Бывший исследователь OpenAI и инженер Google DeepMind Фил Чен сформулировал шесть правил для тех, кто строит карьеру в эпоху ИИ. Его тезисы звучат неприятно прямолинейно: деньги стали доступнее, а вот время, репутация и умение выбирать по-настоящему важные задачи теперь стоят дороже всего. Для русскоязычной IT-аудитории это не очередная мотивационная тирада из LinkedIn, а вполне прикладной сигнал: рынок все меньше платит за «просто хорошее исполнение» и все больше за точный выбор проблем, которые вообще имеют смысл решать.
О советах Чена сообщает Habr / Новости. Сам Чен собрал редкое для индустрии резюме: за шесть лет он успел поработать в собственном стартапе, в Helm AI, где команда выросла с 15 до 50 человек, в Scale AI, которая за это время увеличилась примерно с 500 до 1,5 тыс. сотрудников, затем в OpenAI, где штат вырос с 1,5 тыс. до 3 тыс., а также в Google, которую он описывает как компанию с более чем 100 тыс. сотрудников. Теперь он развивает собственный ИИ-стартап и, по его словам, иначе смотрит на то, какие специалисты будут востребованы в ближайшие десять лет.
Первый совет Чена можно пересказать так: перестаньте считать капитал главным дефицитом. По его оценке, доступ к деньгам сегодня проще, чем раньше, особенно если сравнивать с доступом к людям, вниманию и доверию. Для IT-специалиста это звучит почти обидно, потому что индустрия много лет учила обратному: найди инвестиции, выбей бюджет, собери команду, а остальное приложится. В логике Чена все наоборот. Если у специалиста нет репутации, сильных рабочих связей и привычки бережно относиться к собственному времени, никакой модный AI-стек сам по себе не превращает его в человека, который нужен бизнесу. В этом смысле карьера в эпоху ИИ становится менее линейной: формальный опыт по-прежнему важен, но все чаще решает способность быстро встроиться в сильный контур людей и задач.
Второй тезис Чена еще жестче: мало уметь замечать проблемы, нужно уметь доводить их до решения. Он отдельно подчеркивает, что ключевыми навыками становятся выбор задач и распределение ресурсов. Это хорошо ложится на нынешний сдвиг в разработке, где ИИ-агенты уже закрывают все больше четко описанных и повторяемых операций. Если агент способен писать шаблонный код, готовить черновики документации, собирать аналитику или ускорять тестирование, то человек выше всех ценится не за сам факт работы руками, а за постановку задачи, уточнение критериев качества и понимание, куда вообще стоит тратить токены, время и деньги команды. Проще говоря, разработчик, продакт или тимлид, который умеет отличать важную проблему от просто громкой, получает сильнее выраженное преимущество, чем несколько лет назад.
Третий совет касается масштаба амбиций. Чен пишет, что и компании, и карьеры давно развиваются по принципу степенного распределения, а ИИ лишь ускорил этот процесс. Из этого он выводит простое правило: выбирать стоит не просто «неплохую компанию», а ту, что работает над максимально амбициозной версией своей задачи и при этом реально может ее потянуть. Для кандидата это неудобный, но полезный фильтр. Недостаточно спросить на собеседовании про стек, удаленку и опционы. Куда важнее понять, решает ли команда действительно крупную проблему или просто прикручивает ИИ к старой воронке ради инвесторской презентации. То же относится и к роли внутри компании: если специалист оказывается далеко от ядра проблемы, его вклад проще автоматизировать, упростить или заменить. Карьера в эпоху ИИ, если верить этой логике, строится не вокруг громкого бренда в резюме, а вокруг близости к месту, где принимаются сложные решения.
Четвертый и пятый советы Чена можно объединить в один управленческий принцип: последние 10% работы нередко дают 90% результата, а планку ожидаемого эффекта нужно поднимать сознательно. Он ссылается на старую мысль инвестора Альфреда Лина о том, что в стартапах финальный рывок обычно и самый тяжелый, и самый ценный. Для бизнеса здесь нет никакой магии. В эпоху, когда черновик кода, прототип интерфейса, презентацию и даже исследовательскую сводку можно получить за минуты, именно доведение до рабочего состояния становится реальным маркером компетентности. Это хорошо видно в найме: кандидатов, которые умеют быстро стартовать, много; специалистов, которые закрывают длинный хвост проблем перед запуском, заметно меньше. Поэтому совет «повышать показатель ожидаемых результатов» звучит не как абстрактная установка на успех, а как требование к взрослому исполнителю: не ограничиваться тем, что можно показать в демо, а дожимать до уровня, где решение выдерживает пользователей, масштаб и чужую проверку.
Шестой тезис особенно интересен для молодых разработчиков и тех, кто хочет сместиться ближе к R&D. Чен прямо говорит: заниматься исследованиями можно уже сейчас, даже без доступа к передовой лаборатории. Его аргумент довольно земной: большинство идей разваливаются при масштабировании, и понимание причин этих провалов само по себе является важной частью исследовательской работы. Для рынка это звучит как трезвое напоминание, что исследование в ИИ давно не сводится к публикации из крупной лаборатории. Пробовать гипотезы, строить маленькие системы, измерять, где именно ломается качество, скорость или экономика, сегодня можно и вне Big Tech. Для стартапов это особенно важно: многие сильные решения появляются не из академической чистоты, а из болезненного столкновения модели с реальными ограничениями продукта, данных и инфраструктуры.
Если собрать советы Чена в одну формулу, получится довольно неудобная картина. Рынок не обещает, что всем станет проще из-за ИИ; он скорее меняет шкалу ценности. Ниже оценивается предсказуемая работа по инструкции, выше — способность выбирать проблему, собирать вокруг нее людей и доводить решение до состояния, когда им можно пользоваться без скидок на «это пока эксперимент». Для российских команд и специалистов здесь нет экзотики: независимо от географии выигрывают не те, кто громче всех говорит про AI-first, а те, кто научился работать на стыке инженерии, продукта и дисциплины исполнения. Главный вопрос теперь не в том, заменит ли ИИ часть задач, а в том, кто сумеет занять место человека, который решает, какие задачи вообще достойны внимания.