Стартап из Кремниевой долины в области ИИ адаптируется по мере эволюции моделей трат и управления токенами

Силиконовая долина, инженер по ИИ Ма Пэйюань, основываясь на более чем четырех годах наблюдений в отрасли, выделяет десять значимых изменений: найм персонала смещается от специалистов к универсалам, навыки использования ИИ-инструментов могут компенсировать опыт работы; организационные структуры становятся более плоскими, менеджеры должны обладать техническими компетенциями, роль people manager исчезает; использование токенов переходит от слепого стремления к количеству к фокусу на эффективности, крупные компании начинают заново пересчитывать расходы; культ моделей опровергнут, в Силиконовой долине набирает популярность комбинирование нескольких дешевых и передовых моделей; появляются новые инфраструктурные решения для ИИ, вертикальные ИИ-агенты остаются привлекательными для инвестиций, поскольку решают реальные, «нетренируемые» проблемы. Ма Пэйюань подчеркивает, что в области ИИ один год — это очень долгий период, и большинство выводов могут быть опровергнуты уже через месяц.

Автор статьи, источник: 36kr

Все консенсусы быстро истекают

Все пытаются сформировать суждение об ИИ, но все консенсусы быстро устаревают.

Интервью | Баэй Хайфэн

Автор: Хайфэн, Лю Сицзе

Редактирование | Люй Сицзе

Источник обложки | Фото предоставлено собеседником

Этап дикого роста уже прошел.

Это самое глубокое ощущение Ма Пэйюаня, находящегося в самом центре стартапов в области ИИ в Силиконовой долине.

В декабре 2021 года, после окончания бакалавриата, он присоединился к Quora, известной как «американская версия Zhihu», а затем перешел на платформу агрегации AI-чат-ботов Poe, где занял должность старшего инженера по ИИ. Два месяца назад он присоединился к Cognition — самой популярной стартап-компании в Силиконовой долине в области AI-агентов.

В мае 2026 года компания, основанная менее трех лет назад, объявила о завершении финансирования на сумму более 10 миллиардов долларов США, ее оценка выросла до 26 миллиардов долларов США. Восемь месяцев назад ее оценка составляла 10,2 миллиарда долларов США.

Помимо инженера, Ма Пэйюань имеет еще одну роль — венчурного сканера (Venture Scout). Он ищет для инвестиционных фондов перспективные стартапы в области ИИ и ежегодно имеет инвестиционный лимит в 500 000 долларов США.

За последние четыре года после выпуска он, казалось, всегда действовал раньше, чем общепринятая точка зрения в индустрии ИИ: еще до того, как кто-либо четко определил термин «агент», его команда уже тайно запустила проект. Когда Anthropic еще не была известна, они стали одними из первых глубоких пользователей Claude. Он был первым сертифицированным инженером по ИИ и первым инженером по ИИ-агентам в команде, а затем «перевоспитал» всю инженерную команду, превратив ее в AI Native-команду, использующую ИИ для программирования.

Наиболее интересное подтверждение этого предвосхищения мысли и действий произошло две недели назад, когда он случайно заметил во время беседы с «Лабораторией будущего человечества», что «менеджеры по персоналу исчезают» — вскоре после этого новости о отмене среднего звена от Tencent и ByteDance это подтвердили.

Изменения происходят слишком быстро; в Кремниевой долине нужно постоянно жить в условиях изменений.

За две недели между двумя интервью Ма Пэйюань обнаружил, что его прежняя логика о «гонке за самыми дорогими и передовыми моделями» в Силиконовой долине уже перестала держаться. Сейчас в Силиконовой долине популярной практикой стало «комбинированное управление» использованием нескольких недорогих моделей вместе с передовыми.

Я поговорил с Ма Пэйюанем почти пять часов и обнаружил, что он почти постоянно опровергает себя из вчерашнего дня — то же самое происходит и в Силиконовой долине. «Я не могу сказать всё, но, возможно, более 60% — через месяц всё может оказаться наоборот».

