«Джуны уже не нужны, но откуда тогда возьмутся мидлы и сеньоры?»

Страшилки про суперинтеллект, который нас поработит, стали отдельным жанром. Сапунов не отмахивается от этой темы: рациональное зерно там есть. Но честнее сначала говорить о рисках, которые уже с нами. Среди них — фейки, сверхперсонализированный скам, дезинформация, усиление цифрового контроля государств, военные кейсы применения ИИ и кибератаки, которые он позволяет масштабировать.

Это всё не отменяет экзистенциальные угрозы, но смещает фокус: прежде чем бояться «терминатора с базукой», неплохо бы научиться жить в мире, где мошенники используют языковые и голосовые модели, чтобы достучаться до ваших слабых мест эффективнее спамера из нулевых. Также актуальны вопросы изменения ситуации на рынке труда: AI‑ассистенты, генераторы картинок, кодинг-ассистенты в IDE постепенно забирают работу, которая недавно была вотчиной джунов и фрилансеров.

Заглядывая в будущее, Сапунов упоминает концепцию World Models (моделей мира). В отличие от обычных математических моделей, предсказывающих пиксели или слова, такая модель учится «здравому смыслу», выращивает некий внутренний симулятор реальности. Он предсказывает «следующее состояние внутреннего представления, где выделены действительно важные свойства — интуитивная физика, константность объектов, причинно-следственные связи». Это следующий шаг к созданию ИИ, который не просто анализирует данные, а обладает внутренним пониманием мира.

Один из ключевых сюжетов эпизода — судьба программистов и вообще «белых воротничков». Сапунов вспоминает исследование по рынку труда в США: после появления GPT статистически заметно просела доля джуниор‑вакансий. Спрос на мидлов и сеньоров пока держится. ИИ-автоматизация забирает сравнительно простые задачи — сначала в Голливуде, дизайне и медиа, а теперь и в разработке.

Григорий Сапунов приводит точные примеры задач, которые уже уходят в сферу ИИ: написать интеграцию с внешним API, накидать интерфейс к базе данных, собрать типовую веб-форму. Это уже не абстрактные угрозы, а ежедневная рутина, которую ИИ-ассистенты забирают у джуниоров.

Вместе с тем Ивар формулирует важный парадокс: если сегодня не нужны джуны, откуда через пять–шесть лет возьмутся новые сеньоры? Ответа пока нет, но вырисовывается несколько сценариев. С одной стороны, возможен эффект Джевонса: когда ресурс (код, переводы, дизайн) удешевляется, спрос на него растёт, и суммарный объём работы даже увеличивается — как с углём, который стали добывать дешевле, а в итоге жгли всё больше.

С другой стороны, многие компании поймут, что им достаточно результата, который они получают от ИИ-агента, и платить человеку не обязательно. И тогда часть ступенек карьерной лестницы просто исчезнет.

На этом фоне особенно интересен образ нового поколения digital‑native программистов: людей, которые с самого начала учатся писать код «в четыре руки» с моделью. Их база может быть слабее классической, но они растут в другом экосистемном ландшафте: у них под рукой автокомплит, агенты, MCP‑коннекторы, Cursor‑подобные IDE и бесконечные репозитории примеров.

Сапунов довольно подробно проговаривает эволюцию инструментов:

• Классический автокомплит и smart‑подсказки в IDE;
• Языковые модели, которые дописывают целые функции, отталкиваясь от первых строк и комментариев;
• Чат‑режимы вроде ChatGPT, когда ты просишь сгенерировать целый скрипт или набор файлов;
• Cursor‑подобные среды, умеющие работать с репозиторием как с целым;
• Наконец, агентские системы, которые сами ставят себе задачи, пишут тесты, запускают код, исправляют ошибки и итерируют до результата.

Он приводит конкретный пример: команда Cursor запустила у себя агентов, которые за неделю написали с нуля браузер на несколько миллионов строк кода. Да, он далёк от Chrome по качеству и фичам, но это огромный шаг в автономности: система «держала в голове» план из десятков шагов, писала тесты, запускала их, фиксила ошибки и в итоге получала рабочую сборку.

Фронтир смещается к спецификационному программированию (Spec-driven development). Человек формулирует подробную спецификацию — что должен делать продукт, каковы ограничения, каковы критерии приёмки... Агенты реализуют её в коде, тестах, инфраструктуре. В этой парадигме ценность инженера — не в том, чтобы руками писать код, а в том, чтобы уметь мыслить архитектурно, держать в голове систему, формулировать ограничения и строить процессы вокруг ненадёжных компонентов.

