AI не звільняє. Він не наймає

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

У квітні 2026 року ми переглянули 100 кандидатів на одну вакансію, провели 20 співбесід — і вирішили не наймати нікого. Це було важке рішення. Я його ухвалював не тому, що всі СТО були слабкими. Причина неприємніша: поки тривав сам процес найму, межа економічно доцільної автоматизації змістилася.

Частину роботи, заради якої відкривалася вакансія, вже виконували агенти Codex CLI. Решту виявилося дешевше перетворити на керовані цикли: дослідження, виконання, автоматична перевірка, виправлення. Наступні два місяці лише зміцнили мене в цій позиції.

Що агенти вже роблять у нашому реальному бізнес-процесі:

• прямі холодні продажі в чатах OLX;
• проєктування і ведення кампаній взаємодії в LinkedIn;
• пости й кампанії взаємодії у Moltbook та Facebook;
• прямі продажі та комунікація в Telegram;
• демонстраційні рішення для клієнтів на Upwork;
• паралельна робота над великими проєктами в десяти напрямах через автоматичний research loop, AI-консиліум і цикли кодових правок.

Одразу чесне застереження (без нього далі не можна). Це operational case однієї компанії, а не репрезентативна статистика ринку. Ми early adopter: технічний керівник, уже побудовані агентні workflows. Цінність кейсу в іншому — він показує механізм, який погано видно у звітах про звільнення. Працівника ніхто не звільняв. Вакансія просто не перетворилася на людину. І тому в статистику «AI забрав роботу» вона майже не потрапить.

Саме про цей механізм — уся стаття.

«Навіть скептики здалися»: що насправді доводить заява 200 експертів

Приводом сісти за текст стала публікація Mezha з заголовком у дусі «навіть скептики здалися». Вона переказує спільну заяву економістів і технологічних лідерів «We Must Act Now» — із закликом готувати інституції до потенційно швидкої економічної трансформації через ШІ. Факт заяви реальний: понад 200 підписантів, серед них 15–16 нобелівських лауреатів, люди з OpenAI, Anthropic і Google [Reuters; AP].

То що ж вона доводить? Зміну консенсусу, а не факт безробіття. Ризик перейшов зі статусу маргінального сценарію в предмет серйозного інституційного планування — навіть для економістів, які раніше ставилися до радикальних прогнозів скептично.

Ринок праці: на макрорівні тихо, знизу вже тріщить

Рисунок 1. Перший вимірюваний удар AI — не масові звільнення, а слабший вхід на ринок (працівники 22–25 років). Показники з різних досліджень, не одна часова серія.

Тут найцікавіше, бо дані розшаровуються.

Макрорівень: хвилі немає. Yale Budget Lab станом на середину 2026 року не знаходить переконливого зв’язку між поширенням AI та загальним безробіттям чи широкою перебудовою професійної структури США [Yale Budget Lab]. Данські адміністративні дані не виявили суттєвого впливу чатботів на зарплати чи відпрацьовані години [NBER].

Мікрорівень: junior-сегмент просідає. Stanford Digital Economy Lab разом з ADP веде панель payroll-даних по мільйонах працівників. У наймолодшій групі (22–25 років) зайнятість у найбільш AI-експонованих професіях знижується, тоді як у старших колег у тих самих професіях — навпаки, зростає (Рис. 1). Найпомітніше просідають junior-розробники й підтримка. Розрив тримається.

Anthropic на інших даних отримав той самий підпис: для наймолодших імовірність почати нову роботу в експонованій професії помітно нижча за доковідний рівень [Anthropic]. Тобто менше найму, а не більше звільнень.

Швейцарське дослідження вакансій дає той самий напрямок: junior-оголошення суттєво нижчі за доковідний базис, а senior в AI-експонованих галузях росте [Reuters, Swiss study]. PwC бачить «сеньйоризацію» entry-level: від молодших вимагають навичок, які раніше належали досвідченішим [PwC]. На фриланс-ринках ефект прийшов швидше — а в найрутиннішому копірайтингу й перекладі попит подекуди впав у рази [OII].