За последние несколько лет ИИ почти полностью изменил все стандартные правила Силиконовой долины: кто имеет больше шансов выделиться, какие организации более конкурентоспособны и на какие расходы стоит тратить деньги.

Конечно, критерии этих так называемых «правильных ответов» также быстро устаревают. В области ИИ один год — это уже длительный период, и многие суждения могут быть опровергнуты уже за месяц.

Вот 10 наблюдений за ИИ в Силиконовой долине, которые Май Пэйюань считает особенно актуальными:

Ма Пэйюань

Профессиональный портрет Ма Пэюаня идеально соответствует образу сотрудника, которого больше всего ценят AI-компании в Силиконовой долине. Он не имеет традиционного компьютерного образования, не завоевывал золотых медалей на олимпиадах, не обладает光环 от ведущих университетов и даже ранее не проявлял интереса к компьютерам. Однако за последние четыре года он прошел путь от группы рекламы в Quora до инженера по ИИ в Cognition, и его карьера отражает каждый ключевой критерий, который сегодня ищут AI-компании в Силиконовой долине. Его история — это не только личная история роста, но и образец изменений в стандартах найма отрасли.

Наблюдение 1: Поликультурные специалисты превосходят узких специалистов

Самым востребованным профилем в Кремниевой долине сегодня является не эксперт, глубоко погруженный в одну область, а человек, «у которого всё на хорошем уровне, без явных слабостей» — в отрасли это называют polyglot talent, или, проще говоря, «воином шести граней».

В 2024 году внутри Poe был запущен проект «агент», определение которого тогда еще никто не мог точно сформулировать. Меня, новичка, выбрали в команду по очень простой причине: «Я уже работал с ИИ, а также с полным стеком разработки и iOS». Остальные члены команды в основном имели опыт в традиционном машинном обучении, поиске, рекламе и рекомендациях — они не понимали фронтенд-код, а агенту как раз требовался интерфейс, который нужно было писать. После ухода сотрудника, отвечавшего за инженерию промптов для ИИ, в команде больше никто не мог заполнить этот пробел — и как раз я быстро учился, поэтому я взял на себя как инженерию промптов для этого агента, так и написание его фронтенда.

Этот набор навыков «всё немного», позже превратился в мой самый ценный актив при поиске работы. Дайте мне любую новую область — и я освою её примерно за две недели. Именно таких людей искали ранние стартапы.

Наблюдение 2: AI-натуральные навыки могут за короткое время превзойти опыт работы

Способность использовать инструменты ИИ напрямую превосходит опыт, накопленный традиционным путем за счет лет работы.

Когда я перешел из группы рекламы Quora в группу iOS, я сказал, что хочу выйти из зоны комфорта, но на тот момент я совершенно не разбирался в iOS — у меня был нулевой опыт. Я не стал постепенно учиться, а вместо этого сделал GPT-4 своим партнером. Вокруг меня были очень опытные iOS-инженеры, которые, возможно, не верили в ИИ. Я не умел писать код для iOS и не знал Swift, поэтому я активно использовал ИИ, чтобы помогать мне писать код.

В результате, я, новичок с опытом всего три-четыре месяца, достиг скорости производства, равной или даже превышающей скорость опытных инженеров, работающих рядом со мной годами, и за два года достиг позиции старшего инженера. В традиционной системе продвижения это практически невозможная скорость. Раньше в Facebook на достижение позиции старшего инженера требовалось как минимум 4–6 лет. Некоторые люди в Google так и не продвигаются до уровня старшего инженера за всю свою карьеру.

В Cognition я встречался с интервьюером, которому было 19 лет. Сначала я чувствовал себя разочарованным: 26-летний человек, которого «допрашивает» 19-летний, и на многие вопросы я не мог ответить. Позже я понял, что это именно тот признак, который показывает, что компания действительно способна привлекать таланты вне зависимости от возраста, и возраст больше не является стандартом оценки талантов в Силиконовой долине.

