AI-агенты меняют рынок труда не в пользу абстрактных «людей, которые умеют пользоваться нейросетями», а в пользу трёх вполне прикладных ролей. ZDNet пишет: компаниям нужны те, кто умеет встроить агентов в рабочие процессы, контролировать их ошибки и ставить задачу от бизнес-результата, а не от списка действий.
Для российской ИТ-аудитории это важный сдвиг. Пока одни обсуждают, заменит ли агент часть команды, другие уже упираются в более скучную, но дорогую проблему: кто отвечает за данные, качество ответа и итоговый эффект для бизнеса.
Интеграторы превращают модель в рабочий инструмент
Первый тип специалистов, на который растёт спрос, это технари-интеграторы. Речь об инженерах и продуктовых командах, которые не ждут от модели чудес, а собирают вокруг неё рабочую среду: данные, доступы, каталоги, интерфейсы и проверки качества.
Алекс Рид, старший менеджер по продуктам данных в EDF UK, рассказал ZDNet, что его команда помогает более чем 1000 сотрудникам использовать агентный ИИ. В EDF действует федеративная модель: центральная команда данных строит платформу, а бизнес-подразделения отвечают за прикладную пользу.
Ключевая мысль у него простая: для ИИ важнее контекст, чем шум вокруг ИИ. Команда EDF использует инструменты Snowflake, включая Semantic Tables и Horizon Catalog, чтобы описывать данные в форме, понятной агентам. На этой основе они строят прикладные решения, в том числе агента для сотрудников сервисного центра, который получает данные из Snowflake и подсказывает ответы прямо в Slack.
Вывод для разработчиков и архитекторов неприятный, но полезный: ценность всё меньше в умении написать красивый запрос к модели и всё больше в способности собрать надёжную систему вокруг неё.
Контролёры качества удерживают агентов от дорогих ошибок
Вторая роль еще важнее в регулируемых и сложных отраслях. Это специалисты, которые умеют вовремя заметить, что агент пошёл не туда, и скорректировать его работу до того, как ошибка попадёт в реальные процессы.
Рид прямо говорит, что рядом с такими инструментами по-прежнему нужны эксперты с 20-30 годами отраслевого опыта. В энергетике, банках, страховании, логистике и HR-сервисах агент может звучать уверенно и при этом ошибаться в деталях, которые предметный эксперт видит сразу.
Похожую мысль озвучил Стивен Вуд, операционный директор Rathbones Asset Management. По его словам, компании переходят от хаотичного взаимодействия людей к модели, где часть операций ведут агентные «коллеги», а люди отвечают за надзор, финальную проверку и допуск результата в бизнес.
Для отраслей с жёстким регулированием это вообще не модный термин, а базовая гигиена. Если у агента нет владельца качества, понятных контуров контроля и человека, который может остановить процесс, бизнес получает не автономию, а дорогой источник ошибок.
Руководители с мышлением от результата становятся ключевыми
Третий тип специалистов — те, кто умеет формулировать нужный результат ещё до того, как агент начал что-либо делать. Иначе говоря, выигрывают не те, кто быстрее всех автоматизирует старый процесс, а те, кто сначала понимает, какой бизнес-эффект им вообще нужен.
Дан Черубриер, CTO Formula E, сформулировал это жёстко: проиграют компании, которые просто натянут агентов на старые процессы, собранные вокруг отделов и ручной координации. Выиграют те, кто сначала определит желаемый эффект, а уже потом распределит роли между человеком и машиной.
На примере разработки ПО это видно особенно хорошо. Раньше значительная часть экспертизы включалась ближе к концу цепочки: код, проверка, тесты. С агентами критически важная экспертиза сдвигается в начало: в требования, ограничения, критерии приёмки и архитектурные развилки. Если команда не может внятно описать, что именно должно получиться, агент просто произведёт больше хаоса за меньшее время.
Значение для рынка
Для российского рынка это сигнал и для стартапов, и для крупных компаний. Базовая AI-грамотность быстро становится нормой, как когда-то знание облаков или CI/CD. Дефицит смещается в сторону гибридных специалистов: тех, кто одновременно понимает данные, предметную область и бизнес-цель. Именно такие люди будут определять, приносит агент деньги и скорость или только добавляет новые риски.
Следующий шаг для компаний очевиден: меньше смотреть на демонстрации «умных агентов» и больше вкладываться в данные, контроль качества и постановку задач.