Стартап із Сіліконової долини змінюється, оскільки моделі витрат та управління токенами еволюціонують

Сіліконова долина, інженер з ШІ Ма Пейюань, опираючись на чотири роки спостережень у галузі, висунув десять помітних змін: найм персоналу зміщується від спеціалістів до універсалів, вміння використовувати інструменти ШІ може перевершити досвід років; організаційна структура стає більш плоскою, менеджери повинні мати технічні навички, роль people manager зникає; використання токенів зміщується від сліпої гонитви за кількістю до зосередження на ефективності, великі компанії починають перераховувати витрати; культ моделей зруйнований, у Сіліконовій долині набирає популярності комбінування кількох дешевих та найкращих моделей; з’являються нові інфраструктурні рішення для ШІ, вертикальні AI-агенти залишаються інвестиційно привабливими, оскільки вирішують «ненавчальні» реальні проблеми. Ма Пейюань підкреслив, що в галузі ШІ рік — це дуже довгий період, і більшість прогнозів можуть бути спростовані протягом місяця.

Автор статті, джерело: 36kr

Всі консенсуси швидко застарівають

Усі намагаються сформувати судження щодо ШІ, але всі консенсуси швидко застарівають.

Інтерв’ю | Ба Рей, морський вітер

Стаття | Хай Фен, Лю Сіцзе

Редагування | Люй Сіцзе

Джерело обкладинки | Фото від інтерв’юваної особи

Етап дикого зростання минув.

Це найглибше відчуття Ма Пейюаня, який перебуває на передовій AI-стартапів у Сіліконовій долині.

У грудні 2021 року, після закінчення бакалаврату, він приєднався до Quora, яку називають «американською версією Zhihu», а потім перейшов на платформу Poe — агрегатор чат-ботів з ІІ, де працював старшим інженером з ІІ. Два місяці тому він приєднався до Cognition — найпопулярнішого стартапу в Сіліконовій долині, що розробляє AI-агенти.

У травні 2026 року ця компанія, заснована менше ніж три роки тому, оголосила про завершення фінансування на суму понад 10 мільярдів доларів США, а її оцінка зросла до 26 мільярдів доларів США. Вісім місяців тому її оцінка становила 10,2 мільярда доларів США.

Крім інженера, Ма Пейюань має ще одну посаду — венчурний скаут. Він шукає для інвестиційних інституцій перспективні стартапи в галузі ШІ з щорічним інвестиційним бюджетом у 500 000 доларів США.

За чотири роки після закінчення університету він завжди діяв швидше, ніж загальна думка в галузі ШІ: ще до того, як хтось чітко визначив термін «агент», його команда вже таємно розпочала проект. Коли Anthropic ще була невідомою компанією, вони стали одними з перших глибоких користувачів Claude. Він був першим інженером з сертифікацією з ШІ, першим інженером з ШІ-агентами, а потім перетворив усю інженерну команду на AI Native-команду, яка програмує за допомогою ШІ.

Найбільш цікавим підтвердженням цього попереднього розуміння та дій стало два тижні тому, коли він випадково сказав під час розмови з «Лабораторією майбутньої людини», що «people manager зникає», і не пройшло й багато часу, як це підтвердили новини про скасування середнього ланки в Tencent та ByteDance.

Зміни відбуваються занадто швидко, і в Сіліконовій долині потрібно постійно жити зі змінами.

За дві тижні між двома інтерв’ю Май Пейюань зрозумів, що його попередня ідея про те, що Сіліконова долина прагне до найбільш дорогих та передових моделей, вже не тримається. Зараз у Сіліконовій долині поширеною практикою є поєднання та координація використання кількох недорогих моделей разом із найкращими моделями.

Я розмовляв з Ма Пейюанем майже 5 годин і зрозумів, що він майже постійно спростовує себе з вчора — так само, як і Сіліконова долина. «Я не можу сказати все, але, можливо, більше ніж 60%. Через місяць це може знову змінитися на протилежне».