Наблюдение 3: Критерии найма полностью переписаны — компании, использующие ИИ, не применяют одну и ту же шаблонную процедуру собеседований

До ухода из Quora я внимательно прошел собеседования примерно с 20 компаниями, а с учетом звонков — с 30–40. В пиковый момент ко мне на неделю обращалось более 30 рекрутеров.

Пройдя собеседования в таком количестве компаний, я заметил, что сейчас у AI-компаний нет единого шаблона собеседований.

Однако есть несколько очевидных изменений: важность алгоритмических задач в стиле LeetCode снижается, а лучшие ответы по проектированию AI-систем каждый месяц меняются.

Структура собеседований также меняется. Онлайн-тестирование + рабочая проба стали новой комбинацией. Рабочая проба — это очень короткий «испытательный срок» на собеседовании. Некоторые длятся 3 часа, некоторые — 5 часов, максимум — один-два дня. Одно из моих собеседований заключалось в том, что мне сразу дали репозиторий с кодом и попросили решить реальную задачу, используя любые инструменты, включая ИИ. После завершения требовалось продемонстрировать ход мыслей и результаты. Весь процесс был очень близок к реальной работе.

Еще интереснее то, что проверка использования ИИ сама по себе разделена на два режима. В некоторых раундах обязательно требуется использовать ИИ, чтобы увидеть, как вы работаете «by code»; но в других раундах использование ИИ строго запрещено, например, при отладке, где проверяется, сможете ли вы найти ошибки без помощи ИИ — по сути, это тестирование вашего реального уровня и вкуса в программной инженерии.

Само собеседование также бывает разным. Например, некоторые компании просят меня провести бизнес-анализ и определить, в какой отрасли им следует приобретать компанию.

Собеседование по поведению (behavior round) также изменилось. Вместо традиционных вопросов, таких как «Ваши самые большие недостатки и преимущества» или «Как вы решаете конфликты с коллегами», теперь рассматривается более длительный временной отрезок — ваш путь развития от старшей школы до университета, от стажировки до работы, с постепенным углублением, чтобы оценить вашу «жизненную траекторию» и определить, являетесь ли вы человеком, способным к экспоненциальному росту.

Одним из неожиданных преимуществ отсутствия стандартных ответов является то, что никто не может получить оффер, просто заучив вопросы. Даже мой рекомендатель в Cognition прямо сказал мне: «Не готовься, я думаю, готовиться не к чему».

В Силиконовой долине самые выдающиеся люди никогда не принадлежат какой-либо одной компании — они принадлежат «самой лучшей компании своего времени». Двадцать лет назад это был Google, десять лет назад — Uber и Robinhood, пять лет назад — Coinbase, а сейчас — компании, работающие в области ИИ. Силиконовая долина — это «текучие серебряные подносы, но непоколебимые солдаты». Эти таланты, отобранные новыми стандартами, остаются не из-за «условий», а из-за чувства миссии. Организации, объединяющие самых выдающихся людей, также претерпевают огромные изменения под влиянием ИИ.

Наблюдение 4: Чрезмерное стремление к «AI-native»

Спрос со стороны компаний из Кремниевой долины на AI-натуральные решения превзошел все мои ожидания. Большинство компаний, в которых я проходил собеседования, находились на стадиях Series A и Series B, некоторые — на стадии seed. Очень частый вопрос: «Какими AI-инструментами вы пользуетесь?» Я обычно просто отправляю им свой блог — и собеседники обычно оставались в полном изумлении.

