Будущее профессий: что заберёт ИИ, а что останется нам
Открытый эфир от 4 августа 2026 года, полтора часа. Ниже — конспект по темам: его можно читать вместо видео, а можно рядом с ним — каждый раздел начинается со ссылки на нужную минуту записи.
Этот эфир вырос из доклада, который я делал на форсайт-сессии компании «Контур» про будущее исследований в корпорациях. Готовя доклад, я написал сильно больше, чем помещалось в выступление, — и решил разобрать тему целиком: куда движется наша профессия, что в ней уже забрал искусственный интеллект, а что не заберёт ещё долго. Я говорю из опыта продуктовых исследований, причём с обеих сторон — и со стороны компании-заказчика, и со стороны агентства, — но модели, о которых пойдёт речь, применимы к любой работе со знанием.
Стоимость автоматизации падает почти до нуля. Стоимость проверки — нет: она упирается в человеческое время и опыт. Разрыв между этими двумя кривыми и определяет, что достанется машинам, а что останется людям.
О чём эфир: как ИИ меняет нашу работу
Для меня вопрос «учить или не учить искусственный интеллект» закрыт: ИИ — уже факт нашей профессии. Открытым остаётся другое: насколько быстро и насколько качественно команда способна встроить его в свою работу и каким ролям стоит сделать это первыми. Мы с вами по большому счёту работники знания (knowledge workers) — этот термин ввёл ещё в шестидесятые Питер Друкер, классик теории менеджмента, — и сегодня наша специализация всё сильнее определяется умением управлять контекстом и командой ИИ-агентов (о том, чем агент отличается от привычного чата, — сразу в следующем разделе).
Разговор построен в четыре хода: к чему мы вообще адаптируемся; как анализировать изменения в профессии; что остаётся людям, а что уходит машинам; и каким получается исследователь будущего. Прогнозы я по ходу дела делаю, но цель у меня другая — дать вам модели, с помощью которых вы сможете думать про свою работу сами.
Чат и агент — это разные вещи
Когда спрашиваешь человека, пользуется ли он агентами, и слышишь «да, конечно, я же в бесплатном чате сижу», становится понятно, что мы говорим о разном. За последние годы возникло два разрыва: первый — между теми, кто не пользуется ИИ вообще, и теми, кто работает в чате; второй, куда более глубокий, — между чатом и агентом.
Разница простая. Чат (chat) — это переписка с моделью: восемьдесят процентов работы делаете вы, а модель отвечает вам текстом. Агент (agent) — это программа, которая получила от вас задачу и доступ к вашим инструментам, и пропорция здесь переворачивается: вы говорите, что нужно сделать, а он идёт и делает это своими руками — в ваших папках, с вашими файлами, выходя за пределы окна переписки. Юлия Урасова, дизайн-директор и консультант, приводила отличную метафору: работа с чатом — это когда ты позвонил маме и она объясняет, как варить борщ, но продукты покупаешь, у плиты стоишь и посуду моешь ты сам. Работа с агентом — это когда ты нанял повара, отдал ему ключи от квартиры и деньги, а тебе осталось сказать, что готовить, и потом съесть.
Как агент кодирует 20 интервью
Чтобы не быть голословным, я показал рабочий пример. Двадцать интервью агент прогоняет через тематическое кодирование (thematic coding) — это классическая исследовательская процедура, когда весь корпус текста режется на фрагменты и каждому фрагменту присваивается категория из кодбука (codebook), то есть из заранее составленного словаря кодов, плюс сквозные теги. Дальше с этим массивом можно работать как с базой данных: смотреть, что говорили про конкретный сервис, про триггеры и сценарии заказа, разворачивать любой тезис до полной цитаты и до дословного куска расшифровки.
Важно здесь не само кодирование, а то, что получается на выходе: не ответ в переписке, а собранный сервис, с которым можно работать дальше — показывать клиенту, собирать отчёт, делать сегментацию. В чате такого не сделаешь, даже сейчас, когда чаты становятся всё более агентными и тоже начинают выполнять действия за пользователя. И для этого не нужно быть веб-разработчиком: такая работа доступна обычному гуманитарию.
ИИ становится умнее и дешевле одновременно
Тренд зафиксирован, и спорить с ним трудно: предельные возможности моделей растут, а стоимость работы модели при одном и том же качестве снижается в разы каждый год. Модель того уровня, за который ещё недавно платили как за премиальный доступ, сегодня запускается на домашнем компьютере. Вычислительных мощностей в мире становится больше, дата-центры строятся, и в ближайшую пару лет этот тренд никуда не денется.
