Интеллект подешевел, суждение подорожало: уроки YC Startup School 2026 для предпринимателя, который строит бизнес на AI

Программный лонгрид Skyfort Digital · октябрь 2026 · время чтения ~28 минут

Весной 2005 года в небольшом помещении в Кембридже, штат Массачусетс, собрались восемь компаний. Пол Грэм сам готовил для них ужины. Основатели регулярно приходили на эти ужины подавленными: продукт не собирался, деньги кончались, никто не покупал. Главной работой Грэма, вспоминает Сэм Альтман, было не столько давать советы, сколько возвращать людям уверенность и движение. На то, чтобы собрать первую версию продукта, у команды уходило три месяца. Так выглядел первый набор Y Combinator.

Двадцать один год спустя Альтман стоит на сцене той же организации и говорит, что сегодня агент делает ту же работу за минуты. Зал — несколько тысяч человек, которые собираются строить компании в эпоху AI. И у всех в голове один и тот же вопрос, который никто не хочет задавать вслух: если продукт собирается за минуты, зачем вообще нужен предприниматель?

YC Startup School 2026 — это, по сути, пятнадцать ответов на этот вопрос. Y Combinator, самый результативный стартап-акселератор в мире, собрал людей, которые сами стоят на разных концах этой волны: Альтман (OpenAI), Дженсен Хуанг (NVIDIA), Патрик Коллисон (Stripe), Джефф Дин (Google DeepMind), Александр Ванг (Meta Superintelligence Labs), Дмитрий Долгов (Waymo), Борис Черни (Claude Code), Гарри Тан (YC), основатели Legora, Boom Supersonic, Science, OpenClaw, Physical Intelligence, дизайнер первого Macintosh и директор по науке и технологиям Белого дома. Одиннадцать с половиной часов видео.

Я прочитал все пятнадцать транскриптов целиком — с вопросами из зала и оговорками, которые обычно выпадают из пересказов. Эта статья — выжимка для предпринимателя, который не собирается в Долину, а строит бизнес здесь: внедряет AI в собственные процессы, делает на нём продукты для клиентов, запускает новое направление или просто пытается понять, во что превращается его отрасль.

Главный тезис, который сходится у всех пятнадцати, хотя они спорят почти обо всём остальном, звучит так. Интеллект подешевел. Исполнение подешевело. Всё остальное — выбор задачи, постановка, проверка результата, доверие и ответственность — подорожало. Конкурентное преимущество сместилось из «умеем сделать» в «знаем, что делать, и можем доказать, что сделали правильно».

Дальше — девять глав о том, как этот сдвиг выглядит на практике: где искать задачу для AI-бизнеса, почему работающее демо — это один процент работы, что остаётся вашим активом, когда модель меняется, как ставить задачу машине, почему скорость — свойство организации, а не разработчика, и о чём спикеры спорят между собой. В конце — тест и план на тридцать дней.

1. Что подешевело и что подорожало

Начнём с цифры, которую Альтман называет между делом, но которая задаёт масштаб всему разговору. Продукт, на который у команды из первого набора YC уходило три месяца непрерывной работы, сегодня, по его словам, кодинг-агент собирает примерно за семь минут. Можно спорить о точности — это риторический образ, а не бенчмарк. Но направление спорить не с чем: стоимость исполнения упала на порядки, и продолжает падать.

Дальше Альтман делает ход, который переворачивает привычную логику. Он говорит: из этого можно сделать два вывода. Первый — грустный: «значит, стартапы больше не нужны, всё сделают агенты». Второй — правильный: если прежний объём усилий теперь стоит копейки, направьте его на задачу в сто раз сложнее. Те три месяца работы и много агентов — это уже не приложение для обмена геолокацией, а проект, за который раньше брались только государства и корпорации. Отсюда его прогноз о «золотом веке стартапов», которые возьмутся за проблемы, казавшиеся недостижимыми.

Альтман — заинтересованное лицо, и его оптимизм надо делить на поправку. Но ровно тот же сдвиг, только с другой стороны, описывает Джефф Дин — человек, который построил инфраструктуру Google и возглавляет DeepMind. Его наблюдение, пожалуй, самое неожиданное во всей школе: по мере того как модели становятся сильнее, важность точной формулировки того, чего вы хотите, выросла, а не упала. Когда исполнитель слабый, вы всё равно переделываете за ним, и неточность задания прощается. Когда исполнитель делает ровно то, что сказано, и делает это быстро, цена плохой постановки становится видна немедленно. Дин называет главным человеческим дефицитом не умение написать больше кода, а умение выбрать по-настоящему важную задачу.

Александр Ванг, построивший Scale AI и теперь отвечающий за сверхинтеллект в Meta, добавляет третий угол. По его оценке, узкое место уже не только в улучшении моделей — узкое место в том, чтобы распространить существующие возможности по экономике. Модели умеют гораздо больше, чем бизнес успел применить. Дефицит сместился к видению, амбиции и системному мышлению: кто превратит доступную способность в работающий цикл создания ценности. «Системное мышление никогда не выйдет из моды», — говорит он, и это звучит не как лозунг, а как описание вакансии.

