Автор: TT3LABS, платформа для віддаленого найму у сфері Web3/AI/SaaS
26 лютого 2026 року гігант фінтеху Block оголосив про звільнення понад 4000 співробітників, що зменшило команду з понад десяти тисяч до менш ніж 6000 осіб. Генеральний директор Джек Дорсі у листі акціонерам зазначив:
«Розумні інструменти вже змінили значення створення та управління компанією… Значно менша команда, яка використовує наші інструменти, може робити більше і краще.»
Дорсі також дав дуже холодний прогноз:
«Я вважаю, що більшість компаній вже запізнилися. Протягом наступного року більшість з них зроблять висновки подібного роду і проведуть структурні зміни.»
У той же день після закриття торгів акції Block стрімко зросли більш ніж на 20%. Це відповідь капітального ринку: платити за підвищення AI-ліверджності та ефективності компаній.
Звичайна людина, яка зовсім не розуміється на програмуванні, за допомогою великих моделей вже може за одну ніч запустити повноцінний додаток. І капітал починає ставити гостре питання: яка цінність ще має величезна людська праця тисяч програмістів, яка потрібна для щоденної роботи супердодатку, враховуючи величезні людські витрати?
Тенденція заміни людської праці AI буде поширюватися серед більшості великих компаній. Тривога неминуча, але лише її відчуття без дій безглузде. Ми повинні почати з аналізу глобальних змін і поступово повернутися до стратегій виживання кожної особи.
AI — це не просто інструмент, він стає засобом виробництва
На ринку з’являються люди, які починають використовувати термін «Web4» для визначення сучасної стадії розвитку. Щоб зрозуміти цю динаміку, розглянемо етапи еволюції Інтернету:
Web2
Головне — взаємодія програмного забезпечення з людьми. Різні платформи залучають увагу користувачів за допомогою алгоритмів, що фактично веде до боротьби за трафік.
Web3
Мета — вирішити питання підтвердження прав на цифрові активи та розподілу цінностей. Багато хто ототожнює його з криптовалютами, але по суті він залишається грою за правилами розподілу багатства, не торкаючись виробництва цифрових продуктів.
Переддень Web4
AI вперше починає впливати на самі виробничі відносини. Це вже не просто інструмент підвищення ефективності, а новий засіб виробництва. Той, хто краще ним володіє, зможе значно підвищити свої виробничі можливості.
У традиційних командах існує багато прихованих витрат: важко копіювати інтуїцію та судження висококваліфікованих керівників, а помилки та повторна робота у колективі — неминучі. Це так званий «сірий податок» на організацію, раніше без чітких рішень. AI значно зменшує цю «сірий податок»: він не має кривої навчання, достатньо вказати чіткі підказки — і він виконає якісно, одночасно обробляючи кілька завдань. Стратегічне судження людини у поєднанні з AI-інструментами може замінити цілі колективи.
Звичайно, зараз AI ще іноді «серйозно говорить дурниці», тому людський контроль і судження залишаються необхідними. Однак надійність моделей зростає щомісяця, і час, який раніше був резервом для виконавчих ролей, скорочується значно швидше, ніж багато хто очікує.
Рівність у продуктивності та глибокі кризи: коли бар’єри входу зникають
Короткостроково — звичайна людина, отримуючи доступ до AI, може швидко підвищити свою продуктивність. Але якщо подивитися глибше: коли AI зменшує різницю у базовій ефективності та значно знижує поріг входу у професію, компанії зрозуміють: якщо один працівник може значно підвищити свою продуктивність, але при цьому масштаб бізнесу не зростає пропорційно, збереження колишньої кількості співробітників стане фінансовим тягарем.
Це видно вже зараз, з рівнем зарплат. За даними TT3LABS, з 2025 року на ринку праці з’являються пропозиції зарплат понад мільйон доларів для молодих AI-інженерів без багатого досвіду управління командами. Meta пропонувала OpenAI понад 100 мільйонів доларів у бонусах за залучення ключових дослідників, а середній пакет акційних опціонів у OpenAI досягає 1,5 мільйона доларів, а у Anthropic — базова річна зарплата висококваліфікованих інженерів сягає 690 тисяч доларів (без урахування опціонів).
