюся з даними ринку й змінюю план, коли вони того вимагають. AI дозволяє швидше пройти цей шлях. Він не звільняє мене від необхідності розуміти, куди я йду.

І ось тут у швидкості виявляється ціна, якої я раніше так гостро не відчував.

Мені більше не потрібно пам’ятати безліч дрібниць. Агент знайде потрібну деталь, відшукає попереднє рішення, збере матеріали. Я записую принципи, за якими працюю, веду нотатки фаундера, зберігаю обґрунтування продуктових рішень. Так у системи з’являється контекст, із яким вона може діяти досить самостійно.

Це допомагає. Але між записом у файлі й розумінням у моїй голові досі є відстань.

Щоб ухвалити суттєве рішення, мені потрібно знову зануритися в тему. Чому ми взагалі взялися за це завдання? На чому ґрунтується запропонований висновок? Що він змінює для продукту? Відповіді можуть уже лежати переді мною. Усе одно потрібен час, щоб розібратися й зрозуміти, чи погоджуюся я з ними.

У цей момент особливо відчуваєш різницю між доступом до інформації та її розумінням. Прочитати стислий виклад можна швидко. Помітити, що в ньому пропущено умову, від якої залежить увесь висновок, набагато важче.

Агенти працюють паралельно. Моя увага так не вміє.

Я можу перемкнутися на інше завдання, але частина думок іще залишається в попередньому. Софі Леруа досліджувала такий ефект під назвою attention residue: незавершена робота може утримувати увагу й заважати наступній. Її експерименти стосувалися перемикання між завданнями, задовго до нинішніх агентів. У цьому описі я впізнаю те, що відбувається зі мною, коли результати надходять одразу з кількох напрямів. Дослідження та пояснення авторки.

Виходить дивна для мене ситуація. Я скорочував очікування в усьому процесі, а тепер готова робота може чекати, поки я зможу в ній розібратися. Ціна затримки нікуди не зникла. Частина її тепер пов’язана з моєю власною увагою.

При цьому я б не став говорити, що AI загалом робить роботу важчою. Багато окремих завдань із ним стали набагато легшими. У дослідженні CHI 2025 Хао-Пін Лі та співавтори опитали 319 працівників розумової праці про використання генеративного AI. Багато учасників говорили, що завдання потребують менше зусиль. Водночас частина роботи зміщувалася до перевірки відповідей AI та контролю виконання завдання. Це самооцінки роботи з AI-інструментами; перевантаження від керування автономними агентами тут не вимірювали. Стаття Microsoft Research.

У моєму випадку до полегшення окремих завдань додався інший ефект: за той самий час я встигаю відкрити набагато більше напрямів роботи. І рішення щодо них надходять до мене швидше, ніж я встигаю спокійно їх обдумати. Саме це перевантаження я й відчуваю. Наскільки воно типове для інших, ще належить зрозуміти.

Виявляється, в автоматизації давно є схожа історія. У 1983 році дослідниця Лізанн Бейнбрідж написала у статті «Іронії автоматизації»: «Що досконаліша система керування, то вагомішим може виявитися внесок людини-оператора» — тут і далі цитати перекладено з англійської. Вона розглядала промислові системи, у яких людині залишалися складні завдання та втручання в разі відхилень. Мені знайоме це відчуття: виконання дедалі частіше обходиться без мене, а рішення, що залишилися, досі вимагають глибоко розібратися в тому, що відбувається. Оригінал статті, Automatica.

Тому мені близька аналогія з парним програмуванням з Extreme Programming. Партнер потрібен, зокрема, щоб разом розібратися в завданні й перевірити хід думки. Мартін Фаулер, відповідаючи на закид у марнотратності такої роботи, пише: «Але це марнотратство лише тоді, коли найважче в програмуванні — друкувати». Він говорить про двох людей. Я переношу цю логіку на свою роботу з AI: коли код з’являється швидше, особливо добре видно, скільки роботи залишається в самому рішенні — що ми хочемо отримати й чому. Martin Fowler, Pair Programming.