И, наконец, Дженсен Хуанг, который смотрит на это из кресла человека, продающего вычисления всей планете. Его формулировка про агентов обескураживающе практична: самый большой прорыв, который нужен агентам на каждом уровне, — не автономность, а управляемость. Возможность человека вмешаться, поправить один участок работы и не разрушить остальное. Хуанг объясняет: предприниматель в эпоху агентов должен не цепляться за ручное исполнение операций, а понимать систему целиком — ограничения, точки контроля, где возникает ценность.

Сложите четыре позиции, и получится карта того, что произошло с рынком труда предпринимателя:

Для предпринимателя, который внедряет AI у себя, у этой таблицы есть неприятное следствие. Большинство внедрений, которые я вижу, сосредоточены на левой колонке: купили подписки, подключили агента к CRM, сгенерировали тысячу писем. Левая колонка — это то, что теперь умеют все. Правая колонка — то, за что по-прежнему платят. Вся остальная статья — о правой колонке.

Как думает предприниматель: «Мы внедрили AI, теперь менеджеры пишут письма в три раза быстрее. Почему выручка не выросла?» Потому что письма никогда не были узким местом. Узким местом было понимание, кому и что писать, — а это как раз та работа, которую машине не поручили.

2. Правило одного процента: где искать задачу для AI-бизнеса

Самый практичный совет всей школы дал Джефф Дин, и он звучит контринтуитивно. Если вы строите продукт на AI, ищите задачу, где универсальная модель справляется в ноль или один процент случаев — не в двадцать.

Логика такая. Если модель уже решает задачу в 20% случаев, значит, способность в ней есть — просто пока слабая. Следующее поколение моделей, обученное на большем объёме данных, с высокой вероятностью доведёт эти 20% до 80%. И тогда ваш продукт, который «улучшал» модель с 20 до 70, перестанет быть нужен. Вы построили бизнес на временной слабости чужой технологии, а слабость прошла.

Если же модель справляется в 1% случаев, это другая ситуация: способности нет, и улучшение общей модели её не создаст. Здесь нужен специальный ресурс. Дин называет два типа таких ресурсов. Первый — доступ к данным, которых у общей модели нет и не будет: внутренняя информация клиента, отраслевые архивы, записи процессов, которые никогда не попадали в интернет. Второй — по-настоящему трудная предметная задача, где с правильными обучающими данными специализированная модель обгоняет универсальную.

Патрик Коллисон подходит к тому же вопросу с другой стороны и разделяет два страха, которые основатели обычно смешивают. Первый: «А что, если OpenAI или Anthropic сделает наш продукт?» Этот страх, говорит Коллисон, он помнит ещё по эпохе Google: «а что, если Google сделает то же самое?» Как правило, не делает — даже очень богатая организация не может вести одновременно тысячу приоритетов. Второй страх гораздо серьёзнее, и о нём говорят реже: что, если потребность в вашем продукте исчезнет просто потому, что базовая модель стала лучше — без какого-либо специального выхода лаборатории на ваш рынок? Лаборатории не нужно вас побеждать. Достаточно, чтобы её следующая версия умела то, что умеете вы.

Поэтому Коллисон предлагает оценивать не чужую дорожную карту, а собственную уязвимость: какая доля вашей ценности испарится, если через год модели станут вдвое сильнее.

Но здесь есть ловушка, в которую легко попасть, если читать только Дина. Борис Черни, создатель Claude Code, смотрит на это с позиции человека, который каждые несколько месяцев получает новую модель и видит, что она умеет. Его опыт: у моделей постоянно обнаруживаются способности, для которых ещё не построено хорошего продукта. Новая модель, говорит он, иногда удивляет самих разработчиков — у неё есть навыки, которых никто специально не закладывал. Claude Code сам вырос из такой «ничьей» способности: модель уже умела работать с кодом в терминале, но никто не дал ей для этого правильную среду.

Получается два разных способа построить AI-бизнес, и оба работают:

1. Путь Дина — найти задачу, которую модель не решает, и собрать ресурс, которого у неё нет: данные, экспертизу, обучение под задачу. Долго, дорого, защищённо.
2. Путь Черни — найти способность, которая в модели уже есть, но которой никто не построил хорошую среду, и быстро превратить её в пользовательский процесс. Быстро, дёшево — но затем нужно построить защиту за пределами самой обвязки: дистрибуцию, встроенность в рабочий процесс, доверие, данные.

Что точно не работает — середина: продукт, который слегка улучшает то, что модель уже почти умеет, и не имеет ни уникальных данных, ни скорости захвата рынка.

История Legora показывает, как это выглядит в реальной отрасли. Макс Юнестранд с двумя сооснователями — ни один не юрист — пошёл в юридический бизнес, самую консервативную индустрию из возможных. Шведский венчурный фонд, который очень хотел войти в раунд, в итоге отказался именно потому, что в команде не было юристов. Два года назад управляющий партнёр крупнейшей юрфирмы Скандинавии публично назвал AI «скорее искусственным, чем интеллектуальным». Юнестранд формулирует природу этого рынка одной фразой: «В праве вам не платят, когда всё идёт правильно. Вас наказывают, когда что-то идёт не так». Это и есть задача на один процент: не «сгенерировать текст договора» — это любая модель умеет, — а довести результат до уровня, за который юрист готов нести ответственность перед клиентом. Команда переехала в офис той самой юрфирмы, работала рядом с юристами, наняла юристов внутрь, чтобы они строили сценарии для проверки качества. С момента публичного запуска в октябре 2024 года, по словам основателя, Legora выросла с 1 до 100 миллионов долларов годовой выручки и с трёх инженеров до 750 человек.

