2026-2028 как горизонт перелома: что говорят CEO Anthropic и OpenAI

Когда руководитель компании уровня Anthropic публично ставит ориентир, что сильный ИИ может появиться уже в 2026 году, это не жанр футурологии. Это управленческий сигнал: команда, продукт и инфраструктура строятся так, будто сильный ИИ появится в ближайшем цикле планирования, а не когда-нибудь потом.

С другой стороны, Sam Altman в эссе The Intelligence Age пишет про сверхинтеллект за несколько тысяч дней. Это тот же сигнал, только в ещё более агрессивной упаковке: счёт идёт на тысячи дней, а не на десятилетия.

Я не спорю с тем, насколько точны эти сроки. Я фиксирую другое: оба говорят про скорость как про заданную переменную. И рынок труда всегда реагирует на скорость внедрения быстрее, чем общество успевает договориться о смыслах.

Dario Amodei в интервью Axios делает то, что обычно избегают делать публично: называет масштаб удара по начальным офисным ролям и возможный рост безработицы в горизонте 1-5 лет.

Мне важно не число. Мне важна логика: если ИИ закрывает типовой интеллектуальный труд дешевле и достаточно качественно, компания купит эффективность. Не потому что она злая. Потому что так устроена конкуренция.

Altman в выступлениях февраля 2026 тоже говорит про реальное вытеснение и про эффект в ближайшие годы. Его сильная метафора про то, что к концу 2028 больше интеллектуальной мощности мира может оказаться внутри дата-центров, чем снаружи, полезна ровно одним: она заставляет перестать мыслить категориями постепенности.

Удар по junior-ролям выглядит жёстко, но он объясняется экономикой, а не заговором.

Junior в офисе часто покупают не за уникальное мышление, а за объём: собрать, сверить, переложить, оформить, разнести по системам, сделать первый драфт, подготовить отчёт, собрать ресёрч, отрефакторить презентацию, прогнать 20 однотипных кейсов.

Это идеальный корм для автоматизации, потому что:

• задача повторяемая
• входные данные стандартизируемы
• качество можно проверять чек-листом
• скорость напрямую превращается в деньги
• В российских компаниях это будет даже заметнее, потому что привычка закрывать операционные провалы людьми, а не системами, очень распространена. Как только появляется рабочий инструмент, который закрывает провал быстрее, привычка меняется мгновенно.

Я предлагаю смотреть не на профессии, а на задачи. Профессия распадается, задачи остаются.

Самая практичная схема - матрица 2x2: где ось X - повторяемость задачи, а ось Y - цена ошибки.

Получается четыре зоны.

• Высокая повторяемость + низкая цена ошибки. Автоматизировать первым делом. Это тот самый слой рутины, который съедает 80% времени.
• Высокая повторяемость + высокая цена ошибки. Автоматизировать, но только с жёстким контролем качества и понятным контуром ответственности. Здесь нужны проверки, логирование и правила отката.
• Низкая повторяемость + низкая цена ошибки. Можно частично отдавать ИИ как ассистенту, но не ждать большого экономического эффекта.
• Низкая повторяемость + высокая цена ошибки. Это территория людей, по крайней мере пока. Здесь ИИ должен быть инструментом, а не заменой.

Эта матрица снимает истерику и возвращает управление. Вы перестаёте обсуждать, кого уволят, и начинаете считать, что можно ускорить без самоубийства качества.

Я считаю, что ключевая профессиональная трансформация ближайших лет - переход от исполнителя ввода к оператору системы.

Оператор системы делает три вещи:

• ставит задачу так, чтобы у неё был проверяемый результат
• проверяет качество результата по правилам, а не по ощущениям
• несёт ответственность за применение результата в реальном процессе

Простой пример из маркетинга и аналитики.

Раньше роль выглядела как собрать отчёт, склеить источники, оформить выводы, отдать руководителю.

Теперь роль должна выглядеть как настроить контур данных, задать вопрос системе, проверить логику расчётов, зафиксировать решение и измерить эффект.

Это не романтика. Это перенос ценности с рук на голову и на ответственность.

Большая ловушка внедрения ИИ - иллюзия прогресса. Все радуются скорости, пока не прилетает дорогая ошибка.

Поэтому я бы вводил метрику ИИ-замещения по процессам, а не по людям. В простом виде это таблица на один экран, без философии:

• Процесс и его шаги.
• Кто делает шаг сейчас: человек или модель.
• Доля времени на шаг.
• Цена ошибки шага.
• Способ проверки качества.
• Триггеры, когда нужен человек.

Если хочется формулы, она тоже простая:
ИИ-замещение процесса = доля времени, которую забрала автоматизация, умноженная на долю шагов с формализованной проверкой качества.

Без проверки качества любое замещение - это кредит, который вы платите инцидентами.

Для отдельного человека, неважно в России или в любом другом рынке, ставка понятная.

Будут выигрывать те, у кого есть связка:

• доменные знания
• умение ставить задачу в измеримой форме
• привычка проверять результат, а не верить ему

Это звучит банально, но на практике это редкость. Большинство либо знает домен и не умеет формализовать задачу, либо умеет писать промпты и не понимает, что именно проверять.

Сильный ИИ будет внедряться не по расписанию общества, а по расписанию экономики. Компании, которые не раскладывают работу на задачи и не измеряют ИИ-замещение, будут платить за это темпом, ошибками и потерей управляемости. Людям, которые продают рынку рутину под видом профессии, придётся либо подняться уровнем ответственности, либо уступить место автоматизации.

Если вам близка логика системного подхода к данным и ИИ в маркетинге, зарегистрируйтесь в личном кабинете Андаты и посмотрите, как это устроено в продукте. Или запросите демо - разберём ваш контур и покажем, где скорость можно купить без потери качества.