Эра жестко заданных сценариев для управления машинами подходит к концу. Мы вступаем в парадигму, где естественный язык становится основным инструментом системного администрирования и интеграции. На недавней встрече Sequoia Ascent Андрей Карпати, сооснователь OpenAI и бывший визионер Tesla, констатировал: индустрия переросла простую роль «помощника в написании кода» и вошла в эпоху Software 3.0. В этой реальности традиционные инструменты, такие как bash-скрипты, выглядят пережитком прошлого. Вместо того чтобы часами отлаживать сложный файл конфигурации для настройки окружения, разработчик просто предоставляет системе описание задачи на человеческом языке в формате Markdown.
По словам Карпати, большие языковые модели (LLM) теперь выступают в роли продвинутых интерпретаторов, способных адаптировать установку под специфическое оборудование и исправлять ошибки в режиме реального времени. Это не просто смена синтаксиса, а фундаментальный переход от слепого исполнения команд к интеллектуальному осмыслению среды. Этот архитектурный сдвиг превращает классический центральный процессор в периферийный сопроцессор, который лишь обслуживает нейрологику — основной «движок» системы. Бизнес-логика теперь декомпозируется на триаду: сенсоры, актуаторы и нейронные рассуждения.
Карпати приводит в пример приложение menugen: оно полностью заменяет классический код, принимая изображение на вход и выдавая готовый результат на выход без использования промежуточных алгоритмов. Для бизнеса это означает радикальную переоценку кадрового потенциала. Ценность системного администратора или инженера теперь измеряется не скоростью написания строк кода, а способностью сделать корпоративную информацию максимально понятной для автономных агентов. Если данные не структурированы для восприятия нейросетью, ваш бизнес для будущего просто перестает существовать.
Однако переход к экономике агентов тормозит то, что Карпати называет «неровностью» способностей LLM. Мы столкнулись с абсурдным диссонансом: модель способна провести рефакторинг 100 000 строк кода, но пасует перед элементарным здравым смыслом. По оценке Карпати, эта проблема продиктована экономикой ведущих лабораторий ИИ. Наборы данных для обучения выбираются исходя из объема целевого рынка и потенциальной выручки. Если ваш бизнес-кейс попадает в зону высокой концентрации данных — модель работает безупречно. В нишевых доменах система неизбежно дает сбой.
Как отметила Стефани Чжан из Sequoia, если «vibe coding» помог новичкам перестать бояться терминала, то инженерия навыков радикально поднимает планку для профессионалов. Мы получили в распоряжение мощнейшие инструменты, которые иногда допускают детские ошибки, если задача выходит за рамки обучающей выборки Кремниевой долины. Наступает время прагматики: либо вы адаптируете процессы под логику ИИ-агентов, либо остаетесь в парадигме Software 1.0, оплачивая бесконечные часы работы над скриптами, которые завтра окончательно потеряют актуальность.