Для предпринимателя, который не строит стартап, а внедряет AI в существующий бизнес, правило одного процента читается так же, только зеркально. Не автоматизируйте то, что модель и так делает в 80% случаев, — это делают все ваши конкуренты, и преимущества здесь нет. Ищите участок, где у вас есть то, чего нет ни у кого: двадцать лет данных о клиентах, знание исключений, доступ к процессу, который никто не оцифровал. Там AI даёт не экономию на письмах, а преимущество, которое не копируется.

Как думает предприниматель: «У нас есть база из 40 тысяч закрытых сделок с причинами отказа за пятнадцать лет. Мы ни разу её не использовали, потому что никто не мог её прочитать». Вот это — задача на один процент. Генерация коммерческих предложений — нет.

3. Демо — это один процент работы

Дмитрий Долгов, сооснователь и со-CEO Waymo, начал выступление с видео. Он едет в беспилотнике с детьми. На перекрёстке два живых водителя резко подрезают машину — одна за другой. Автомобиль реагирует плавно и безопасно. Настолько плавно, что дети на заднем сиденье, занятые своими делами, вообще ничего не заметили.

Это и есть, по Долгову, критерий зрелого AI-продукта: лучший момент его работы выглядит как отсутствие события. Никто не заметил, никто не написал об этом в соцсетях. Просто ничего не случилось — в миллионный раз подряд.

Дальше он говорит фразу, которую стоит повесить над столом каждому, кто показывал инвестору или совету директоров красивое демо AI-агента: «Рабочее демо — это в лучшем случае один процент работы, которую предстоит сделать». Остальные девяносто девять — это «девятки» надёжности. Первые 90% качества, когда демо впервые заработало, — самый опасный момент в жизни проекта. Ощущение, что вы всё решили и дальше только масштабировать. Waymo прошла этот момент в 2010 году: машина проехала десять сложных маршрутов по сто миль каждый. До первого коммерческого сервиса без водителя оставалось ещё много лет.

Почему так долго? Потому что на масштабе редкое событие перестаёт быть редким. Когда вы проезжаете миллионы миль в неделю, ситуация, которая случается раз на миллион миль, становится ежедневной реальностью. И каждая следующая «девятка» надёжности требует не «ещё немного того же», а принципиально другого решения. Нельзя сказать «нам нужно шесть девяток» и просто дольше обучать модель.

Здесь Долгов делает важное разграничение, которое напрямую касается любого бизнеса, внедряющего агентов. Сколько девяток нужно вашему продукту? Демо — одна. Ассистент, который готовит черновик, а человек проверяет, — несколько. Полностью автономный агент, который действует в реальном мире без присмотра, — целая стопка. Главная ошибка внедрений — применять один режим автономии ко всем задачам. Для черновика письма и для перевода денег клиенту не должно быть одинаковых правил.

Отсюда практическое правило: два отдельных допуска. Первый подтверждает, что способность существует: агент умеет это делать. Второй — что в определённых условиях ему можно доверить работу без проверки. Между первым и вторым — те самые 99% работы. И чем выше цена ошибки, тем строже второй допуск. Для сортировки входящих писем достаточно первого. Для автоматической отправки коммерческого предложения клиенту нужен второй. Для подписания договора — второй с человеком в контуре навсегда.

Долгов идёт дальше и говорит вещь, которую большинство компаний, внедряющих AI, делают наоборот: постройте систему оценки раньше, чем технологию. Модель — это стандартное условие игры; архитектуры известны, новые идеи расходятся за недели. Стратегический ров — это ваши метрики и сценарии проверки. «Если вы не можете количественно определить, что значит "достаточно хорошо", вы на самом деле не строите продукт. Вы просто итерируете демо».

Челси Финн из Physical Intelligence показала, как это выглядит в робототехнике. Робот научился готовить латте — задача, где нужно не расплескать молоко и нажимать на кнопки точно. Впечатляет. Но команда прогнала этот навык не один раз, а 13 часов подряд. Вопрос был не «умеет ли», а «умеет ли достаточно надёжно, чтобы это было полезно в реальном мире». Финн также разделила две разные вещи, которые обычно смешивают: долгое повторение одной операции и выполнение длинного многошагового плана. Это разные задачи с разными требованиями к памяти и проверке.

Есть и третье измерение надёжности, о котором предприниматели часто вспоминают последними: допуск на рынок. Майкл Кратсиос, директор по науке и технологиям Белого дома, разделяет технологии на «рождённые свободными» и «рождённые в неволе». Для первых регуляции ещё нет, и задача государства — не создать её преждевременно. Для вторых — медицины, транспорта, финансов, авиации — правила уже существуют, и сама возможность коммерциализации определяется ими. Блейк Шолл из Boom Supersonic рассказал, что сверхзвуковые полёты над территорией США были запрещены со времён «Конкорда», и бизнес-кейс не существовал без изменения регулирования. Никто из производителей бизнес-джетов не хотел с этим связываться. Boom начала с того, что выстроила отношения с авиационным регулятором так, чтобы «Boom вместе с FAA была против проблемы, а не Boom против FAA».