І третій шар: наміри випереджають дії. Використовують AI уже майже всі організації, але повноцінне розгортання агентів у бізнес-функціях — досі радше виняток. При цьому приблизно третина роботодавців очікує скорочення штату через AI протягом року — хоча стільки ж паралельно планують перенавчання [AI Index 2026; WEF].

Три твердження, які правдиві одночасно:

1. Загальноекономічного масового AI-безробіття ще не зафіксовано.
2. У найбільш автоматизовуваних junior-професіях стиснення найму вже вимірюється.
3. Організації очікують значно сильнішого ефекту до літа 2027, ніж той, що вже відбувся.

Традиційна статистика дивиться на звільнення. Рання стадія витіснення виглядає інакше: компанія не замінює наявного працівника — вона не наймає наступного. Ефект особливо ймовірний там, де вся робота цифрова, є API та браузерні інструменти, результат швидко перевіряється, помилки оборотні, а напрями легко паралеляться. Впізнали свій відділ? Я свій впізнав.

Від coding preview до багатогодинних задач: 14 місяців Codex

Перший хмарний Codex вийшов у травні 2025 року. Задачі на хвилини, без картинок для frontend, без course correction під час виконання, код перевіряй руками. За 14 місяців це перетворилося з «агента, який робить окрему coding-задачу в пісочниці» на систему з діями в терміналі й браузері, документами, таблицями, пам’яттю, паралельними сесіями та багатоагентним режимом.

Наскільки — найкраще видно на бенчмарках GPT-5.5 (Рис. 2): від командного рядка й реальних software-issues до автономної роботи в комп’ютерному середовищі й складних customer-service сценаріїв. Клас задач змінився — від «написати patch» до «користуватися інструментами, перевіряти себе й доводити роботу до артефакту». І все одно навіть найкращі числа означають провал у частині структурованих задач: «може зробити» ще не дорівнює «можна без нагляду в production». А щотижневих користувачів Codex уже мільйони, і значна частина — поза суто програмістською роботою (це vendor-reported, не аудит, але порядок показовий).

Рисунок 2. GPT-5.5 на бенчмарках: від командного рядка й реальних software-issues до автономної роботи в комп’ютері. Vendor-reported; набори різні й не порівнюються з першим SWE-bench.

Скільки триває задача, яку агент уже тягне? METR міряє це елегантно: беруть тривалість задачі для людського експерта, на якій агент має 50% шансів успіху. Улітку 2025-го це було близько двох годин, і показник історично подвоюється приблизно щопівроку [METR]. Механічна екстраполяція виводить цей горизонт у десятки годин людської роботи до 2027-го (Рис. 3) — але саме тут криється пастка.

Рисунок 3. Автономний task-horizon (METR): фактична оцінка ≈ 2 год і механічна екстраполяція у десятки годин. Це крива складності задач, а не тривалість автономної роботи агента.

Перш ніж ви уявили агента, який тиждень автономно керує компанією, — арифметика надійності. 50% успіху — неприйнятно для production. Якщо задача складається з 50 залежних кроків і кожен виконується правильно з імовірністю 98%, шанс пройти без жодної помилки — лише близько третини. Саме тому тести, rollback, sandbox і незалежний verifier важливіші за ще одного «розумного співрозмовника». METR і сам попереджає: їхні задачі чисті та самоперевірювані, а реальна робота повна прихованого контексту, людей і незворотних рішень.

AI-консиліум: коли він працює, а коли просто палить токени

Рисунок 4. AI-консиліум працює лише тоді, коли цикл закривається зовнішньою перевіркою.

Модне слово «мультиагентність» у моїй практиці означає нудну річ: спосіб витратити додатковий inference-компʼют на пошук кандидатів, критику, експерименти й відбір. AI-консиліум — це не група моделей, які нескінченно сперечаються. Ефективна система — керований pipeline, де кожен агент має роль, власний контекст і критерій завершення:

1. Класифікатор задачі — тип, ризик, чи взагалі потрібен multi-agent;
2. оркестратор — декомпозиція, бюджети, незалежні гілки;
3. workers у власних контекстах — паралельно збирають evidence, пишуть код, тестують гіпотези;
4. артефакти й логи — код, тести, таблиці, джерела, trace;
5. детермінований verifier — тести, scoring, schema validation, компіляція;
6. adversarial reviewer — шукає помилки й систематичні збої;
7. цикл виправлення — тільки в межах бюджету і stopping rule;
8. human gate — незворотні зовнішні дії, юридичні речі, високий ризик.