Я ставлюся до агентів як до партнерів у роботі. З ними можна обговорювати рішення, сперечатися, досліджувати те, на що самому не вистачило б сил. Довіра тут зростає з досвіду та перевірок. Для суттєвих продуктових рішень я поки не можу перетворити її на безумовну згоду: наслідки цього вибору залишаються на мені.

У маленькому проєкті майже все розуміння може зосереджуватися у фаундера. Він пам’ятає, навіщо з’явилася ідея і чого чекає від продукту. Зі зростанням з’являються області, у яких уже не розберешся похапцем. Під доменом я тут розумію саме таку предметну область: наприклад, економіку продукту або його виробничий процес. Потрібно знати, як вона влаштована й чому в ній ухвалюють певні рішення.

Якщо моє розуміння цієї області починає відставати від того, що відбувається, сама кількість доступних агентів проблеми не розв’язує. Вони здатні зібрати більше матеріалу, але хтось має вміти його оцінити. Інакше я ризикую схвалювати переконливі відповіді, поступово втрачаючи уявлення про те, до чого вони ведуть.

Звідси моя гіпотеза про майбутню команду. У якийсь момент поруч знадобиться людина, яка візьме на себе цілу область і зможе ухвалювати в ній обґрунтовані рішення. У неї теж будуть агенти. До неї перейде частина роботи, заради якої сьогодні мені доводиться завантажувати в голову ще один великий шматок продукту.

Такий розподіл нам знайомий: у компаніях уже є люди, які відповідають за комерцію, за розвиток продукту, за його виробництво. Мій прогноз стосується того, скільки людей знадобиться всередині цих напрямів.

Там, де сьогодні потрібен відділ, із частиною роботи впораються кілька людей.

Від цього припущення стає не по собі, якщо подумки поставити на місце відділу свій власний. За його назвою стоять люди й кар’єри, роки накопиченого досвіду. Навіть часткова автоматизація може змінити потребу у звичних посадах. А розуміння самої області та відповідальність за результат усе одно доведеться десь зберегти.

На окремих завданнях можливість працювати меншим складом уже перевіряють експериментально. У дослідженні Фабріціо Делль’Аква та співавторів, опублікованому в Organization Science у 2026 році, аналізували роботу 791 фахівця Procter & Gamble. В одноденних завданнях із розробки продуктових ідей учасники, які працювали самостійно з діалоговим AI-помічником, досягали якості, зіставної з парами без AI. Це цікавий результат, хоча з нього не випливає, що одна людина тепер здатна вести цілу компанію. The Cybernetic Teammate.

Я думаю, тиск компактних конкурентів змусить і великі компанії переглядати устрій своїх команд. Десь це призведе до скорочень, десь дозволить тим самим людям робити більше. Якщо конкурент розв’язує ту саму задачу клієнта меншим складом і швидше виходить на ринок, звичний розмір нашого відділу вже не здається чимось само собою зрозумілим.

Тут мені хочеться поставити читачеві запитання, яке я адресую і собі.

Якщо виконання ваших звичних завдань різко подешевшає, за які рішення платитимуть особисто вам?

Моя відповідь пов’язана із системним мисленням — systems thinking. Я вважаю його однією з головних навичок майбутнього. Людина має розуміти, як рішення в її області змінюють продукт загалом. Можна прискорити генерацію відео й отримати витрати, за яких його ніхто не захоче купувати. Можна спростити один етап роботи й перекласти всю складність на наступний. Кожне окреме поліпшення при цьому виглядатиме цілком переконливо.

Донелла Медоуз у роботі про точки впливу на систему розглядала саме зв’язки, зворотний зв’язок і цілі, від яких залежить її поведінка. Такий погляд корисний і в роботі з агентами: перевіряючи їхні результати, мені потрібно бачити, що вони разом роблять із продуктом. Прогноз про затребуваність цієї навички вже мій. Donella Meadows, Leverage Points.