Для российского или ближневосточного предпринимателя это читается прямо: если ваш AI-продукт касается персональных данных, финансов, медицины или юридически значимых действий, допуск регулятора и доверие клиента входят в продукт, а не добавляются потом.

И последнее. Долгов в самом начале переформулирует главную мантру Кремниевой долины. «Двигайся быстро и ломай» хорошо работает в мире битов, где пользователи сами находят ошибки, а цена каждой — перезагрузка страницы. В мире атомов — и в мире денег, договоров, репутации — ломать нельзя. Поэтому формула меняется: двигайся быстро и внедряй безопасно. Это намного труднее. Но именно это отличает продукт от демо.

Как думает предприниматель: «Агент на демо обработал десять заявок идеально. Запускаем на все». Десять заявок — это одна девятка. На тысяче заявок вы встретите все исключения, о которых не знал даже ваш лучший менеджер. Вопрос не в том, справится ли агент с типовыми случаями. Вопрос — кто заметит нетиповой и что произойдёт до того, как его заметят.

4. Большая амбиция, узкий первый шаг

В январе 2010 года у Stripe появился первый живой клиент — Росс Буше из компании 28 North. Продукт на тот момент умел ровно одну вещь: списать деньги с карты. Росс списывал деньги, а потом задавал разумные вопросы. «А как мне посмотреть все мои платежи?» — хорошо, братья Коллисоны кодят маленький дашборд. «Я хочу вернуть платёж» — ладно, делаем возвраты. Через пару недель: «А когда я, собственно, получу свои деньги?» — тоже разумный вопрос, строим выплаты.

Публичный запуск Stripe состоялся в сентябре 2011 года — почти через два года после первых строк кода. Если бы Коллисоны ходили на еженедельные встречи YC с таким графиком, их бы, по словам Патрика, каждую неделю спрашивали, почему они до сих пор не запустились. Но «ждать два года» — неверное описание того, что происходило. Производственные пользователи были у Stripe почти с самого начала, и каждый месяц их становилось больше. Компания откладывала широкое открытие, потому что уже регулярно получала сигналы из реальности, а не из собственного воображения. Деньги, банки, безопасность, партнёры — всё это требовало подготовки. Но продукт рос под живой поток запросов, а не под гипотезу о рынке.

Это ключ к вопросу, который YC вынес в название беседы с Коллисоном: ломает ли AI методологию lean startup? Ответ Коллисона осторожный и точный. Нет, не ломает — но сдвигает. Классическая схема «найди узкую нишу, купи рекламу, итеративно расширяйся» станет гораздо более конкурентной, потому что строить дёшево теперь могут все: тысячи команд будут одновременно «возделывать» одни и те же маленькие ниши. Поэтому имеет смысл начинать с более амбициозных и менее похожих на других стартовых позиций. Коллисон замечает, что многие самые успешные компании последнего десятилетия — AI-лаборатории, Anduril — вообще не укладываются в lean-схему. Но и это, оговаривается он, гипотеза, а не рецепт: возможность построить больше не доказывает, что покупателю нужно больше.

Блейк Шолл — живое доказательство того, что бывает, когда амбицию не уравновешивают узким шагом. Boom Supersonic: пятьдесят человек, строящих сверхзвуковой пассажирский самолёт — задача, которой раньше занимались только государства. Шолл начинал как инженер-программист с лицензией частного пилота; его знания о самолётах этим и ограничивались. На первой презентации он показал картонный макет, и над ним смеялись: кто называет авиационный стартап словом, которым обозначают звук взрыва?

И вот что говорит Шолл о собственном первом прототипе XB-1 — единственном сверхзвуковом самолёте, построенном вне государственной программы: это была ошибка. Не технологическая — организационная. «Мы взялись за чрезвычайно сложный прототип. Надо было планировать что-то проще и легче, что дало бы нам несколько попыток». Простой прототип позволяет обнаружить не только ошибки в инженерных решениях, но и ошибки в самих требованиях — а их не видно, пока не попробуешь. Быстрее доказательства, быстрее итерации, быстрее финансирование.

Шолл при этом категорически против того, чтобы амбицию уменьшать. На вопрос «почему именно сейчас?», который любят инвесторы, он отвечает: технологически Boom можно было создать на десять лет раньше, просто никто не начал. «Ответом на вопрос "почему сейчас" может быть "потому что я начал сейчас"».