Они сказали, что хотят не только, чтобы я занимался разработкой приложений на основе ИИ, но и чтобы я способствовал внутреннему переходу компании на ИИ, сделав команду более «ИИ-натуральной». Многие компании уже занимаются созданием ИИ-продуктов, но сотрудники еще не сформировали собственные ИИ-рабочие процессы. Кроме того, им очень нужен человек, который ежедневно много времени проводит в Твиттере и своевременно делится новыми интересными открытиями в области ИИ или советами по повышению эффективности.

Это кажется немного нелогичным для меня. Мои прежние «хобби», такие как ежедневная экспериментация с новыми инструментами, например, Claude Code, и обмен опытом использования ИИ в Slack (корпоративном программном обеспечении), превратились в новую организационную роль.

Раньше, когда я работал в Quora, мне удалось заставить всю инженерную команду использовать Claude Code. Каждый раз, встречая инженера в офисе, я спрашивал: «Используешь ли ты ИИ для программирования?» Я помню одного инженера, занимавшегося кибербезопасностью, который сначала сопротивлялся, считая, что использование ИИ для написания кода слишком рискованно. Позже я предложил ему изменить подход: не писать код самому, а использовать ИИ для чтения кода, понимания кодовой базы и анализа данных. В итоге он действительно начал это применять.

Наблюдение 5: «Лучшее использование ИИ» — это на самом деле вопрос организационной трансформации

Работая с ИИ в Cognition, я все больше осознаю один факт: более эффективное использование ИИ уже не является исключительно инженерной задачей, а представляет собой проблему организационной трансформации.

Например, в традиционной интернет-компании с иерархической структурой устранение бага часто требует прохождения нескольких этапов: оценка требований, планирование разработки, кодирование, тестирование и релиз. Использование ИИ для написания кода может занять всего два-три часа, но весь процесс в целом часто занимает целый месяц.

Раньше такая процедура была оправдана: чтобы исправить одну ошибку, инженеру могло потребоваться три-пять дней, и ценность процесса заключалась в координации между различными командами и распределении ресурсов. Но ИИ сократил это время.

Сейчас с помощью таких продуктов, как Devin — AI-инженер-программист от Cognition, мы можем выполнить работу, которая раньше занимала несколько дней, за два-три часа. В Cognition мы даже можем использовать Devin, чтобы найти человека, ответственного за этот баг, а затем позволить Devin помочь ему исправить его — при этом многие этапы координации и передачи можно полностью исключить, не оставляя никаких излишних действий. На самом деле ИИ вынуждает всю организационную структуру претерпеть трансформацию.

Наблюдение 6: Роль менеджера по персоналу исчезает, менеджеры должны уметь писать код сами

Так называемый менеджер по персоналу — это инженерный менеджер (engineering manager). В США в последние годы распространилось мнение, что как менеджер вы должны сосредоточиться на управлении: в основном заниматься координацией команды, организацией коммуникаций, заботой о эмоциональном состоянии сотрудников и поддержкой их роста, при этом технические навыки не обязательно должны быть сильными.

Но, попав в Cognition, я обнаружил, что вся организационная структура крайне плоская. Например, моим непосредственным руководителем был даже CPO — один из сооснователей. Он не занимался детальным сопровождением вашего личного роста, а скорее выполнял роль определения стратегического направления. Можно даже сказать, что в инженерной команде Cognition, насчитывающей сейчас более 60 человек, настоящий people manager — всего один. Все остальные, включая CPO, «управляют людьми и пишут код». Это совершенно отличается от моего опыта работы в Quora, где один менеджер мог управлять пятью-шестью инженерами.

Команда Cognition одела się в красное, чтобы отпраздновать день рождения коллеги, который обычно носит красную одежду.

Я думаю, это может быть изменение организационной структуры, вызванное ИИ. Я заметил, что любая энергичная стартап-компания в области ИИ работает именно так: почти нет менеджеров, занимающихся только управлением людьми — если он управляет людьми, он обязательно также отлично разбирается в технологиях.