Протягом останніх кількох років ШІ майже переписав усі за замовчуванням правила Сіліконової долини: хто має більше шансів виділитися, які організації є більш конкурентоспроможними та на що варто витрачати гроші.

Звичайно, ці так звані «правильні відповіді» швидко втрачають актуальність. У сфері ШІ один рік — це дуже довгий період, і багато висновків можуть бути спростовані за місяць.

Ось 10 спостережень щодо штучного інтелекту в Сіліконовій долині, які Май Пейюань вважає дуже актуальними:

Ма Пейюань

Опис професійного шляху Ма Пейюаня ідеально відповідає образу працівників, яких найбільше цінують AI-компанії Сіліконової долини. Він не має традиційної комп’ютерної освіти, не здобував золотих медалей на олімпіадах, не має авторитетного диплома від найкращого університету і навіть колись не цікавився комп’ютерами. Але за останні чотири роки він пройшов шлях від групи реклами Quora до інженера з AI в Cognition — його кар’єра відповідає кожному ключовому слову, яке сьогодні шукають AI-компанії Сіліконової долини. Його історія — це не лише особиста подорож, а й зразок змін у критеріях найму галузі.

Наблюдение 1: Універсали перемагають спеціалістів

Найбільш затребуваним профілем у Silicon Valley зараз є не експерт, який найглибше розібрався в одній галузі, а людина, яка «добре володіє всіма навичками і не має очевидних слабких місць» — у галузі це називають polyglot talent, або, простіше кажучи, «воїном шести граней».

У 2024 році всередині Poe було запущено проект «агент», чия суть тоді ще не була чітко визначена. Мене, новачка, вибрали у команду з дуже простих причин: «Я вже працював з ІІ та мав досвід у повноцінній розробці та iOS». У той час інші члени команди походили з традиційних галузей машинного навчання, пошуку, реклами та рекомендацій — вони не розуміли фронтенд-коду, а агент саме потребував людини, яка зможе писати фронтенд-інтерфейси. Після того як колишній фахівець з інженерії підказок для ІІ залишив компанію, ніхто інший у команді не міг заповнити цю прогалину. Так що, оскільки я швидко вчусь, я взяв на себе як інженерію підказок для цього агента, так і написання його фронтенд-коду.

Цей набір навичок «трохи все», пізніше став найціннішим активом у моєму пошуку роботи. Дайте мені будь-яку нову галузь — і я зможу освоїти її майже повністю за дві тижні. І саме цього шукали ранні стартапи.

Наблюдение 2: Навыки, врожденные для ИИ, можуть за короткий час перевершити досвід років

Здатність використовувати інструменти ШІ може прямо перевершити досвід, накопичений традиційним шляхом через роки.

Коли я перейшов із групи реклами Quora до групи iOS, моєю причиной було «вийти з зони комфорту», але тоді я не мав ніякого досвіду в iOS — був повним «0-річним новачком». Я не вибрав поступове навчання, а замість цього використовував GPT-4 як свого партнера. Навколо мене були дуже досвідчені iOS-інженери, які, можливо, не вірили в ШІ. Я не вмів писати iOS-код і не знав Swift, тому я безперервно просив ШІ допомогти мені писати код.

В результаті, я, новачок з чотирма місяцями досвіду, досяг швидкості виробництва, яка вирівнялася зі швидкістю та навіть перевищила швидкість досвідчених інженерів навколо мене, і за два роки досяг позиції старшого інженера. У традиційній системі просування це майже неможлива швидкість. Раніше у Facebook на це могло знадобитися щонайменше 4–6 років, щоб стати старшим інженером. Деякі люди в Google ніколи не підвищувалися до рівня старшого інженера.

У Cognition я зустрів інтерв’юера, якому було 19 років. Спочатку я відчував розчарування: 26-річний чоловік, якого «перепитує» 19-річний, і на багато питань я не міг відповісти. Пізніше я зрозумів, що це саме свідчить про те, що компанія дійсно здатна приваблювати таланти без урахування віку, і вік більше не є стандартом оцінки талантів у Сіліконовій долині.