Дженсен Хуанг даёт этой паре — большая идея, неверный первый шаг — самую известную иллюстрацию в истории технологий. NVIDIA, по его словам, начиналась с технологии, которая была «абсолютно неверной». Идея была правильной: универсальные процессоры полезны, но если дополнить их ускорителями, можно решать задачи, недоступные иначе. А конкретная реализация 3D-графики и алгоритм, под который основали компанию, оказались ошибкой. К 1995 году, когда это стало ясно, на рынке было уже 35–40 компаний, строивших 3D-графику для PC. Хуанг вернулся в компанию и сказал: «Это не работает. Что будем делать?» Выживание потребовало признать ошибку, быстро выучить новое и сохранить доверие людей, которые в них поверили. Долгосрочная идея пережила технологию, на которой её пытались реализовать первый раз. И не последний: Хуанг специально отделяет устойчивое видение от сменяемых решений — первое не меняется десятилетиями, вторые надо быть готовым выбросить.

Альтман рассказывает о том же применительно к OpenAI, и это, возможно, самое честное место в его выступлении. Видение было ясным: построить AGI. Первые шаги — абсолютно неясными. Компания начиналась как некоммерческая исследовательская лаборатория, и основателям, по его словам, просто не приходило в голову, что они когда-нибудь будут делать продукт, за который люди станут платить. Ни ChatGPT, ни API в плане не было. Но неопределённость первых шагов, подчёркивает Альтман, не оправдывает неподвижность: «в какой-то момент нужно просто получить новые данные».

Если собрать четыре истории в одну формулу, она будет такой: долгосрочный замысел формулируйте широко, первый эксперимент — узко. Эксперимент должен проверять центральное предположение бизнеса, а не набор второстепенных функций. У него должны быть дата решения, ожидаемое свидетельство и условие отказа. И — самое важное — «мы строим великое» никогда не должно становиться оправданием отсутствия пользователей.

Для предпринимателя, внедряющего AI в действующий бизнес, перевод прямой. Замысел может быть «перестроить всю компанию вокруг агентов». Первый шаг — один процесс с одним владельцем, с измеренным «до» и датой, когда вы решите, продолжать или нет. Не «внедрим AI во все отделы к концу квартала».

Как думает предприниматель: «Если мы сделаем маленький пилот, никто в компании не поверит, что это серьёзно». Наоборот. Один работающий участок, где сэкономлено измеримое время, убеждает организацию лучше, чем презентация стратегии на сорок слайдов. Stripe два года убеждал мир одним клиентом за раз.

5. Контекст — актив, а не подписка

Гарри Тан, президент Y Combinator, вынес в название своего выступления три слова: Own Your Intelligence — владейте своим интеллектом. Его аргумент начинается с неприятного наблюдения: когда вы пользуетесь корпоративным AI-ассистентом, ваш «помощник» получает лоботомию по чужому расписанию. Компания поменяла модель, пересобрала продукт, изменила условия — и всё, что ассистент «знал» о вас, обнулилось.

Дальше Тан проводит различие, которое, на мой взгляд, самое полезное во всей школе для владельца бизнеса: «Одно из этого — продукт, который вы потребляете. Другое — актив, который вы создаёте». Корпоративный AI становится лучше только когда компания что-то выпускает. Ваш собственный — каждый день, когда вы им пользуетесь, потому что каждый день он знает о вашем деле немного больше. Модель можно арендовать. Контекст, процедуры и историю решений нужно контролировать самому.

Чтобы было понятно, о каком масштабе речь: у Тана, по его словам, около 220 тысяч markdown-страниц — 25 лет жизни, оцифрованные агентами: каждое письмо, каждая встреча, заметки, черновики, «вещи, в которых я ошибся». Но важно не количество. Тан формулирует ключевой вопрос через образ библиотеки. Ваша жизнь — не три книги, а библиотека. Контекстное окно любой модели — это стол, на котором открыто три книги. Вопрос, который определяет, гений ваш агент или золотая рыбка, — кто или что решает, какие три книги открыты на столе. Библиотека плюс библиотекарь. Второе важнее первого.

Практическая единица результата у Тана — не «отсортированный поток информации», а обработанная работа. Ночью агент готовит разбор почты с историей отношений по каждому адресату. Перед встречей — хронологию, что изменилось, какие вопросы задать. Исследовательский запрос с вечера превращается в справку к утру. Разница принципиальная: сортировка перекладывает нагрузку на человека; подготовленный материал уменьшает число решений, которые приходится восстанавливать с нуля.

Второй его тезис касается того, что он называет skills — навыками. Это повторяемое суждение, превращённое в исполняемую процедуру. Как обработать запись встречи: расшифровать с указанием говорящих, извлечь обязательства и сроки, связать людей с базой знаний, отметить противоречия, не перезаписывая старые сведения автоматически. Хорошая инструкция, говорит Тан, должна быть понятна толковому стажёру. И здесь у него есть отрезвляющая оговорка: markdown не отменяет программирование. Интерпретация намерений, вкус, суждение — это к модели. Арифметика, SQL, распределение ресурсов — это к коду. Рассадить шесть человек можно рассуждением; расписание для шести тысяч участников требует базы данных и алгоритма.

И третий тезис, самый жёсткий. «Мозг, который никто не курирует, — это свалка с отличным поиском». Устаревшее утверждение возвращается с уверенностью свежего факта. Плохая инструкция воспроизводит ошибку бесконечно. Поэтому у каждого существенного знания должны быть источник, дата и статус; противоречия нельзя молча смешивать; ненужное нужно удалять. Ценность даёт не объём страниц, а качество того, что из них можно извлечь.