Ці гроші купують унікальні навички: здатність покращувати базові моделі AI. Люди, які сприяють еволюції фундаментальних моделей, мають можливість значно збільшити свою цінність у всій бізнес-мережі. Інші ж, якщо їхня робота може бути автоматизована дешевше — їхня вартість зменшується.
Це також викликає глибшу потенційну кризу: все більше людей реагують на проблеми, просячи AI дати відповідь, пропускаючи етапи власного аналізу, перевірки та експериментів. З часом це призводить до втрати навичок критичного мислення. Адже саме ці «прості» дії формують вашу інтуїцію щодо проблем. Постійна залежність від AI у цьому процесі знижує вашу роль у роботі до «перекладача вимог»: ви перетворюєте чужі запити у вхідні дані для AI і передаєте його результати іншим. А цей проміжний етап — найпростіше для AI пропустити у майбутньому.
Карта впливу: де ви стоїте?
Якщо страхи без орієнтирів — це лише тривога. Перед тим, як обговорювати рішення, потрібно намалювати «карту впливу». Це не для паніки, а для того, щоб кожен зрозумів своє місце.
Посади, де чітко можна прописати інструкцію
Програмування початкового рівня, базовий аналіз даних, автоматичне створення звітів, шаблонне проектування, стандартне перекладання. Ці ролі мають спільну рису — їх можна розбити на «вхід→обробка→вихід». З-поміж тих, кого звільнили у Block, багато саме з цієї категорії. Вони мають хороші навички, але їхня робота — саме те, що може зробити модель.
Критерій для самоперевірки: якщо вся ваша робота може бути описана однією командою для AI, тоді машина вже готова вас замінити. Залишається лише питання — коли саме компанія ухвалить таке рішення.
Досвід, що «здавлюється» середньою ланкою
Менеджери проектів, операційні керівники, інженери середньої ланки. Їхня робота — судження і координація. У короткостроковій перспективі AI ще не зможе їх замінити, але вже «здавлює». Раніше один бізнес-процес потребував п’ятьох менеджерів, кожен керував своєю частиною. Тепер AI бере на себе цю функцію, і один-два фахівці можуть керувати цим цілком.
Ця група стикається з «зменшенням позицій». Їхні навички не погіршилися, але попит на їхню роль стрімко падає. Вихід — використовувати AI для підсилення виконавчих можливостей і здобути більше впливу на формулювання проблем.
Керівники, що управляють додатковою цінністю
Роботи, які не стільки «роблять правильно», скільки «приймають рішення за умов неповної інформації і несуть відповідальність за наслідки». Це — складні бізнес-переговори, кризовий PR, міжкультурне управління, високоризикові інвестиції. AI може аналізувати і давати рекомендації, але не підписувати документи, не брати на себе відповідальність і не розуміти емоційний підтекст співрозмовника.
Ці ролі не знецінюються, навпаки — через зниження витрат на базове виконання вони отримують можливість залучати більше проектів за ті ж гроші, а керівники отримують більший важіль.
У реальності багато людей працюють у кількох сферах одночасно. Простий тест: подумайте, скільки з вашої щоденної роботи можна чітко прописати командою, а скільки — вимагає власних рішень у розмитих ситуаціях. Чим більше перших — тим швидше потрібно змінюватися.
Зупиніть тривогу щодо інструментів, перетворіть спільний обчислювальний ресурс у приватну перевагу
Наприкінці січня з’явився OpenClaw («Маленька рачиха»), і за кілька днів його популярність на GitHub перевищила 170 тисяч зірок. Інші виробники моделей швидко приєдналися: Alibaba Cloud запустила одноклікове розгортання, Tencent представив CoPaw, MiniMax і Kimi також випустили свої сумісні рішення.