Наблюдение 3: Критерії найму повністю переписані — компанії з ІІ не використовують однаковий шаблон для інтерв’ю

До того як я залишив Quora, я особисто проходив інтерв’ю майже з 20 компаніями, а з урахуванням телефонних розмов — з 30–40. У найбільш напружені тижні мене шукали більше 30 рекрутерів.

Пройшовши співбесіди з такою кількістю компаній, я зрозумів, що сьогодні AI-компанії не мають єдиного шаблону співбесіди.

Але є кілька очевидних змін: значення алгоритмічних задач у стилі LeetCode зменшується, а найкращі відповіді щодо проектування AI-систем щомісяця змінюються.

Структура співбесід також змінюється. Онлайн-тестування + work trial стали новою комбінацією. Work trial — це дуже короткий «випробувальний термін» на співбесіді. Деякі тривають 3 години, інші — 5 годин, найтриваліші — лише один-два дні. Одна з моїх співбесід полягала в тому, що мені надали кодовий репозиторій і попросили вирішити реальну задачу, використовуючи будь-які інструменти, включаючи ШІ. Після завершення потрібно було продемонструвати свій підхід і результати. Цей процес уже дуже близький до реальної роботи.

Цікавіше те, що перевірка використання ШІ сама по собі розділена на два режими. У деяких раундах обов’язково потрібно використовувати ШІ, щоб побачити, як ти «by code»; але є й раунди, де використання ШІ строго заборонено, наприклад, під час виправлення помилок — тут перевіряється, чи зможеш ти знайти помилки без допомоги ШІ, що суттєво тестує твій реальний рівень та смак у програмній інженерії.

Саме співбесіди також різноманітні. Наприклад, деякі компанії просили мене провести бізнес-аналіз і визначити, яку галузь їм варто придбати.

Також змінився поведінковий інтерв’ю (behavior round). Він більше не стосується традиційних питань, таких як «Ваша найбільша слабкість і сильна сторона» або «Як ви вирішуєте конфлікти з колегами», а замість цього розглядає довгострокову траєкторію вашого розвитку — від середньої школи до університету, від стажування до роботи, поступово прослідковуючи вашу «життєву траєкторію», щоб визначити, чи є ви людиною, здатною до експоненційного зростання.

Однією з несподіваних переваг відсутності стандартних відповідей є те, що ніхто не може отримати пропозицію, просто запам’ятавши питання. Даже мій реферал у Cognition прямо сказав мені: «Не готуйся, я думаю, що готуватися немає до чого».

У Сіліконовій долині найкращі люди ніколи не належали конкретній компанії — вони належали «найкращій компанії свого часу». Двадцять років тому це був Google, десять років тому — Uber і Robinhood, п’ять років тому — Coinbase, а зараз — компанії з ІШ. У Сіліконовій долині «вода на тарілці, а солдати — незмінні». Ці таланти, відібрані новими стандартами, залишаються завдяки відчуттю місії, а не «умовам». Такі організації, що збирають найкращих людей, піддаються величезним змінам під впливом ІШ.

Спостереження 4: надмірне бажання щодо «AI-native»

Наскільки силиконова долина прагне до AI-нітивних рішень, перевищує мої уявлення. Компанії, у яких я проходив інтерв’ю, були переважно на етапах серії A та B, а також деякі на початковому етапі. Дуже поширеним питанням було: якими AI-інструментами ви користуєтеся? Я зазвичай просто надсилав свої блоги, і вони майже завжди залишалися в шоці.

Вони сказали, що хочуть, щоб я не тільки розробляв додатки на основі ШІ, а й допомагав упроваджувати ШІ-трансформацію всередині компанії, щоб команда стала більш «ШІ-натуральною». Багато компаній вже розробляють ШІ-продукти, але працівники ще не створили власних ШІ-робочих процесів. Крім того, їм дуже потрібен людина, яка щодня довго користується Twitter і швидко ділиться новими цікавими відкриттями в галузі ШІ або порадами щодо підвищення ефективності.