Отсюда сам собой напрашивается вывод: раз работа дешевеет, её станет меньше. Но с ресурсами так бывает не всегда.
Парадокс Джевонса: эффективнее — значит больше
Английский экономист Уильям Стенли Джевонс в 1865 году в книге «The Coal Question» («Угольный вопрос») заметил парадоксальную вещь. Паровые машины становились экономичнее, угля на единицу работы требовалось всё меньше — а общее потребление угля при этом росло. Арифметика простая: если раньше на прежний объём работы нужно было сто единиц угля, а машина стала в полтора раза эффективнее, то теперь хватило бы шестидесяти семи. Но работа подешевела, спрос на неё вырос, объём производства подскочил — и в итоге сожгли сто пятьдесят.
Это не универсальный закон: он срабатывает при определённых условиях, когда спрос растёт быстрее, чем падают издержки. Но с исследованиями логика ровно такая. Если бы исследование стоило десять рублей, его заказывали бы все, а сегодня многие просто не готовы тратить на него деньги. Значит, по мере удешевления исследований станет больше, а узкое место сместится туда, где ничего не подешевело.
Что будет с ресёрчем через год?
Я предложил залу мысленный эксперимент: представим, что мы встречаемся через год. Модели стали умнее и дешевле, они прекрасно кодируют интервью, появились модераторы-аватары, которые разговаривают почти как люди, выводы стали лучше. Что произойдёт с количеством исследований, с их качеством и с общим эффектом для всех нас?
Зал сошёлся на том, что количество вырастет. Дальше мнения разошлись — и самое интересное как раз в этом расхождении. Кто-то ждёт роста качества, кто-то говорит про «инфляцию инсайтов», кто-то — про появление нишевого «рынка винила», то есть спроса на дорогие штучные исследования ручной работы.
Моё мнение такое: количество исследований вырастет, а среднее качество упадёт. Так уже было с фотографией. Пока снимали десять профессионалов, обученных в специальных школах, средний кадр был качественным. Когда фотоаппарат оказался в руках у всех, средний уровень просел. Мы это проходили и внутри собственной профессии: когда исследовать пошли продакт-менеджеры, всё исследовательское сообщество взвыло.
Но общий эффект, мне кажется, будет положительным. Средняя фотография сегодня хуже, чем снимок фотографа из агентства Magnum, — зато влияние фотографии на визуальную культуру за счёт объёма и разнообразия выросло. Так и здесь: сейчас огромное количество решений принимается вообще без исследований, и принимается плохо. Любое исследование лучше, чем никакого: это начало разговора, точка, с которой можно учить и объяснять. Профессионалы при этом будут хвататься за голову — при любой демократизации так и происходит.
Почему в корпорациях ИИ ещё не выстрелил
Инфобизнес обещает, что всех уже уволили и всю работу делают агенты. Приходишь в компанию — а люди сидят и работают по-старому. Почему?
Потому что между технологией и эффектом от неё лежит организационный путь, который нельзя перепрыгнуть. Пока вы не перестроите систему вокруг технологии, вы будете упираться в старые процессы. Узкое место просто переехало: рутины стало меньше, зато выросла потребность в проверке — руками пишут меньше кода, но больше времени тратят на ревью (review), то есть на вычитку и приёмку того, что написала машина. Одна рутина сменилась другой, а итоговая производительность почти не изменилась.
Парадокс Солоу и J-кривая продуктивности
Нобелевскому лауреату по экономике Роберту Солоу приписывают фразу, сказанную в конце восьмидесятых: «Компьютерный век виден повсюду, кроме статистики производительности». Компьютеры стояли на всех столах — в закупках, в магазинах, в бухгалтериях, — а в цифрах продуктивности их не было видно.
Экономист Пол Дэвид в 1990 году объяснил этот разрыв на примере электромотора. Электромоторы быстро вытеснили паровые двигатели, но производительность выросла только тогда, когда заводы перепланировали. Раньше от одного большого двигателя тянулись трансмиссии, вращавшие все станки разом, а под электричество нужно было дать индивидуальный привод на каждое рабочее место. На эту перестройку ушло около сорока лет и колоссальные деньги — иногда проще было построить новый завод, чем переделать старый.
