Відповідай на запитання: AI дозволяє тобі підвищити ефективність у п’ять разів — ти зменшуєш витрати на 80% чи робиш у п’ять разів більше роботи?

Коли AI збільшує продуктивність команди у п’ять разів, ви можете скоротити вісім десятих робочих рук, зберігши початковий обсяг виробництва; або ж зберегти чисельність персоналу й зробити в п’ять разів більше справ. Цей вибір відбувається одночасно в переговорних кімнатах глобальних компаній, і в нього немає стандартної відповіді.

У липні 2025 року, під час інтерв’ю на CNN, Джен Хуансун (Huang Renxun) відповів на запитання, чи спричинить AI безробіття серед офісних працівників, дуже прямо: якщо у світі не з’являтимуться нові творчі ідеї, то зрештою зростання продуктивності, яке дає AI, перетвориться лише на безробіття. Проблема не в AI, а в тому, чи мають ті, хто ухвалює рішення, уяву. Якщо у світі не з’являтимуться нові творчі ідеї, то зрештою зростання продуктивності, яке дає AI, перетвориться лише на безробіття.

Історія давним-давно довела, що підвищення ефективності ніколи не зменшує потребу. Джевонсів парадокс, сформульований у XIX столітті, каже: коли технології підвищують ефективність і знижують витрати, попит не лише не падає — навпаки, зростає. Це правило щоразу повторюється в кожній технічній революції.

Джевонсів парадокс: підвищення ефективності не змушує попит зникати — навпаки, збільшує його

На інтуїтивному рівні підвищення ефективності має зменшити попит, як-от коли Google запустила алгоритм TurboQuant, який стискає використання пам’яті великих мовних моделей щонайменше у 6 разів і водночас, не жертвуючи точністю моделей, збільшує швидкість обчислень для виведення (inference) аж до 8 разів. Ринок швидко витлумачив цю технологію як «деструкцію з боку попиту», але історія ніколи не працює так.

(Нова технологія Google налякала ринок, потреба в AI-пам’яті зменшилась у 6 разів! SK Hynix, Micron синхронно знижують ціни)

У подкасті a16z BOX співзасновник Aaron Levie зазначив, що головна помилка на ринку — намагатися розуміти AI старим способом: «Зараз найбільша проблема в тому, що всі намагаються прорахувати економічну модель, але вони принаймні на один порядок недооцінюють масштаби можливостей».

Ця помилка насправді траплялася вже багато разів. У епоху ПК люди думали, що обчислювальна потужність — це обмежений ринок; у епоху хмар — що треба просто перенести на чужі дата-центри вже наявні сервери. Але насправді сталося інше: ніхто не подумав, що ресурси будуть використовуватися в тисячу разів більше.

Це й сучасна версія Джевонсів парадоксу: коли витрати знижуються, попит не зменшується, а вибухає.

Приклад з Excel: низькорівневе виконання стискають, високорівневе ухвалення рішень розширюють

Так само і з AI. Коли моделі стають дешевшими й швидшими, ринок у першу ж мить думає, що попит скорочується, але насправді відбувається вибух числа сценаріїв використання. І цей вибух безпосередньо змінює спосіб роботи людей.

Технологічні революції ніколи не замінюють людину напряму, а переміщують людину на більш високий рівень абстракції. Він пояснив цей процес на прикладі таблиць для розрахунків (таблиць Excel): менеджерка з MBA, яка щойно почала працювати в банку, спочатку не користуватиметься таблицями, тож їй потрібна ціла група стажерів, щоб працювати з ними. Але через кілька років і вона, і всі її колеги стають тими, хто здатен працювати з таблицями — і той самий шар робіт напряму зникає, а весь рівень абстракції піднімається вище.

AI копіює цей процес. Низькорівневе виконання стискається, а високорівневі рішення та системна інтеграція — розширюються.

Якщо не буде творчих ідей, продуктивність, яку приносить AI, перетвориться лише на безробіття

Ці зміни вже не є теорією: він наводить приклад. Маркетолог в Anthropic використав інструменти AI, щоб виконати роботу, яка раніше вимагала команди з п’яти-десяти людей. Навіть можна сказати, що одну людину — він автоматизував роботу, яку раніше виконували п’ять-десять людей, за допомогою Claude Code.