Що каже evidence, а не маркетинг. Anthropic повідомляє, що їхня orchestrator—worker система обійшла одиночного сильного агента у внутрішній research-оцінці — але за це заплатила приблизно на порядок більшою витратою токенів [Anthropic]. Google прогнав під дві сотні конфігурацій і отримав два протилежні режими: на добре паралелізованій задачі централізований multi-agent дав великий приріст, а на строго послідовному плануванні всі multi-agent варіанти помітно погіршили результат. Незалежні агенти множать корельовані помилки; центральний оркестратор це частково гасить [Google Research].

Правило звідси одне, і воно не «більше агентів». Архітектура має відповідати структурі задачі. Паралельний пошук і незалежна перевірка масштабуються. Довгі послідовні ланцюжки без надійного verifier — деградують.

І про верифікатор — це, на мою думку, головна думка всієї статті. AlphaEvolve, AI Co-scientist та схожі системи повторюють один pattern: модель генерує кандидатів, зовнішній evaluator їх перевіряє, система ранжує і запускає новий цикл [DeepMind; Google Research]. Автоматична перевірка перетворює генерацію на пошук, а пошук — на систематичне поліпшення. Тому межа автоматизації — не «чи може модель це написати», а «чи можемо ми дешево й надійно визначити, що результат правильний».

Мій власний стенд: 57 проєктів як природний експеримент

Досі я переказував чужі дослідження. Тепер про власний стенд — санітизований зріз із 57 проєктів, 2328 файлів, ~244 MB артефактів, де агенти щодня щось роблять, а я міряю не «вау-ефект», а метрики. Одразу межі цього evidence: це не рандомізований експеримент і не повний аудит production. У пакеті немає єдиного time-tracking, token ledger, payroll baseline чи наскрізної виручки. Тому він годиться, щоб перевірити, які етапи реально автоматизовані і як поводиться верифікатор, але не щоб порахувати «скільки FTE замінено». І все одно він показує механізм у високій роздільності — з трьома межами, які варто вивести в один рядок: reply — це ще не продаж, submit — це ще не найм, а найкращий backtest — це ще не стійкий результат на нових даних.

Продажі: активність автоматизується, результат — не завжди. Один агент веде продаж мобільного додатку — магазину для дрібних продавців. Він сам проводить хвилі Telegram-реактивації: research, сегментація, варіації opener-ів, відправка, збір відповідей і класифікація intent, усе без мене. Відповіді були. Але з надісланих повідомлень у бізнес-сигнал перейшла лише частина, а в конкретний наступний крок — одиниці (funnel на графіку поряд). Closed-won revenue, маржі й контрольної групи в цьому зрізі немає; що реально покращилося — не продажність, а дисципліна вимірювання: від «reply» до «qualified signal» і «next step». Той самий підпис на LinkedIn: запрошення охоче стають контактом, а от змістовних відповідей — одиниці.

Рисунок 5. Продаж мобільного додатку: активність (надіслані повідомлення) стискається у вужчий бізнес-funnel; reply rate між версіями не зростав монотонно.

А ось де результат таки був — інший канал і фізичний товар: продаж літієвих батарей на OLX. Тут агент вів чати, прогріви, фоловапи й навіть рекламні дії, і за сервісне вікно пройшло кілька підтверджених замовлень із реальною виручкою (Рис. 6). Але сіль в атрибуції: більшість замовлень прийшла через саме оголошення — перегляди, ціну, гарантію, — а не через outreach-хвіст, який із сотень повідомлень дав одне order-like. Тобто навіть там, де гроші є, чесно приписати їх агентові, а не лістингу, — найважче. Та сама межа, лише з іншого боку.

Рисунок 6. Інший канал — фізичний товар на OLX: реальна виручка й замовлення є, але переважно з самого оголошення, а не з outreach-хвоста агента.

Світ підтверджує обережну інтерпретацію. У польовому дослідженні NBER AI-асистент помітно підняв продуктивність support-працівників — найсильніше в новачків і майже не змінивши найдосвідченіших [NBER: Generative AI at Work]. Це доказ дифузії best practices і коротшої learning curve, а не вилучення людини з комунікації.

