Андрей Карпатый, бывший директор по ИИ в Tesla и сооснователь OpenAI, в интервью Sequoia Capital описал новый этап в разработке — переход от ручного написания кода к управлению AI-агентами. Ниже — основные тезисы и их значение для практики.
От Software 1.0 к Software 3.0
Карпатый выделяет три этапа развития программирования:
- Software 1.0 — классическое программирование: человек пишет явный код, компьютер исполняет инструкции.
- Software 2.0 — часть логики заменяется данными и обученными моделями; вместо жёстких правил работают нейросети.
- Software 3.0 — исчезают и код, и обучающие датасеты как главный артефакт. Остаётся промпт на естественном языке, который LLM интерпретирует и реализует.
Пример: раньше установка инструмента требовала bash-скриптов, которые ломались на разных окружениях. Теперь достаточно скопировать текстовую инструкцию в Claude Code — агент сам адаптируется к конкретной ОС и версиям.
Декабрь 2025: порог надёжности агентов
Карпатый отмечает конец 2025 года как момент, когда агентные инструменты (Claude Code, Codex, Cursor) перестали регулярно ошибаться. Разработчики перестали помнить, когда последний раз исправляли код агентов вручную. Это не идеальность, но переход порога надёжности для повседневных задач.
Vibe Coding против Agentic Engineering
Карпатый разделяет два тренда, которые часто путают:
Vibe coding поднимает «пол» — минимальный уровень навыков для создания работающего софта. Любой человек может за вечер собрать лендинг, CRM-бота или email-автоматизацию, не зная ни одного языка программирования. Это демократизация.
Agentic engineering сохраняет «потолок» — профессиональный софт по-прежнему требует архитектуры, безопасности, масштабируемости. Но теперь инженер координирует работу AI-агентов вместо написания каждой строки кода. Ускорение достигает не 2–5 раз, а трансформации «неделя → час».
«Рваный интеллект» и границы AI
Карпатый вводит термин «jagged intelligence» — рваный интеллект. Модель может безупречно отрефакторить 100 000 строк кода, но при этом дать абсурдный бытовой совет. Причина — асимметрия обучения: лаборатории фокусируются на задачах с верифицируемыми результатами (код, математика), где можно автоматически проверить правильность ответа.
Практический вывод: модели особенно сильны там, где результат можно формализованно проверить через тесты, метрики и ограничения.
Что обесценивается, а что дорожает
Теряют ценность:
- Знание синтаксиса конкретных языков и API
- Запоминание отличий между библиотеками (например, dim в PyTorch vs axis в NumPy)
- Карьера, построенная на изучении конкретных фреймворков как самоцели
Становятся критически важными:
- Архитектурное мышление и понимание компромиссов
- Инженерный вкус — выбор паттернов, границ сервисов, критичных связей
- Умение формализовать критерии «хорошо» — переводить расплывчатые требования в проверяемые метрики
Карпатый формулирует это так: «You can outsource your thinking, but you can’t outsource your understanding» — можно делегировать обработку информации, но нельзя делегировать понимание.
Найм в новом мире
Карпатый предлагает альтернативу стандартным собеседованиям. Вместо алгоритмических задачек на доске — реальный проект: кандидат собирает Twitter-клон, развёртывает его, а затем на систему «натравливают» 10 агентов Codex. Если агенты не сломали систему — кандидат прошёл.
Фокус смещается с «умения написать BFS» на способность строить устойчивые системы.
Мир для агентов
Всё, что мы используем сегодня — документация, UI, API — всё ещё написано для людей. Карпатый считает, что придётся переписывать под агентов. Идеал: один промпт «сделай мне X» — и через минуту X существует, развёрнут и работает.
Практические выводы
Три ключевых момента:
Перестать бороться с трендом. Ценность смещается от «умею написать код» к «умею поставить задачу и проверить результат».
Верификация решает. Если можно формализовать проверку результата — агент справится. Если нет — придётся разбираться самому.
Понимание не масштабируется. Агент обрабатывает информацию быстрее человека, но понимание, зачем система устроена именно так, остаётся за инженером. Это главное конкурентное преимущество.
Программирование не исчезает — оно трансформируется. Вопрос не в том, нужны ли навыки программирования, а в том, какие именно навыки становятся ценными в эпоху AI-агентов.