Отсюда и J-образная кривая продуктивности: любая технология общего назначения сначала роняет производительность, потому что ресурсы уходят на перестройку инфраструктуры, и только потом начинается рост. Поэтому стартапы, изначально построенные вокруг ИИ (AI-native), выигрывают у корпораций: им нечего перестраивать, у них нет унаследованных процессов (legacy). Я не думаю, что в нашем случае перестройка займёт сорок лет, но идти она точно будет неравномерно.
Три стадии зрелости ИИ в компании
У консалтинговой компании McKinsey вышла статья про три горизонта перестройки компании вокруг ИИ, и рамка там честная. Первый горизонт — оснащение: сотрудникам просто дают доступ к инструментам, и каждый делает свою текущую работу чуть быстрее (иногда тайком, с личного компьютера, потому что в компании ИИ запрещён). Второй горизонт — автоматизация: ИИ встраивается в существующие сквозные процессы, они становятся эффективнее, но упираются в потолок, заданный старой конструкцией. Третий горизонт — переизобретение: работу и саму организацию проектируют заново, отвечая на вопрос «а как бы мы построили всё это с нуля вокруг ИИ». На третьем горизонте, по данным McKinsey, находится около одиннадцати процентов компаний.
На практике корпоративное обучение почти всегда начинает двигать инфраструктуру. Чтобы обучить шестьдесят человек, нужно выдать им доступы, разобраться с внутренним VPN и с оплатой; потом эти люди захотят агентов с доступом в Jira, Confluence и почту — и вы упираетесь в требования безопасности, в отсутствие программных интерфейсов (API), через которые агент подключался бы к системам компании, а в конце концов и в необходимость пересобрать сам процесс. Нет ничего хуже, чем ИИ, натянутый на старый процесс.
Автоматизация и верификация
Дальше я опираюсь на статью «Some Simple Economics of AGI» («Простая экономика общего искусственного интеллекта») Кристиана Каталини, Сяна Хуэя и Джейн Ву, вышедшую в 2026 году. AGI (artificial general intelligence) — это гипотетический искусственный интеллект общего назначения, способный решать любые интеллектуальные задачи не хуже человека. Впервые я услышал эту статью в пересказе Байрама Аннакова в канале «Продукты и стартапы», потом прочитал сам и понял, что модель действительно работает. Если не хочется читать сто с лишним страниц, есть короткий разбор от школы менеджмента MIT Sloan.
В статье два ключевых понятия. Автоматизация (automation) — это то, насколько процесс вообще можно выполнять не руками. За последние двадцать лет автоматизировались оплата счетов, стирка, доставка, набор телефонного номера, а из нашего цеха — расшифровка записей и перевод: ещё лет пять назад транскрипты отдавали живым людям, которые этим зарабатывали. Верификация (verification) — это возможность оценить качество результата по каким-то критериям, и главное здесь скорость, с которой вы получаете сигнал о качестве. Лучше всего верифицируется программный код: запустил — и сразу видишь, работает или нет. Проведение интервью проверить сложнее, но уже возможно — экспертом или моделью по чек-листу. А вот качество бизнес-рекомендации проверить по-прежнему тяжело.
Квадрант задач исследователя
Из двух этих осей — стоимости автоматизации и стоимости проверки — получается квадрант, то есть матрица из четырёх зон. Инструмент оказывается неожиданно рабочим, если принять, что профессия — это набор задач, а не монолит.
Слева внизу — исполнение: рутина, результат которой легко проверить. Написание технического задания и скринера (анкеты для отбора участников), смета, расшифровка записей, оформление презентации. С точки зрения экономики это самый аппетитный квадрант: сюда выгодно сбрасывать всё, что получится. Кстати, придумали такой подход не мы: Фредерик Тейлор, основоположник научной организации труда, в «Принципах научного менеджмента» 1911 года как раз расщепил ремесло на измеримые повторяемые операции — так и получился конвейер. То, что происходит сейчас, — продолжение того же процесса.
Справа внизу — коммуникация и поле: живой контакт, где качество работы видно сразу. Глубинное интервью и модерация, сложное поле, защита результатов перед человеком, принимающим решение, воркшоп, наставничество. Автоматизировать это трудно, зато проверить легко. Справа вверху — суждение и ответственность: решения, для которых нет готового плейбука (playbook), то есть заранее описанного сценария действий. Здесь не получается ни автоматизировать, ни быстро проверить: вскрыть настоящую задачу за формулировкой заказчика, дать рекомендацию с учётом бизнес-контекста, устоять под давлением клиента, заметить то, чего нет в гайде.