Тан иллюстрирует политическое измерение этой темы вымышленным примером. Инженер поддержки Майя за два года обучает своих агентов сорока навыкам: как разбирать критический инцидент в два часа ночи, как удержать клиента на грани ухода, как писать разбор инцидента, который действительно предотвращает следующий. Сорок файлов — это её суждение, два года работы на диске. В одном будущем эти файлы — её переносимый актив. В другом компания продолжает исполнять её суждения после увольнения, а она уходит ни с чем. Тан за первый вариант. Для владельца бизнеса этот пример, впрочем, звучит иначе, чем для сотрудника: чьи это навыки и на чьей инфраструктуре они живут — вопрос, который стоит решить до того, как он станет конфликтом.

Теперь — оборотная сторона, и её показал Питер Штайнбергер, создатель OpenClaw, одного из самых быстрорастущих open-source агентных проектов года. Его формула звучит как предупреждение: «Бизнес-модель ваших зависимостей — это ваша бизнес-модель». OpenClaw был оптимизирован под модель одного провайдера — она работала лучше всего. Когда провайдер предупредил примерно за 24 часа, что отключает подписочный доступ для всех, времени сменить курс не было. Поддержка открытых моделей в продукте формально существовала, но на практике они были ещё недостаточно хороши. Наличие альтернативы в настройках не означает работоспособного плана перехода.

Это ровно та уязвимость, против которой Тан предлагает владеть собственным контекстом — но история Штайнбергера показывает, что владение контекстом не защищает от зависимости от модели. Нужно и то, и другое. Альтман, кстати, с неожиданной стороны поддерживает эту логику: он прямо говорит, что никому из нас не стоит хотеть оказаться запертым в моральном мировоззрении одной AI-системы, одного человека или одной компании.

Что это значит для предпринимателя, который строит бизнес на AI:

• Контроль измеряется не тем, где стоит сервер. Он измеряется четырьмя вещами: можете ли вы экспортировать свои данные, сменить модель, продолжить работу при отключении провайдера и ограничить доступ. Собственный хостинг сам по себе не даёт безопасности; облако само по себе не исключает переносимости.
• Накапливайте не всё, а решения. Исходные свидетельства, актуальные ограничения, повторяемые методы, причины отказов. Переписка за десять лет без курирования — это не актив, а шум с хорошим поиском.
• Общий шаблон можно переиспользовать, клиентские данные — только в разрешённых границах. Это особенно важно, если вы делаете AI-продукты для клиентов: методы ваши, данные их.
• Проверьте смену критического поставщика на реальных сценариях — не в настройках, а на живых задачах. До того, как письмо с 24-часовым уведомлением придёт вам.

Как думает предприниматель: «Мы на платной подписке у лучшего провайдера, зачем что-то ещё?» Подписка — это аренда. Арендованный интеллект не становится вашим преимуществом, потому что он у всех одинаковый. Преимущество — в том, что вы в него загружаете и что оставляете себе, когда договор аренды заканчивается.

6. Как ставить задачу машине: урок Claude Code

Борис Черни руководит Claude Code — агентом для программирования от Anthropic, который за год стал, вероятно, самым используемым агентным продуктом в мире. Интервьюер спросил его про вещь, которая в старом мире выглядела бы как безумие: правда ли, что при каждом выходе новой модели команда удаляет системный промпт и начинает с нуля?

Ответ Черни: не всю кодовую базу, но очень многое — да. Процедура называется ablation, «абляция», термин из исследований. Вы удаляете весь системный промпт целиком и возвращаете его строка за строкой, измеряя вклад каждой. В последнем релизе так удалили более 80% инструкций. Не потому, что они были плохими. Потому что они компенсировали слабости прошлой модели, которых у новой уже нет. Инструкция, написанная год назад, чтобы модель не забывала проверить тесты, теперь просто занимает место — модель и так проверяет.

Логика, которая стоит за этим, переворачивает интуицию большинства людей, пишущих промпты и инструкции для агентов. Интуиция говорит: накапливай. Каждый раз, когда агент ошибся, добавь правило. Черни говорит обратное. Правило добавляется только когда вы видите, что модель снова и снова спотыкается об одно и то же. Не раньше. Потому что модель читает эту инструкцию при каждом запуске, и каждая лишняя строка — это шум, который размывает внимание на важном. Сначала запустите, посмотрите, где агент ошибается на ваших реальных задачах, и только потом добавляйте — по фактическим сбоям, а не по предположениям.

При этом Черни делает важное уточнение, которое спасает от неверного вывода. Инструкции и код обвязки — временные, их надо регулярно выбрасывать. А вот наборы проверочных сценариев — evals — накапливаются. Они переживают обвязку. Правда, тоже ненадолго: на нынешней скорости прогресса сценарий живёт одно-три поколения моделей, потом модель решает его в 100% случаев, и он перестаёт различать качество. Тогда нужны новые, более трудные.