При этом Сапунов честно говорит: по меркам классического софтвер‑инжиниринга агенты сейчас не держат даже одной девятки* — слишком много фейлов, зависаний и странных решений. Более того, он уточняет, что текущий уровень надёжности находится «где-то в районе шести–семи процентов». И если в бытовых задачах или в поддержке это терпимо, то в критичных системах нужны три–пять девяток и методы, которые умеют собирать надёжные процессы из заведомо ненадёжных деталей. Цель на ближайшие год-два — научиться доводить агентов хотя бы до трёх девяток в конкретных доменах.

*Имеется в виду подход к измерению надёжности ПО по uptime. Под девяткой подразумевается цифра после 99 целых: 99,9 % = «одна девятка» (работает ~8.8 ч простоя в год), 99.99 % = «две девятки» и т.д.

Особое внимание в разговоре уделяется новому классу reasoning-моделей, которые используют цепочки рассуждений (Chain of Thought) для решения сложных задач, достигая уровня золотых медалистов математических олимпиад. Однако здесь же кроется и серьёзный риск: когда рассуждения переходят из текста в латентное пространство (внутренние представления модели), исчезает интерпретируемость. Мы уже не видим ход мысли LLM. Это создаёт «чёрный ящик» нового уровня, где даже инженеры не могут проследить логику принятия решений. Мы можем только фантазировать, на каком основании и какое решение модель примет в следующий раз. И не будет ли это решение, например, идти вразрез с человеческой этикой.

Собеседники обсудили агентов и стандарты. Под «агентом» в эпизоде понимается автономная сущность поверх LLM, у которой есть доступ к инструментам и API: от почты и Slack до баз данных, платежей и e‑commerce. Она может сама сходить за данными, сделать несколько шагов, принять решение и выполнить действие — например, подобрать вам отпуск по погоде и ценам на билеты, а потом ещё и всё забронировать.

Ключевой инфраструктурный кирпич — Model Context Protocol (MCP), который недавно передали в Agentic AI Foundation при Linux Foundation. MCP — это попытка стандартизировать способ, которым модели и агенты подключаются к внешним сервисам. Если раньше под каждую LLM приходилось писать свои обвязки к Slack, Gmail или CRM, то теперь можно сделать MCP‑коннектор один раз, и им смогут пользоваться разные модели.

Результат — всплеск MCP‑коннекторов и ускорение всей экосистемы: появляются универсальные «мостики» к корпоративным базам, мессенджерам, облачным хранилищам, магазинам. Плюс поверх MCP и других открытых протоколов уже вырастают стандарты для платежей и торговли: в перспективе это прямые покупки из интерфейсов моделей, минуя классические витрины. Для малого e‑commerce это шанс выскочить из тени больших маркетплейсов и продавать напрямую, если их хранилища будут доступны агентам по общим правилам.

Сапунов сравнивает такие протоколы с «универсальным USB» или с тем, что когда‑то сделал AJAX для веба: они не решают все проблемы, но резко снижают барьеры между участниками и открывают дорогу десяткам микросервисов, стартапов и интеграций.

В конце беседы собеседники говорят о том, что делать тем, кто уже в IT, и тем, кто только заходит. С хард скиллз всё ожидаемо, но с акцентом — важно не только знать технологии, но и уметь учиться новому, понимать разные парадигмы (особенно функциональное программирование), работать с современными AI‑инструментами и строить решения вокруг них, а не вопреки им.

Сапунов отдельно советует познакомиться с функциональными языками вроде Lisp или Haskell: не чтобы писать на них в проде, а чтобы «перепрошить голову» и лучше видеть разные способы формулировать задачи. В мире, где спецификация становится важнее строк кода, такое расширение мышления — конкурентное преимущество.

Обсудили также софт‑скиллы и культурный код: умение общаться с международными командами, презентовать себя на интервью, понимать ожидания работодателей.

Отдельная тема — пет‑проекты. Для Сапунова это не «галочка из резюме», а живой способ показать, что вы умеете доводить идеи до рабочего продукта, а не только смотреть курсы и переписывать туториалы. С современными AI‑тулзами порог входа стал ниже: то, для чего раньше нужно было три месяца и команда, сейчас можно собрать за выходные с парой агентов и IDE вроде Cursor. Поэтому у людей, которые делают, а не только читают, появляется ощутимый буст — и в глазах рекрутеров, и в понимании собственной траектории.

Смотреть и слушать выпуск → Мыслить как учёный «AI, программирование и будущее профессий»