Самый интересный квадрант
Слева вверху — то, что легко автоматизировать, но трудно проверить. Этот квадрант вообще стал возможен только благодаря ИИ: машина закодирует интервью, выделит темы, проинтерпретирует данные, напишет отчёт — но нужен человек, который посмотрит на результат и скажет, где кодировка верна, а где интерпретация поехала. Как в старой шутке: половина моих слов — правда, вот только ты не знаешь, какая именно.
Именно сюда переезжает большинство интеллектуальных исследовательских задач. И именно здесь у человека появляется новая функция — о ней чуть ниже.
Сайт, где можно изучить свои задачи
Готовясь к выступлению, я взял наши грейды исследователей, то есть описания уровней квалификации с перечнем задач, разложил сорок крупных задач по этим двум осям и собрал интерактивную панель (dashboard). Карточки на ней можно перетаскивать, если вы не согласны с моей раскладкой, добавлять свои задачи и выгружать результат. Это, кстати, ещё один пример работы, которую делает агент и не делает чат.
Для команды получается хороший формат: сесть вдвоём-втроём, разложить задачи своих сотрудников по квадрантам и посмотреть, у кого сколько работы скопилось в зоне исполнения. Если большинство ваших задач именно там, это повод перестраивать стратегию сейчас, а не ждать.
Разложить свои задачи по квадранту →
Пять бутылочных горлышек исследователя
Мы собрались не для того, чтобы хоронить профессию, поэтому дальше поговорим о том, что остаётся людям. Я насчитал пять узких мест, и относятся они не только к исследованиям: контакт с реальностью, проверка результатов (верификация), бонус за человеческое участие, принятие решений и сенсмейкинг — смыслообразование (sensemaking), то есть работа по превращению разрозненных данных в понятную всем историю.
Про контакт с реальностью стоит сказать отдельно. Есть хорошая мысль: не надо переоценивать силу чистого интеллекта. Модель уже сильнее меня в математике, лучше знает историю искусства и во многих ситуациях судит трезвее — но всё это работает в гладких пространствах решений вроде математики или права, где правила заранее определены. В сложных системах всё решает накопление маленькой ошибки: погоду мы умеем моделировать, но не умеем предсказывать на месяц вперёд. ИИ спроектирует вам турбину или крыло, но кто-то должен их напечатать, поставить эксперимент, убедиться, что оно и правда работает, и вернуть эту обратную связь в машину. Найти сложных респондентов, съездить в поле, понаблюдать лично — из той же серии.
Синтетические респонденты — не панацея
Тут полезно вспомнить, что до Бронислава Малиновского, основателя полевой антропологии, этнографы работали по отчётам миссионеров и колониальных чиновников. Малиновский настоял на том, что понять чужую культуру можно, только прожив внутри неё, и его книга «Аргонавты западной части Тихого океана» 1922 года сделала включённое наблюдение стандартом профессии. После этого не наблюдать самому стало дурным тоном.
Синтетические респонденты и цифровые двойники — то есть смоделированные ИИ «собеседники», которые отвечают за реальную аудиторию, — вещь полезная: они помогают отсеять гипотезы на раннем этапе, увидеть неожиданные разрезы, ответить заказчику на вопрос, которого не было в дизайне исследования. Мы и сами делаем их на лаборатории. Но любить их так сильно, как их любят сейчас, стоит с оговоркой: контакта с реальностью они не дают. На западных конференциях по ним стонут ровно потому, что доля откликнувшихся на приглашение в исследование (response rate) падает год от года и очень хочется закрыть эту дыру чем-нибудь автоматическим.
Человек, который ставит подпись
Второе узкое место — верификация: проверить кодировку, проверить интерпретацию данных, проверить выводы. В начале работы вы проверяете много: смотрите первые пять закодированных интервью, правите кодбук, перезапускаете — а дальше просматриваете результат уже по диагонали.
Авторы статьи про экономику AGI расшивают этот квадрант красиво: когда проверка стоит дорого, человек остаётся в системе не как исполнитель, а как гарант качества — андеррайтер (underwriter), то есть тот, кто своей подписью принимает на себя риск за чужую (в нашем случае машинную) работу. Ставить человека на работу, которую дешевле автоматизировать, экономически бессмысленно. А вот ставить подпись под результатом — вполне осмысленно. В западной рентгенологии огромная доля снимков описывается с помощью ИИ, но подпись под описанием ставит врач, и он же отвечает за то, что описание прошло определённую планку качества. Точно так же инженер-проектировщик подписывает расчёт нагрузки, который выполнила машина.