Это решение принимается не только в Силиконовой долине: в течение двух интервью, прошедших с интервалом в две недели, китайские крупные компании Tencent и ByteDance последовательно объявили об отмене среднего звена управления.

Изменения, замеченные Ма Пэюанем, не ограничиваются лишь организационным уровнем. Более широкие отраслевые оценки — «Какие расходы на токены внутри калифорнийских AI-компаний считаются разумными, и какие модели считаются хорошими?» — также разрушаются на глазах. На этот раз даже его собственные суждения, высказанные во время первого интервью, не выдержали двух недель.

Индустрія ИИ в Кремниевой долине сама по себе пересматривает себя ежемесячно или даже ежедневно, и ни одно суждение не сохраняет актуальность долго.

Наблюдение 7: Token Maxxing разделился, крупные компании снова начали уделять внимание эффективности

В начале этого года в Силиконовой долине временно стало модным «Token-Maxxing». Такие компании, как Meta, даже составляли рейтинг использования токенов. Кто использовал их больше всех, тот считался представителем «AI-native». Мне кажется, это с самого начала было глупо — объем использования AI-токенов не может быть равнозначен эффективности инженеров.

Мои друзья из Google и Meta говорили мне, что тогда все занимались «AI-великим скачком». Компании устраивали специальные «AI Week», и все должны были остановить свою обычную работу, чтобы писать о своих AI-навыках и преувеличенно представлять свои навыки.

Изначально все компании придерживались этой идеи: сначала позволить людям использовать ИИ в максимально возможном объеме, чтобы понять, насколько это реально применимо.

Но как только это превращается в публичный рейтинг, поведение людей искажается. Инженеры начинают использовать системы только ради «высокой нагрузки», и возникают даже абсурдные ситуации, например, заставляя ИИ каждый вечер случайно запускать бессмысленные задачи, лишь бы увеличить объем использования. Это похоже на оценку способностей студентов по среднему баллу — одна единственная метрика легко искажает реальность.

Позже многие топ-менеджеры也开始 осознавать эту проблему. Более конкретно, их напугали счета. Например, у Uber бюджет на ИИ на весь 2026 год был израсходован за первые четыре месяца. Многие крупные компании начали снова ограничивать использование токенов. Советы директоров и генеральные директора начнут спрашивать: действительно ли использование этих токенов оправдано? Действительно ли они повышают нашу эффективность настолько сильно? Один миллиард долларов были потрачены — принесли ли они доход в один миллиард долларов?

Эта тревога быстро была превращена Cognition в коммерческое решение с четко обозначенной ценой. 4 июня Cognition представила «Гарантию производительности ИИ»: если корпоративный клиент, использующий Devin (продукт Cognition — ИИ-программист), не достигнет обещанного повышения эффективности, ему будет выплачено возмещение до 10 миллионов долларов США. Этим исследованием занимался мой коллега, завоевавший три золотые медали на международных олимпиадах по информатике; он изучил 233 реальных кейса клиентов, случайным образом выбрал диалоги клиентов с Devin и спросил клиентов: «Сколько времени потребовалось бы на выполнение этой работы вручную без Devin?». Затем эти данные были использованы для обучения прогнозной системы, которая напрямую преобразует каждое взаимодействие с Devin в «эквивалентные инженерные часы», а затем, используя почасовую ставку инженера, рассчитывает, сколько именно средств было сэкономлено.

Однако многие стартапы YC, вероятно, продолжат модель «token maxxing», поскольку у них есть много бесплатных квот на токены с льготными условиями, а также небольшой масштаб — возможно, всего три человека — и никаких проблем с AI-управлением: руководители могут напрямую видеть, использует ли каждый сотрудник ИИ для безделья.

Наблюдение 8: Сама культура поклонения моделям также подвергается разрушению

За две недели между двумя интервью в этом материале я обнаружил, что мои предыдущие рассуждения уже перестали быть верными.