Второй его тезис — про то, как формулировать задание. Самая распространённая ошибка, которую он видит: люди дают агенту избыточно конкретные инструкции. «Сделай это, но вот так, вот так и вот так. Сначала один, потом два, потом три». Для современных моделей это неправильный способ. Нужно подняться на уровень выше: описать задачу, описать ограничения, описать критерии завершения — и отпустить. Вернуться через какое-то время. Полгода назад это не работало, говорит Черни. Сегодня работает.

Чтобы было понятно, о каком масштабе задач речь: Черни рассказал о переносе крупной кодовой базы на другой язык программирования, который агенты вели 11 дней и переписали целиком. Интервьюер спросил: «И это за один запуск?» Черни честно поправился: «Это было за один запуск без… нет, это не было одним запуском, было направление. Было направление». Steering — человек периодически смотрел и корректировал курс. Без этого не получилось бы даже с лучшей моделью. Это самое важное слово в его выступлении, и оно совпадает с тем, что Хуанг называет управляемостью: длинный автономный запуск сам по себе — не прогресс. Прогресс — возможность человека дёшево поправить, не разрушив остальное.

Если соединить Черни, Дина (точность постановки стала важнее) и Долгова (определите «достаточно хорошо» заранее), получается то, что я бы назвал контрактом задания. Это не «сделай хорошо» и не пошаговая инструкция. Это десять пунктов, которые превращают делегирование машине в управляемый процесс:

1. Результат. Конкретный артефакт или изменение состояния: документ, запись в CRM, отправленное письмо. Не «разберись с заявками».
2. Источники. Какие данные можно использовать и что главнее при противоречии.
3. Контекст. Решения и ограничения, которые нужны для этой задачи, — без нерелевантного архива.
4. Полномочия. Что можно читать, что готовить, что менять самостоятельно, а что требует подтверждения.
5. Качество. Как проверяется результат: тесты, ссылки на доказательства, критерии приёмки.
6. Границы. Недопустимые действия, бюджет, предел времени и попыток.
7. Неопределённость. Когда уточнять, когда остановиться, как обозначить пробел.
8. Проверка. Кто или что независимо подтверждает результат до того, как он уйдёт наружу.
9. Отчёт. Что сделано, что проверено, что осталось и почему.
10. Память. Какое подтверждённое знание сохранить после завершения — и какое не сохранять.

Заметьте, что здесь нет ни одного пункта про то, как именно выполнять работу. Это ровно то, о чём говорит Черни: современным моделям не нужен порядок шагов, им нужны цель, границы и критерий завершения. Зато здесь есть всё, что люди обычно забывают: кто принимает результат, что запрещено и когда остановиться.

Если вы когда-нибудь ставили задачу сильному сотруднику, вы уже умеете это делать. Контракт задания агенту — это хорошее ТЗ для человека, из которого убрали вежливые обороты и добавили явные границы, потому что у агента, в отличие от сотрудника, нет здравого смысла, который остановит его перед необратимым действием.

Как думает предприниматель: «Я написал агенту подробную инструкцию на три страницы, а он всё равно делает не то». Скорее всего, две с половиной страницы — это как делать, а на оставшейся половине нет ни критерия завершения, ни списка того, чего делать нельзя. Переверните пропорцию.

7. Скорость — свойство организации, а не разработчика

Макс Ходак, глава Science — компании, которая строит нейроинтерфейсы и уже ведёт три клинических испытания, — начал выступление с цитаты Пикассо. Когда собираются критики, они говорят о форме, структуре и смысле. Когда собираются художники, они обсуждают, где купить дешёвый скипидар. И следующие полчаса Ходак говорил не о мозге и имплантах, а о скипидаре: закупках, найме, бюджетах и о том, где на самом деле умирает скорость глубокотехнологической компании.

Его пример — блок питания за 3 000 долларов. Инженер просит купить. Основатель, который следит за сжиганием денег, думает: дорого. Может, через три дня будет аукцион, купим за полцены, подождём две недели. И при этом компания тратит 100 тысяч долларов в неделю. Если вы ждёте неделю ради экономии в полторы тысячи, вы уже многократно потеряли любую возможную выгоду. Хуже того, замечает Ходак: это вообще неправильное место для контроля расходов. Инженеру нужно понимать бюджет, который у него есть, и принимать решения внутри него, а не ждать одобрения каждой покупки. А ещё выясняется, что заказ блока питания — две недели: его нельзя купить по карте, нужно открывать счёт у поставщика.

И дальше — про то, что он с иронией называет «эксперименты бесплатны». Компания закупает оптом реактивы, газы, материалы и раздаёт их по десяткам экспериментов. Никто не знает, сколько стоит один цикл: вырастить новую клеточную линию, изготовить новый зонд. Он не стоит долларов — он стоит «среды из холодильника». Следовательно, эксперименты бесплатны. Пока не нужно посчитать себестоимость продукта и не выясняется, что никто не знает, во что обходится неудачный цикл. Для бизнеса на AI это звучит очень знакомо: токены, повторные запуски, проверка человеком, поддержка — всё «из холодильника», пока не нужно посчитать стоимость одного принятого клиентом результата.

Отсюда главный тезис Ходака: скорость создаётся инфраструктурой. Не героизмом и не талантом отдельных людей, а системой, которая делает следующую итерацию дешёвой — от закупки до измерения результата. Быстрые итерации улучшают решения; хорошая инфраструктура ускоряет итерации.