Автоматизація аплікацій: submit — це ще не найм, і тепер я знаю, де воно ламається. Агент упевнено робить своє: сканує вакансії й подає заявки на DOU, Work.ua, Robota.ua та Djinni — десятки реальних поданих відгуків (розподіл на графіку), причому найбільший клас «поломок» — не він, а зовнішні ATS-форми. Цього разу я поміряв і те, що нижче submit, — нехай і на крихітній вибірці, але ціль досягнута: конверсію до інтерв’ю тепер видно. Вийшло кілька діалогів з рекрутерами (де я, чесно, не надто вразив їх відповідями в чаті) і одне інтерв’ю. І саме інтерв’ю — найцінніший результат. Мене напряму спитали, чи маю я досвід за їхнім списком; я відповів, що маю п’ятнадцять років по десятках технологій і, озброєний тепер ШІ, готовий узятися за проєкт у будь-якій сфері. Не зайшло — бо наймають ще по-олдскул: за конкретними human-скілами й досвідом «по чеклісту», а не за здатністю швидко освоїти будь-що з агентами. Оце й є та сама межа: submit автоматизується, а довіра й культура найму — ще ні. Чесний дисклеймер: інбокс я пильнував погано і на кілька відповідей рекрутерів відреагував із запізненням, тож навіть цю малу конверсію, найпевніше, недооцінюю. І паралельно ринок знецінює сам факт подачі — заявок стало кратно більше при тій самій кількості вакансій, а AI-інтерв’ю вже масове й частину кандидатів відлякує [Greenhouse].

Рисунок 7. Автоподача: submit автоматизовано (десятки реальних заявок на 4 платформах), але вниз по воронці — кілька діалогів, одне інтерв’ю, нуль оферів. Конверсію до інтерв’ю тепер поміряно.

Крипто-дослідження: найкращий кейс для верифікатора — і найкраща демонстрація закону Гудхарта. Тут ідеться лише про research-архітектуру, не про торгові поради. Метрики машинні й обʼєктивні — return, drawdown, slippage, out-of-sample decay — тому я зациклив повноцінний консиліум із детермінованим верифікатором: гіпотеза → бектест → walk-forward на невиданих даних → перевірка реалістичного виконання → відбір. І найкраще цей цикл робить одне: спростовує власні гіпотези. Той самий «чемпіон» з трицифровою дохідністю на зручному вході стискався майже до нуля на чеснішому (графік поряд). Reversal-гіпотеза, прибуткова на train, розверталася в мінус на нових даних. У paper-live угоди давали профіт-фактор глибоко нижче одиниці. Edge не з’являвся — зате цикл дешево й повторювано доводив, що гіпотеза не проходить production-like gate.

Рисунок 8. Формальний verifier не створює edge — він виявляє, де edge був ілюзією (зручний вхід проти чесного; reversal train → out-of-sample).

І вирішальний експеримент проти спокуси «масштабувати пошук»: ширший перебір — у рази більше кандидатів — додавав до результату частки відсотка й трохи гіршав drawdown (графік поряд). У моєму окремому прогоні розширення всесвіту символів з 6 до 16 плюс правила ротації дало те саме — всі варіанти програли простому базлайну. Межу ставить режим ринку, а не інтенсивність перебору. Світова література формалізує рівно це: Bailey зі співавторами вивели probability of backtest overfitting — що більше конфігурацій перебираєш, то легше випадково знайти блискучий історичний результат; StockSim показує, як latency й мікроструктура руйнують наївні agent-бектести; ATLAS демонструє, що адаптивний feedback-дизайн важливіший за сам факт multi-agent loop [Bailey et al.; StockSim; ATLAS].

Рисунок 9. Ширший пошук (у рази більше кандидатів) додав часток відсотка і трохи погіршив drawdown. Межу ставить режим ринку, а не інтенсивність перебору.