Але ключ у цій історії — у здібностях. Levie зазначив: «Тобі потрібно бути мислителем системного рівня, і тоді ти зможеш це зробити». AI не робить кожного сильнішим, натомість дає величезний важіль тим, хто вміє розкладати систему на частини. Робота сама по собі не зникла — її просто переосмислили.

Це також перегукується з відповіддю, яку минулого року дав Хуанґ Реньсюнь, коли його запитали, чи спричинить AI безробіття серед офісних працівників. Усі кажуть, що AI спричинить хвилю звільнень, але інструменти лише подвоюють продуктивність; проблема в тому, хто не може перетворити це на збільшення обсягу виробництва.

Якщо у світі не з’являтимуться нові творчі ідеї, зрештою зростання продуктивності, яке дає AI, перетвориться лише на безробіття. Проблема не в AI, а в тому, чи мають ті, хто ухвалює рішення, уяву.

Aaron Levie: у майбутньому кількість agent однієї компанії може бути в тисячі разів більшою за кількість працівників

Коли така модель поширюється на рівень підприємств, змінюється й організаційна форма.

У подкасті Levie висунув ключове пророцтво: у майбутньому кількість agent однієї компанії може бути у 100–1000 разів більшою за кількість працівників. А якщо ваші agent у сто–тисячу разів більше, то ваше програмне забезпечення має бути побудоване для agent.

Це означає, що джерело конкурентоспроможності компаній зміщується: результати вашої компанії залежатимуть від того, наскільки ефективно ваші agent зможуть здобувати інформацію та виконувати завдання». Тому проблема індустрії ПЗ також отримує нове визначення. Чи відкритий API, як управляти правами та ідентифікацією, як дані викликатимуться — усе це стає ключовими компетенціями. У цій архітектурі працівники вже не є єдиною одиницею виробництва; agent стають головними виконавцями, а люди переходять до дизайну та координації.

З погляду Levie, Paperclip, про який раніше повідомляли, може бути дуже далекоглядним сценарієм робочих процесів для AI.

Якщо OpenClaw — це працівник-AI, то Paperclip — це система керування всієї компанії. Користувач може задати цілі компанії, побудувати організаційну структуру, залучити AI agents різних типів (як-от OpenClaw, Cursor, Codex) і змусити їх працювати разом так, як працюють команди в компанії, із розподілом обов’язків. Роль людей у цій системі більше схожа на роль ради директорів: достатньо задати стратегію, затвердити важливі рішення та контролювати бюджет, а решту роботи виконують agents автоматично.

(Що таке компанія з однією людиною? Як Paperclip — дуже популярний open-source проєкт AI — допоможе вам створити «компанію без нульової кількості людей»)

Ти не зможеш vibe coding-ом зібрати SAP

Але цей зсув не станеться за одну ніч. Levie також чітко попередив: «Поширення можливостей AI буде повільнішим, ніж уявляє Кремнієва долина». Причина в тому, що компанії не починають із нуля: велика кількість знань розпорошена в процесах, системах і організаціях, а не просто лежить на рівні даних. Він ще пряміше каже: ти не зможеш зробити SAP, покладаючись на vibe coding.

Більш реалістична проблема в тому, що більшість людей навіть не можуть чітко описати власний робочий процес, не кажучи вже про те, щоб перетворити його на систему, яку зможуть виконувати agent. Саме тому й зараз, щоб побудувати повноцінну agent-систему, все ще потрібні високі технічні навички. Але цей поріг швидко знижується,.

Повернімося до початкового питання. Історично, під час кожної технічної революції, одні компанії обирають скорочувати витрати, а інші — розширювати можливості. Перші оптимізують ефективність, другі створюють ринок. У підсумку те, що визначає епоху, найчастіше обирають саме другі.

AI тут також схожий. Проблема ніколи не в тому, чи він замінить людей, а в тому, чи ти використаєш його, щоб робити більше.

Ця стаття відповідає на запитання: AI підвищує вашу ефективність у п’ять разів — ви маєте скоротити 80% витрат чи зробити в п’ять разів більше справ? Вперше з’явилася на Lianxin ABMedia.