І тут виникає цікава закономірність: багато хто витрачає цей місяць більше часу на «дослідження, як розгорнути Маленьку рачиху», ніж на реальне використання AI для бізнесу. Вони шукають інструменти, але за цим слідує швидке копіювання налаштувань іншими — за дві години.
«Усі великі мовні моделі — OpenAI, Anthropic, Meta, Google, xAI — тренуються на однакових відкритих даних Інтернету. Тому вони по суті однакові, і саме тому швидко комерціалізуються.»
— Ларрі Еллісон, фінансовий директор Oracle, під час звіту за другий квартал 2026 року
З іншого боку, це означає: якщо ваша робота залежить лише від публічних можливостей універсальних моделей, ваші результати будуть однаковими. Навіть якщо ви напишете найкрасивішу команду — у вас не буде конкурентної переваги.
Справжня перевага — у перехід від публічних моделей до приватних
Зараз спостерігається чітка тенденція: від великих корпорацій до стартапів — все більше організацій розгортають локальні приватні моделі. Основна причина — безпека даних: ніхто не хоче передавати ключову бізнес-інформацію стороннім API. Але ця тенденція має ще один недооцінений ланцюг реакцій: коли провідні гравці галузі закривають свої дані та знання у приватних сховищах, публічний доступ до галузевої інформації для моделей зменшується і стає застарілим. Зовнішній світ знижує рівень знань, тоді як цінна галузева інформація швидко зникає з відкритих джерел і переходить у приватні бази даних.
Тому ваші багаторічні «темні знання» не втрачають цінності — навпаки, зростають у ціні. Головне — використовувати їх.
Зібрати й структуровано оформити неперевірені бізнес-експерименти, дослідження, внутрішні правила — і зробити їх доступними для вашої приватної моделі. За даними TT3LABS, кандидат з досвідом у Web3 понад два роки має набагато вищий рівень проходження первинного відбору, ніж технарі без галузевого бекграунду. Це пояснюється тим, що галузеві знання мають вагу, яка перевищує загальні технічні навички. Людина, яка три роки керувала CEX-операціями і розуміє регуляторні нюанси, або учасник двох циклів DAO-управління, або фахівець із вертикального контенту — всі ці знання не знайдеш у відкритих даних.
Коли ви структуровано інтегруєте ці приватні знання у модель, вона перестає бути просто універсальним енциклопедичним довідником і стає вашим персональним асистентом, що працює виключно для вас і розуміє вашу галузь. Така глибина результату — те, що не зможуть повторити конкуренти, використовуючи стандартні моделі.
Основна ідея — AI у обробці відкритих знань переважає всіх, але у приватних знаннях все залежить від вашого наповнення. Той, хто зможе поєднати глибокі галузеві знання з AI — стане ключовим активом у новій системі розподілу ролей.
Ваші особисті знання — справжня «модель»
Моделі AI стрімко розвиваються: сьогодні — GPT, Claude, Gemini, а через півроку — ще потужніші версії. Але для вас це — лише зміна API. Справжня незамінна цінність — це ваші приватні дані та досвід, які ви «загружаєте» у модель.
Модель — це універсальна інфраструктура, яку може використовувати кожен. Але ваші галузеві знання, бізнес-інтуїція, досвід уникнення помилок — це унікальний «тренувальний корпус», що належить тільки вам. Чим потужніша модель, тим краще вона засвоює ваші дані, і тим вищий ваш приватний бар’єр. Тому не варто хвилюватися, що «зараз створювати базу знань — швидко застаріє». Ваша база — це актив, що не знеціниться з часом, адже з розвитком AI вона лише зростатиме у цінності.
Разом із цим, традиційна логіка конкуренції у професійному середовищі змінюється. Раніше співробітники могли демонструвати свою цінність через понаднормову роботу. Тепер, коли машини працюють цілодобово, стратегія «я можу працювати довше за інших» втрачає сенс.
Багато хто каже: «Я ще даю емоційну підтримку команді». Це справді унікальна людська здатність, але її цінність залежить від рівня. Коли команда з десяти людей зменшується до двох і кількох AI-агентів, роль «м’якості у команді» зникає. А на рівні керівництва — складні бізнес-ігри, довгострокове будування довіри, врегулювання конфліктів між інтересами — саме глибокий людський зв’язок стає ще ціннішим через зниження витрат.