Три ніші — три різні висновки, і різниця між ними не випадкова. Де верифікатор дешевий і обʼєктивний (код, трейдинг-метрики) — цикл дає і систематичне поліпшення, і, що не менш цінно, систематичне спростування. Де верифікатор дорогий або субʼєктивний (увага аудиторії, довіра клієнта, рішення про найм) — агент автоматизує операцію, але не результат. І скрізь віддача від додавання агентів у цикл спадна: після певної точки кожен новий агент повторює ту саму систематичну помилку, а не додає незалежності. Це стенд одного early adopter, а не зріз ринку — але механізм усюди однаковий: автоматизується та частина роботи, де є цифрове середовище, інструменти, верифікатор і прийнятна ціна помилки. Решта поки людська.

Якщо звести весь стенд в одну таблицю — що він підтверджує, а що спростовує:

Коли консиліум точно не вартий токенів (перевірено на власних рахунках):

• задача, яку людина робить за 5–10 хвилин;
• детермінована трансформація даних — її краще зробити звичайним кодом;
• одна коротка чернетка — вистачить одного виклику моделі;
• строго послідовний coding flow — часто кращий один сильний агент із тестами;
• масове повторення однакової операції — потрібен кеш, шаблон або мала спеціалізована модель;
• debate між однаковими моделями (вони гарно погоджуються одна з одною у спільних помилках);
• задача без способу розпізнати правильну відповідь — кожен новий агент повторить ту саму систематичну помилку.

Правило зупинки просте: P(покращення) × цінність покращення має перевищувати ціну токенів + ціну перевірки + очікуваний збиток від помилки. Ні — зупиняємось.

Що в IT поки не варто віддавати агентам

Стабільного класу «назавжди неможливих для AI» задач я не бачу. Бачу задачі, де автоматизація сьогодні або ненадійна, або дорожча за людину:

• product strategy з конфліктними інтересами — немає об’єктивно правильної відповіді, потрібні переговори і відповідальність; AI годиться на сценарії та аргументи;
• погано документована legacy-архітектура — tacit knowledge і приховані залежності; AI корисний для мапування і локальних змін;
• production incident command — неповні дані, дорога помилка; діагностика — так, кермо — людині;
• security і compliance sign-off — юридична відповідальність і дорогий false negative;
• зміни без тестів і rollback — немає verifier, помилки накопичуються; спершу побудуйте тестовий контур;
• складні переговори — довіра, статус, довгі відносини;
• фізична інфраструктура і hardware;
• дослідження з дорогими експериментами — повільний feedback, AI лишається генератором і ранжувальником гіпотез;
• довгострокове ownership продукту — пам’ять на місяці, пріоритети, accountability;
• adversarial-середовища — інша сторона адаптується до вашого агента.

Економіка токенів: ціна токена не дорівнює ціні результату

Рисунок 10. Sticker price mini-agent класу впав приблизно на третину; остання точка — базовий сценарій на 2027 рік. Найновіший frontier — навпаки, дорожчий.

Фраза «токени дешевшають» надто груба, щоб на ній будувати бізнес-рішення. Треба розрізняти три різні величини: ціну токена в прайсі, ціну фіксованого рівня можливостей і ціну успішно завершеної та перевіреної задачі.

Вартість фіксованої можливості падає значно швидше за прайси — історично в рази й десятки разів на рік залежно від задачі [Epoch; AI Index].

І контрінтуїтивний пункт: реальна вартість бізнес-результату падає повільніше, ніж «вартість інтелекту». Бо multi-agent система їсть на порядок більше токенів, бо є рев’ю, переробки і ціна помилок. Формула, якою ми міряємо в себе:

cost per accepted outcome = (токени + tool calls + рев’ю + переробка + очікуваний збиток від помилок) / прийняті результати.

Для outbound-продажів звідси випливає головна пастка: рахувати кількість повідомлень. Рахувати треба вартість qualified reply, зустрічі та угоди — разом із ризиком скарг і блокування акаунта.

Мій базовий сценарій до 2027-го: порівнянний mini-клас — ще помітно дешевший; вартість перевіреної задачі — у кілька разів нижча за рахунок routing, кешування, verifier-ів і меншої кількості повторних спроб; а ось ціна найновішої frontier-моделі цілком може лишитися стабільною або зрости.

Рисунок 11. Що масштабувалося за рік: кількість параметрів — лише один із факторів; коректніша проксі-метрика — training compute.