Це для мене трохи протилежно до інтуїції. Мої колишні «хобі», наприклад, щоденне експериментування з новими інструментами, такими як Claude Code, та поділ інформації про використання ШІ в Slack (офісне програмне забезпечення), перетворилися на нову організаційну роль.

Раніше у Quora мені вдалося переконати весь інженерний команду використовувати Claude Code. Коли я зустрічав будь-якого інженера в офісі, я завжди питав: «Чи використовуєш ти AI для програмування?». Пам’ятаю, що один інженер, який працював у сфері кібербезпеки, спочатку опирался, вважаючи, що використання AI для написання коду надто ризиковане. Пізніше я запропонував йому змінити підхід: не писати код самому, а лише використовувати AI для читання коду, розуміння кодової бази та аналізу даних. Після цього він справді почав це використовувати.

Спостереження 5: «Краще використовувати ШІ» — це суть питання організаційної трансформації

Під час роботи з AI у Cognition я все більше усвідомлюю один факт: краще використання AI, можливо, вже не є чисто інженерною проблемою, а є питанням організаційної трансформації.

Наприклад, у традиційній інтернет-компанії зі звичайною організаційною структурою виправлення бага вимагає кількох етапів: оцінка вимог, планування робіт, розробка, тестування та виведення на продакшн. Насправді, використання ШІ для написання коду може зайняти лише два-три години, але повний процес часто триває місяць.

Раніше такий процес був логічним. Бо для виправлення одного багу інженеру могло знадобитися три-п’ять днів, і цінністю процесу була координація різних команд та розподіл ресурсів. Але ШІ скоротив цей час.

Зараз, використовуючи такі продукти AI-інженерів, як Devin від Cognition, ми можемо виконати роботу, яка раніше займала кілька днів, за два-три години. У Cognition ми навіть можемо за допомогою Devin знайти людину, відповідальну за цей баг, і залучити Devin до допомоги у виправленні — багато етапів координації та передачі можна повністю виключити, не залишаючи жодних надлишків. Насправді AI змушує всю організаційну структуру пройти трансформацію.

Спостереження 6: Менеджери людей зникають, менеджери повинні вміти писати код

Так званий people manager — це інженерний менеджер (engineering manager). У США протягом останніх років поширеною думкою була та, що як менеджер ви повинні добре виконувати свої обов’язки, зосереджуючись на координації команди, організації комунікацій, підтримці емоційного стану співробітників та наданні підтримки їхньому росту, не вимагаючи від вас високого рівня інженерних навичок.

Але, потрапивши до Cognition, я зрозумів, що вся організаційна структура дуже плоска. Наприклад, мій безпосередній керівник — це навіть CPO, один із засновників. Він не звертає уваги на ваше особисте зростання; його роль полягає визначенні загальних напрямків. Можна навіть сказати, що в інженерній команді Cognition з 60+ осіб справжній people manager лише один, а всі інші, включаючи CPO, є «тими, хто керує людьми та одночасно пише код». Це повністю відрізняється від мого досвіду в Quora, де менеджер міг керувати п’ятьма-шістьма інженерами.

Команда Cognition одягнулася в червоне, щоб відсвяткувати день народження колеги, який звик носити червоне.

Я вважаю, що це може бути зміна організаційної структури, пов’язана з ІІ. Я помітив, що будь-яка енергійна стартап-компанія в галузі ІІ діє саме так: майже немає менеджерів, які займаються лише керуванням людьми — якщо він керує людьми, то він також дуже добре розбирається в технологіях.

Це рішення відбулося не лише в Сіліконовій долині: між двома інтерв’ю, що відбулися з інтервалом у два тижні, китайські великі компанії Tencent та ByteDance по черзі оголосили про скасування середнього ланцюга менеджменту.