Поруч із системним мисленням стоїть іще одне вміння: ясно й точно пояснити, чого ти хочеш. Поки задум живе лише в голові, можна не помічати, скільки в ньому невизначеності. Спроба доручити роботу агенту швидко її виявляє. Який результат нам потрібен? За чим ми зрозуміємо, що досягли його, і чим заради нього не можна пожертвувати?

Раніше потрібно було майстерно шукати в Google. Тепер — майстерно ставити завдання.

Є в цьому іронія: технічне завдання, те саме ТЗ, знову стає особистою турботою людини, яка хоче результату. Шукати й перевіряти джерела, звісно, досі потрібно. Але готовність системи діяти робить нечітке завдання особливо дорогим. Роботу вже можна запустити, хоча сам іще до пуття не вирішив, що вважати успіхом.

Тут корисний старий SMART. Джордж Доран, який запропонував його в 1981 році, радив уточнювати, що саме ми поліпшуємо, як оцінюємо поступ, хто це робить, яких результатів реально досягти з доступними ресурсами й до якого терміну. З AI ці питання цілком зберігають сенс. Для повноцінного завдання до них іще потрібні контекст та обмеження: що врахувати, які зміни допустимі, коли зупинитися й повернутися до людини. SMART допомагає сформулювати мету; якість рішення доведеться перевіряти окремо. George T. Doran, оригінальна стаття в Management Review.

Тож нова роль потребує доволі давньої управлінської роботи: розібратися в системі й пояснити бажану зміну достатньо точно, щоб інший міг діяти. Тепер ціна неясності зростає разом зі швидкістю, з якою агенти втілюють твоє завдання.

Назву для такої ролі вже шукають. Microsoft пропонує agent boss: людина створює агентів, доручає їм роботу й керує ними. У звіті Work Trend Index 2025 є й попередження, що надмірна кількість агентів може перевантажити здатність людини оцінювати ситуацію та ухвалювати рішення. Це запропоновані компанією термінологія і прогноз, а не загальноприйнята назва професії. Мені в цій ролі особливо цікава людина, яка зберігає розуміння предмета за всією роботою агентів. Microsoft, Work Trend Index 2025.

Коли я говорю про «людей майбутнього», я думаю саме про таку щоденну роботу. Одна людина вже може братися за речі, для яких раніше їй довелося б збирати команду. Я відчуваю цю свободу у своєму проєкті й зовсім не хочу від неї відмовлятися. Можна швидко перевірити сміливу ідею, побачити помилку, перебудуватися. Це захоплює. І я розумію, наскільки некомфортно буде конкурувати з людиною, яка так працює, якщо твоя власна компанія змінює напрям місяцями.

Якщо продукт зростає лише доти, доки фаундер встигає особисто в усе вникнути, межа цієї моделі нікуди не зникла. Можливо, саме навколо цієї межі й формуватимуться нові команди: кожна людина відповідає за свою область і працює в ній зі своїми агентами.

Можна піти в міркуваннях далі. Припустити, що системи навчаться настільки надійно утримувати цілі й враховувати наслідки, що участь людини в багатьох рішеннях стане рідкістю. Може, у якихось бізнесах залишиться один фаундер. Я не знаю, чи станеться це і де. Мій сьогоднішній досвід закінчується раніше.

Сьогодні я вмію запускати роботу швидше, ніж раніше. Я бачу, як багато стає можливим майже самотужки.

І дедалі частіше опиняюся в точці, де потрібно зупинитися й наново зрозуміти те, за що я збираюся відповідати.

Принаймні зараз за ухвалені рішення відповідаємо ми, люди. Машина може підготувати рекомендацію й переконливо її обґрунтувати. Взяти її в роботу й відповідати за наслідки доводиться мені. А рішення бувають серйозними: на кону можуть опинитися гроші компанії або зобов’язання перед клієнтами. Те, що варіант запропонував агент, не звільняє мене від необхідності розбиратися з наслідками.

Наступний агент уже може працювати. А я ще думаю над результатом попереднього.

Скільки компанії я здатен умістити в одній голові? І як нам розподілити її між людьми, коли в кожного буде своя команда агентів?