Прогноз до липня 2027 року: сценарії, не пророцтва

Часовий ряд після появи агентних систем закороткий для статистичного прогнозу, тому нижче — авторські сценарії відносно світу без подальшого AI-прогресу. Абсолютна зайнятість може навіть зростати, якщо економіка створюватиме більше місць, ніж автоматизація прибиратиме.

Найімовірніший порядок змін, який я очікую (і частково вже прожив):

1. Спершу зникає вакансія, а не працівник.
2. Стискаються підрядники та junior-позиції: простий development, content production, lead qualification, manual QA, data entry, routine research.
3. Senior поглинає більший scope: один product/technical owner з агентами бере роботу, яку раніше ділили між кількома junior і middle.
4. Росте премія за право остаточного рішення: architecture, product ownership, довіра клієнта, compliance, incident command.
5. І лише потім — редизайн організацій навколо спільної пам’яті, permissions, evaluator-ів, trace-ів і безперервних циклів.

Де ефект буде швидшим? Remote IT, Upwork-подібні ринки і цифровий аутсорсинг: робота вже декомпозована, стандартизована, цифрова і глобально конкурентна. Для України з її сервісною IT-моделлю це не абстрактний прогноз. Це прогноз про нас.

Що це означає для компаній і для людей

Не найняти нікого після 20 співбесід було раціонально. Зробити з цього висновок «люди більше не потрібні» було б помилкою — і дорогою.

Стара вакансія померла. Потрібна інша людина: не та, що руками пише код чи пости, а та, що володіє напрямом. Формує цілі. Накопичує domain-контекст. Будує evals і verifier. Керує агентними циклами. Відповідає перед клієнтом і за production. Помічає момент, коли система почала оптимізувати не ту метрику. Одиницею виробництва в IT перестає бути програміст — нею стає людина з контекстом, цілями й відповідальністю плюс змінна кількість агентів.

Тут же головний стратегічний ризик усієї цієї раціональності: якщо всі перестануть наймати junior-ів, за кілька років не буде з кого виростити senior-ів, здатних формулювати цілі й нести відповідальність за агентні системи. Кожна компанія окремо поводиться раціонально — разом вони створюють системний дефіцит. Тому правильна політика не «не наймати людей», а «не наймати ручне виконання без ownership і AI leverage».

А для окремої людини головна конкурентна перевага найближчого року — не «вміння користуватися чатботом». Це вміння перетворювати роботу на керовані цикли: правильно декомпозувати задачу, дати агентам інструменти, автоматизувати перевірку, порахувати економіку результату — і залишити собі ті рішення, де справді потрібні відповідальність, довіра і право на незворотну дію.

Найбільша помилка зараз — чекати на один великий статистичний стрибок, коли «AI почне забирати роботу». Процес уже йде без гучних layoffs: вакансія не відкривається, junior не отримує першого шансу, senior з парком агентів забирає ширший scope, компанія звикає виробляти більше без розширення штату.

Перший етап AI-безробіття — це не порожнє робоче місце після звільнення. Це робоче місце, яке ніхто більше не вирішив створювати.

Це сценарії, а не пророцтва — я навмисно показував діапазони й обмеження даних, а не одну «точну» цифру. Але механізм — не сценарій. Він щодня працює в моїй компанії. Тому питання до вас, колеги: ви у своїй компанії вже бачили вакансію, яка «просто не відкрилася»? Розкажіть у коментарях — саме такі кейси зараз найцінніший evidence, якого не видно на публіку?

Методологічні примітки

• «Сценарна екстраполяція» тут — механічне продовження темпу або заданий діапазон, не статистичний прогноз.
• Числа користувачів і продуктивності від вендорів (OpenAI, Anthropic) — vendor-reported, не незалежний аудит.
• Оцінки Stanford/ADP — сильна кореляція після контролів (~13—16% відносного падіння), не доведена причинність; точки з дашборда — приблизна оцифровка, цитувати як точні значення не варто.
• Task horizon — тривалість задачі для людського експерта за заданої ймовірності успіху агента, а не календарний час автономної роботи.
• Total parameters у MoE-моделях не дорівнюють активним параметрам на токен; quality-adjusted cost ≠ list price.