Зміни, які спостерігав Ма Пейюань, не обмежувалися лише організаційним рівнем. Більш загальний промисловий висновок: «У всередині AI-компаній Сіліконової долини, які витрати на токени вважаються обґрунтованими, а яка модель є доброю?» — також зруйновувалися з помітною швидкістю. На цей раз навіть його висновки, сказані під час першого інтерв’ю, не витримали двох тижнів.

Індустрія Штатів з мистецтвом сама по собі перетворюється щомісяця, а іноді й щодня, і жодне судження не залишається актуальним довго.

Спостереження 7: Token Maxxing розійшовся, великомасштабні компанії знову звернули увагу на ефективність

На початку цього року в Сіліконовій долині було модним «Token-Maxxing». Такі компанії, як Meta, навіть складали рейтинг використання токенів. Хто використовував їх найбільше, той вважався представником «AI-native». На мою думку, це спочатку дуже дурна ідея — кількість використання AI-токенів не можна прирівнювати до ефективності інженерів.

Мої друзі з Google та Meta розповідали, що тоді всі активно займалися «AI-великим стрибком». Компанії організовували спеціальні «AI Week», і всі мали призупинити свою роботу, щоб писати AI Skills та прикрашати свої навички до непізнання.

Спочатку майже всі компанії дотримувалися цієї ідеї: спочатку дозволити людям використовувати ШІ настільки широко, наскільки це можливо, щоб побачити, до якого рівня його можна застосувати.

Але з моменту, коли це стає публічним рейтингом, поведінка людей спотворюється. Інженери починають використовувати систему «для того, щоб використовували більше», і навіть виникають дивні ситуації, наприклад, коли ІШ щоденно о певній годині випадково запускається та виконує безглузді завдання, просто щоб збільшити кількість використань. Це насправді схоже на оцінку здібностей студентів за GPA — один показник легко спотворює дійсність.

Пізніше багато високопосадовців також почали усвідомлювати цю проблему. Більш конкретно, їх налякали рахунки. Наприклад, Uber витратила майже весь свій річний бюджет на штучний інтелект 2026 року за перші чотири місяці. Багато великих компаній почали знову обмежувати використання токенів. Члени ради та генеральні директори починають запитувати: чи варте це використання токенів? Чи дійсно воно підвищує ефективність настільки сильно? Чи принесли 100 мільйонів доларів справді прибуток у розмірі 100 мільйонів доларів?

Цю тривогу швидко перетворено на чітко визначену комерційну відповідь за допомогою Cognition. 4 червня Cognition анонсувала «Гарантію продуктивності ШІ»: якщо корпоративні клієнти, використовуючи Devin (продукт ШІ-програміста від Cognition), не досягнуть обіцяного підвищення ефективності, їм буде виплачено максимальну компенсацію у розмірі 10 мільйонів доларів США. Це дослідження провів мій колега, який здобув три золоті медалі на міжнародних олімпіадах з інформатики. Він проаналізував 233 реальні випадки клієнтів, випадковим чином вибравши діалоги клієнтів з Devin і запитуючи клієнтів: «Якби ви не використовували Devin, скільки часу б ви витратили на цю роботу вручну?». Потім ці дані використали для навчання прогнозної системи, яка перетворює кожен діалог з Devin у «еквівалентні інженерні години», а потім, використовуючи годинну ставку інженера, розраховує, скільки саме грошей було зекономлено.

Але багато компаній YC, ймовірно, продовжать модель «token maxxing», оскільки вони мають багато безкоштовних квот на токени з пільговими умовами, а також через невеликий розмір — можливо, лише три людини — і немає проблем з AI-управлінням: керівники можуть безпосередньо бачити, чи використовує кожен штатний співробітник AI для підлімання.

Наблюдение 8: Сама іконопоклонність моделей також піддається знищенню

За дві тижні між двома інтерв’ю в цьому матеріалі я зрозумів, що мої попередні аргументи вже не зовсім правильні.