Емоційна підтримка — не зникає, а переміщується вгору по ієрархії.
Загалом, найцінніший інвестиційний актив у епоху AI — це не навички користування інструментами, а постійне розвиток власної приватної AI-бази. Інструменти змінюються, а ваш досвід — ні.
Три дії, які можна зробити вже зараз
Повертаючись до кейсу Block: когось звільнили, а хтось залишився. Різниця — у тому, що після того, як AI став стандартним інструментом, залишилися ті, хто його використовує ефективно і незамінно. Не чекайте, поки компанія організує вам навчання — починайте вже сьогодні з таких кроків:
01. Перейти від «особистої участі» до «побудови робочих потоків»
Найпоширша пастка — використовувати AI для «лінивості» (наприклад, щоб писати звіти або редагувати листи). Це — мислення виконавця. Насправді потрібно ставитися до себе як до «підрядника», який перетворює свою найважливішу роботу у автоматизовану виробничу лінію.
Не намагайтеся одночасно тестувати десятки моделей. Оберіть одну — наприклад, ChatGPT Plus або Claude — і інтегруйте її у найскладніший і найзалежний від досвіду етап роботи. Замість ручного збору даних → аналізу → висновків, зробіть автоматичне збирання → подачу у AI-аналітичний фреймворк → коригування та доопрацювання вручну. Якщо зможете зменшити час виконання завдання з тижня до дня і зберегти стабільну якість — ви перетворюєтеся з простої обчислювальної точки у «мікромагазин» з високим важелем.
02. «Закріпити» прихований досвід у власному цифровому аватарі
Великі моделі навчаються на відкритих даних, вони розуміють теорію. Але вони не знають особливостей ваших ключових клієнтів, внутрішніх правил компанії або тонкощів роботи з фінансовим відділом. Це — «темні знання», які ви здобули через помилки і досвід.
Їх потрібно структурувати і зробити доступними для моделі. За допомогою функцій кастомізації (наприклад, Custom GPT або Claude Projects) перетворіть свій досвід у «системні налаштування». Навчіть модель розпізнавати ваші кейси, правила і стиль роботи. Це — ваш персональний асистент, що працює цілодобово і враховує ваші особливості. Коли він сформується — конкуренція з універсальними моделями стане безперспективною.
03. Посилити «призначення питань» і відповідальність
Практикуйте делегування пошуку відповідей машині, а самі зосереджуйтеся на формулюванні проблем і прийнятті рішень. AI — чудовий інструмент для пошуку відповідей, але він не здатен зрозуміти справжню мотивацію запиту. Якщо керівник каже: «Ми потрібен новий план утримання клієнтів», — AI швидко надасть кілька моделей. Але тільки ви можете врахувати бюджет, ресурси і обрати найкращий варіант — наприклад, «план C» з меншими функціями, що швидко реалізується.
Вам потрібно усвідомити: AI не несе відповідальності. Ваша компанія платить вам високі зарплати, щоб ви несли відповідальність за результати. Тому, коли ви використовуєте AI-генерований код або рішення — ви маєте бути впевнені, що його перевірили і берете на себе відповідальність за його впровадження. Це — «цінність відповідальності», яку машина ніколи не зможе замінити.
Дорсі сказав, що «більшість компаній вже запізнилися». Але для кожної людини ця фраза — навпаки: більшість ще не почали і не усвідомлюють, що цей тренд уже в розпалі.
Не потрібно ставати експертом з AI. Але потрібно чітко усвідомити: які частини вашої роботи рано чи пізно зможе виконати машина, а які — залишаться тільки за вами. І вже сьогодні потрібно перенести зусилля з перших у другі.
Якщо у 2027 або 2030 році AI повністю витіснить людину у всіх сферах — це вже не буде просто зміна, яку можна ігнорувати.
Вона не чекатиме, поки ви будете готові.