Дальше идут ещё два узких места. Первое — бонус за человеческое участие: он возникает там, где вся ценность в том, что напротив сидит живой человек. Провести интервью лично, общаться с клиентом, вести воркшоп, наставлять, дотащить инсайт до решения, защитить его перед тем, кто это решение принимает. Второе — собственно принятие решений: вскрыть настоящую задачу, адаптировать сложный дизайн исследования по ходу проекта, дать рекомендацию с учётом бизнес-контекста.
Понимание нельзя аутсорсить
Пятое узкое место — сенсмейкинг, то самое смыслообразование. Есть фраза, которую часто цитирует Андрей Карпатый и от которой трудно отделаться.
Ты можешь аутсорсить своё мышление, но не можешь аутсорсить своё понимание.
Организационный психолог Карл Вейк писал ровно про это: смысл не находят готовым, его производят — в разговорах, рассказывая друг другу истории, формулируя ментальные модели. Понимание возникает в совместном действии. Представьте: исследователь написал стостраничный отчёт и сам в нём запутался, а вы просите его за десять минут рассказать, что там происходит, — и он вдруг раскладывает ясную историю, которая лучше собственного текста. Вот это и есть сенсмейкинг. И воркшопы, на которых рисуют системные диаграммы, нужны не ради диаграммы: диаграмма — побочный продукт обсуждения, которое люди унесут с собой в голове. Многие этого не понимают и вылизывают артефакт.
Отсюда же вырастает новая функция: исследователь может стать тем, кто обучает агентов внутри компании, — приносит им обратную связь от реального мира и настраивает эти системы. Мы уже видим компании, где отделы сами строят себе агентов под кабинетные исследования, и им нужен не столько исследователь, сколько методолог, который поставит эти процессы и будет обновлять контекст после каждого большого поля.
Рутину забрали — где учиться джунам?
Здесь начинается ловушка. Автоматизируя рутинные задачи, мы разрушаем базовую практику для тех, кто только входит в профессию. Быть сеньором в эпоху ИИ хорошо: у вас уже есть вкус и насмотренность. А новичок теперь должен приходить сразу со зрелым суждением, инициативностью и метанавыками — происходит синьоризация входных ролей, то есть от джуниоров начинают ждать сеньорского уровня. Вопрос только, где ему всё это взять.
Исследователь труда и технологий Мэтью Бин четыре года изучал, как учатся хирурги там, где появилась роботизированная хирургия, и описал это в работе «Shadow Learning» («Обучение в тени»; есть и короткая версия для широкой публики). Раньше рутинная работа новичка была для него же учебным материалом: через легитимное периферийное участие — когда тебе дают простую, но настоящую часть общего дела — человек постепенно двигался от периферии к профессиональному центру. Саша Новиков, сооснователь агентства «Радость понимания», рассказывал, как в конце восьмидесятых во ВЦИОМе они просто присутствовали на встречах, где социолог Юрий Левада и другие корифеи что-то обсуждали, — и через это впитывали способ думать, ещё даже не понимая его. Роботу ассистент почти не нужен, и практика у новичков исчезла. Те немногие, кто всё-таки научился, делали это «в тени»: практиковались без присмотра, смотрели записи операций, нарушали негласные правила. Система их не наказывала, но формально они шли против неё.
Авиация ту же задачу решала симуляторами, и это рабочий выход, хотя тренажёр закрывает только один из трёх ингредиентов мастерства — вызов; сложности настоящей ситуации и связи с экспертом он не даёт. Хорошая деловая игра, собранная с помощью ИИ, здесь может дать больше, чем очередной курс.
Есть у этой истории и обратная сторона, касающаяся сеньоров. Исследовательница Лизанна Бейнбридж ещё в 1983 году в работе «Ironies of Automation» («Иронии автоматизации») описала, что происходит с операторами промышленных систем и электростанций: автоматика забирает восемьдесят процентов рутинных ситуаций и оставляет человеку только самые трудные — те, с которыми не справилась сама. Но практика, на которой держался навык, исчезает вместе с рутиной, и в трудных случаях человек справляется всё хуже. Забирая лёгкие части задачи, автоматизация делает трудные ещё труднее.