Дві тижні тому я ще говорив про те, яка модель є найсучаснішою на даний момент. Зараз у Cognition випустили функцію, яка ще не має китайської назви, під кодовою назвою fusion mode — об’єднання та оптимальне використання кількох недорогих моделей разом із найкращими, замість сліпої використання найдорожчої. Ви ж не щодня їздите на Поршчі за продуктами, правда? Ви повинні їздити на Хонді або іншому дешевшому авто. Швидкість ітерацій моделей за ці два тижні перевищила мої очікування — навіть не смію категорично стверджувати, хто є «number one».

Я не можу сказати все, але, можливо, більше 60%, багато може знову змінитися на протилежне через місяць.

Так само відбувається будь-яка еволюція технологічної хвилі: руйнування старої угоди часто є початком нової парадигми.

Коли ринок відмовився від сліпої поклони одній моделі та витратам на обчислювальні потужності, виникла потреба у вирішенні питань: «як стабільно та керовано реалізувати ІІ» та «як подолати складні проблеми, з якими не справляються великі моделі». Май Пейюань, який поєднує інженерний та інвестиційний погляди, зауважив, що в Сіліконовій долині в непопулярних колах зароджуються нові бізнес-ідеї, які не залежать від «міфу про великі моделі» і зосереджені на вирішенні реальних складних проблем.

Спостереження 9: З’являється нова інфраструктура ШІ

Навколо «Token-Maxxing» вже з’явилися нові стартапи, які спеціалізуються на спостереженні та моніторингу використання штучного інтелекту командами, аналізуючи, де витрачаються токени марно.

Глибша проблема полягає в тому, що самі AI-агенти є хрупкими. Невелика зміна запиту може призвести до погіршення продуктивності агента. Тому з’являються нові AI-інфраструктури, наприклад, sandbox (пісочниця), які ізольовують роботу агента, щоб запобігти його прямому доступу до чутливих систем, таких як банківські рахунки або дані виробничого середовища.

Тим часом саме «спостереження» також стало складнішим. У традиційних системах достатньо отримати повідомлення про помилку, щоб її можна було моніторити, але агенти не «повідомляють про помилки». Вони можуть працювати нормально, але при цьому мати серйозні проблеми на рівні виводу, наприклад, у вигляді упереджень, дискримінації або явно негативного досвіду для користувачів. Це вимагає створення нових програмних рішень, які зможуть виявляти, коли агент «зламався».

Наблюдение 10: «Нечого, що не можна навчити», стає новим бізнесом

У інвестиційному середовищі все частіше поширюється думка: вертикальні AI-агенти втратили інвестиційну цінність. Але я не зовсім з цим погоджуюсь.

Інвестор з Кремнієвої долини Сара Гуо запропонувала концепцію — «the untrainable», тобто «неперевіряєме». Основна ідея полягає в тому, що в багатьох вертикальних галузях мовні моделі ніколи не зможуть повністю автоматизувати процеси. Це пов’язано з тим, що в вертикальних галузях існує велика кількість складних процесів, які не можна абстрагувати, і які часто вимагають людських зусиль для поступового вирішення кожного з них.

Наприклад, податкова звітність у США: у 50 штатів — 50 різних податків, які потрібно поступово налаштовувати; те саме стосується правової сфери — іміграційне право, цивільне право, комерційне право — кожне з них має складну власну систему, і AI-агент не може це зробити одразу.

Цінність компаній, що розробляють вертикальні AI-агенти, полягає у постійному взаємодії з клієнтами та інженерами передових розгортань (FDE), щоб виявляти більше реальних проблем. Ці проблеми вбудовуються у продукти компанії — саме це інші великі компанії не можуть навчити та що не може бути поглинуте універсальними моделями.

Тому я склонний вважати, що вертикальні агенти все ще мають інвестиційну цінність. Проте їхній потенційний дохід, ймовірно, не складатиме 1000-кратний прибуток, а буде більш стабільним і меншим — наприклад, 20-, 50- або навіть 100-кратний прибуток.