Две недели назад я еще говорил о том, какая модель является самой передовой на данный момент. Сейчас внутри Cognition только что выпустили функцию, у которой еще нет китайского названия, кодовое имя — fusion mode: объединение и оптимальное использование нескольких недорогих моделей вместе с топовыми, вместо слепого вызова самого дорогого. Вы же не ездите каждый день на Порше за продуктами, верно? Вы должны ездить на Хонде или более дешевой машине за продуктами. Скорость итераций моделей за эти две недели также превзошла мои ожидания — даже утверждать, кто именно является «номером один», теперь сложно.

Я не могу сказать всё, но, возможно, более 60%, и многие могут снова измениться через месяц.

Такова закономерность развития любой технологической волны: крах старого консенсуса часто становится началом формирования новой парадигмы.

Когда рынок отошел от слепого культового восхищения одноразовыми моделями и жестоким расходованием вычислительных ресурсов, спрос на решения, направленные на «как стабильно и контролируемо внедрить ИИ» и «как справиться с трудными задачами, которые крупные модели не могут решить», взорвался. Ма Пэйюань, обладающий двойной перспективой инженера и рекрутера в сфере инвестиций, заметил, что в Сан-Франциско в рамках неконсенсусных идей зарождаются новые бизнесы, не зависящие от «мифа о крупных моделях» и сосредоточенные на решении реальных сложных проблем.

Наблюдение 9: Появляется новая ИИ-инфраструктура

Вокруг концепции «Token-Maxxing» уже появилась группа новых стартапов, которые специализируются на наблюдении и мониторинге использования ИИ командами, анализируя, где происходят потери токенов.

Более глубокая проблема заключается в том, что сами AI-агенты уязвимы: небольшое изменение запроса может привести к ухудшению их производительности. В результате появляются новые ИИ-инфраструктуры, такие как sandbox (песочница), предназначенные для изоляции работы агентов и предотвращения их прямого доступа к чувствительным системам, например, банковским счетам или данным производственной среды.

В то же время сам процесс «наблюдения» стал более сложным. Традиционные системы можно отслеживать по ошибкам, но агенты не «выдают ошибки». Они могут работать нормально, однако при этом допускать серьезные проблемы на уровне вывода — например, проявлять предвзятость, дискриминацию или вызывать у пользователей явно негативный опыт. Для этого требуется новое программное обеспечение, способное отслеживать, когда у агента «сломался мозг».

Наблюдение 10: «Нечто, что нельзя обучить», становится новым бизнесом

В инвестиционном сообществе всё чаще распространяется мнение, что вертикальные ИИ-агенты потеряли инвестиционную ценность. Однако я не полностью с этим согласен.

Инвестор из Кремниевой долины Сара Гуо (Sarah Guo) предложила концепцию «the untrainable» — «неподдающееся обучению». Основная идея заключается в том, что в многих нишевых отраслях языковые модели никогда не смогут полностью автоматизировать процессы, поскольку в этих отраслях присутствует множество сложных процессов, которые невозможно абстрагировать, и для их решения требуется постоянное человеческое вмешательство.

Например, при подаче налоговой декларации в США: в 50 штатах — 50 различных налоговых систем, которые нужно постепенно интегрировать по отдельности; то же самое и в правовой сфере — иммиграционное право, гражданское право, коммерческое право, каждое из которых имеет сложную собственную систему, и AI-агент не может справиться с этим сразу.

Ценность компаний, занимающихся вертикальными ИИ-агентами, заключается в постоянном взаимодействии с клиентами и инженерами по передовому развертыванию (FDE), что позволяет выявлять все новые реальные болевые точки. Эти аспекты вплетаются в продукты компании и не могут быть обучены другими крупными компаниями или поглощены универсальными моделями.

Поэтому я склонен считать, что вертикальные агенты все еще имеют инвестиционную ценность. Однако они могут принести не тысячеобразную доходность, а более стабильную и скромную — в 20, 50 или даже 100 раз.