Три роли исследователя будущего
Если собрать вместе всё, что остаётся человеку, — понимание, что и зачем делать; сборка автоматизированных конвейеров и контроль их качества; проверка через контакт с реальностью; обучение компании; финальная интерпретация и ответственность за результат, — то из разных сочетаний этих функций складываются три роли.
Автоматизатор — это настройщик постоянно обновляемых конвейеров. По сути, то же, чем сегодня занимаются аналитики: данные собираются, обрабатываются, выводы возвращаются в организацию, люди на них учатся. Полевик, он же экспериментатор, отвечает за доступ к сложным полям и к самой реальности, а там, где поля нет, ставит эксперимент. Стратег занимается принятием решений, сенсмейкингом и партнёрством с бизнесом.
Стопроцентных ролей, как и в ролевых играх, не бывает: человек может быть на восемьдесят процентов автоматизатором и на двадцать стратегом, а в поле не ходить вовсе, отдавая его нишевым командам, которые останутся на рынке именно с этой специализацией. Кстати, похожим образом рассуждает Борис Черный из команды Claude Code, когда описывает пять архетипов в продуктовой разработке — прототипировщик, билдер, упрощатель, развиватель, поддерживающий — и тоже подчёркивает, что архетип не совпадает с должностью.
Итог: система помощи принятию решений
Исследовательская профессия подневольная: она меняется вслед за тем, что нужно бизнесу. А у бизнеса сейчас стоимость кода стремится к нулю, количество экспериментов растёт, узким местом становится дистрибуция — способность донести продукт до пользователя, — а решения принимаются всё быстрее. От исследователя всё чаще ждут не поставки данных, а позиции: вот это мы делаем, а вот этого не делаем и туда не идём. Дальше этот сдвиг будет только ускоряться.
Поэтому мне кажется, что мы движемся к следующему: исследователь строит систему помощи принятию решений, в которой человеческое понимание и контакт с реальностью соединены с машинной скоростью и масштабом. И в которой люди берут на себя ответственность за результат.
Обязательно ли исследователю уметь всё
Из зала спросили: значит ли всё это, что исследователя теперь нужно превращать в многорукую Шиву — чтобы он понимал и проектирование, и дизайн, и немного аналитику с разработкой?
Мне кажется, необязательно. Мультидисциплинарность даётся не всем, и таких людей мало. Методологию исследований по-прежнему нужно преподавать: я вижу, как люди начинают с агентами делать кабинетные исследования или обрабатывать интервью, и им просто не хватает базы. Но одной методологии уже мало. Скорее всего, к ней добавится знание предметной области бизнеса — умение объяснить, как именно эти данные применяются, то есть консалтинговый заход. У кого-то он будет ближе к дизайну, у кого-то — к продуктовой разработке, у кого-то — к маркетингу. Хорошие исследователи этим отличались всегда, просто теперь такого умения требуется больше.
Агент как новый пользователь
Второй вопрос из зала оказался, пожалуй, самым интересным: почему мы почти не говорим про опыт агента (agent experience) — по аналогии с пользовательским опытом, но про тот слой, где агент компании общается с агентом клиента, где у агента появляется своя персона и где человек делегирует ему точку принятия решения?
Тема живая, и мы разбираем её на лаборатории. Интерфейс для агента — это не интерфейс для человека: это MCP (Model Context Protocol, протокол, по которому модель подключается к внешним инструментам и данным) или обычный API. Есть даже теория «потухшего интернета», в которой визуальный интерфейс перестаёт быть нужен: вы общаетесь только с витриной собственного агента, а он сам ходит по маркетплейсам, — и вместо борьбы за клики начинается борьба за протоколы и за промпт-инъекции, то есть за спрятанные в тексте инструкции, которые чужой агент прочитает и выполнит. Кастдев (customer development) — исследовательские интервью с пользователем — я, честно говоря, уже провожу для агентов: упаковываю систему так, чтобы её мог развернуть чужой агент, отдаю её другому агенту, прошу написать, что ему непонятно, и возвращаю этот отзыв обратно в работу.
Главное здесь вот что: агент — это новый пользователь компьютера и интернета, со своими сценариями и своими ментальными моделями. Как только человек перекладывает на него точку принятия решения, привычные схемы взаимодействия ломаются, и это придётся исследовать так же, как когда-то исследовали поведение людей на новых платформах.
Всё, о чём я здесь рассказываю, мы пробуем руками в AI Research Lab — от работы с качественными данными через агентов до сборки собственных исследовательских конвейеров. Если хочется не просто послушать, а самому попробовать, приходите.