Блейк Шолл показал, как это выглядит в авиации, где классический цикл проектирования — годы. Boom построила систему под названием Makeboom: самолёт описывается конфигурационным файлом, и скрипт за несколько минут прогоняет полную симуляцию — дальность, расход топлива, число пассажиров, компромиссы. «Нельзя достичь product-market fit для сверхзвукового самолёта, построив его и посмотрев, понравится ли он кому-нибудь». Зато можно понять всю вселенную теоретически возможных самолётов в цифре — и выбрать тот единственный, который стоит строить. Тот же подход компания применила к двигателям, которые теперь делает сама, с инструментом, позволяющим паре инженеров перебирать конструкции.

Сьюзан Кэр, которая нарисовала иконки первого Macintosh, рассказала об этом же с расстояния в сорок лет. Первый редактор иконок не умел ничего — ни отменить действие, ни нарисовать фигуру, только переключать пиксели. Но «можно было итерировать без ластика». Это было волшебство: следующая попытка стала бесплатной. Трудно переоценить, говорит Кэр, насколько это меняет качество результата.

Питер Штайнбергер добавил к этому измерение, которое редко звучит на бизнес-конференциях. Его формула «Удовольствие — это скорость» — не про комфорт. В недели, когда ему нравилось строить, продукт заметно улучшался. В недели, когда не нравилось, он «добавлял конфигурационные опции». На пике у OpenClaw было около девяти с половиной тысяч настроек: каждая новая функция выходила с опцией, чтобы не сломать чей-то сетап. Покрыть тестами все перестановки невозможно. «Бесконечно труднее развивать софт, у которого есть пользователи». Потеря интереса у создателя — это не личная проблема, а продуктовый сигнал: продукт обрастает сложностью, которую никто не хочет держать в голове.

У Штайнбергера есть и второе наблюдение, которое прямо относится к работе с агентами. Его спросили, какое решение, принятое ради скорости, он до сих пор не изменил. Ответ: он не читает весь код, который пишут агенты. Ревью — это управление риском, а не ритуал. Когда трогаешь страшную систему — читаешь внимательно. Когда агент собрал интерфейс и он выглядит правильно — принимаешь. Это ровно та дифференциация по цене ошибки, о которой говорил Долгов, только на уровне ежедневной практики.

И здесь важно вернуться к Ходаку, потому что у него есть оговорка, без которой всё сказанное превращается в набор рецептов. В стартапах, говорит он, нет общих правил. Каждая новая ситуация — уникальна, и решения должны иметь смысл для вас. «Вы не можете делегировать собственное суждение». Если вы списываете у соседа на экзамене, ваша оценка подтягивается к среднему по классу. Для стартапа средний результат — это смерть; отсюда и название его выступления. Копировать чужой процесс — будь то YC, Долина или эта статья — значит получить чужой средний результат.

Что это значит для компании, которая внедряет AI:

• Измеряйте полный путь — от вопроса до интерпретированного результата. Если агент готовит документ за минуту, но согласование занимает неделю, а решение владельца — месяц, ускорение генерации ничего не решило. Инвестируйте в главное ограничение, а не в самый впечатляющий участок.
• Посчитайте стоимость принятого результата. Модель + инструменты + повторы + проверка человеком + поддержка. Не стоимость запроса.
• Сделайте следующую попытку дешёвой. Это важнее, чем сделать первую попытку идеальной.
• Убирайте сложность, а не добавляйте опции. У каждой функции и инструкции должен быть конкретный смысл, владелец и наблюдаемая польза.

Как думает предприниматель: «Разработчики с AI пишут код в пять раз быстрее, а релизы выходят с той же частотой». Потому что код никогда не был узким местом. Им были согласования, тестирование, доступ к данным и решение, что вообще делать. Ускорили участок, который и так был быстрым.

8. Где спикеры спорят друг с другом — и чего в этих выступлениях нет

Самое ценное в пятнадцати выступлениях — не то, в чём они согласны. Это то, в чём они расходятся. Если бы школа была одним цельным учением, её можно было бы пересказать на странице. Но это пятнадцать людей с разным опытом, и в местах, где они противоречат друг другу, спрятаны настоящие решения, которые придётся принимать вам.

Дин против Черни: искать почти нерешаемую задачу или использовать уже существующую способность. Мы разобрали это в главе 2. Дин смотрит на риск, что общая модель поглотит ваше преимущество. Черни — на неиспользованный потенциал нынешних моделей. Оба правы, но для разных бизнесов. Решение зависит от того, что у вас есть: уникальный ресурс — идите путём Дина; скорость и понимание пользователя — путём Черни. Чего не стоит делать — механически отбрасывать хороший прикладной продукт, потому что «модель уже это умеет», или считать красивый интерфейс вечной защитой.

Тан против Черни: накапливать или удалять. Тан говорит: накапливайте навыки, контекст, историю решений — это ваш актив. Черни говорит: удаляйте инструкции, возвращайте только те, без которых модель спотыкается. Противоречие кажущееся, но важное. Накапливать стоит предметное знание, историю решений и продуктовые ограничения. Проверять, а не хранить бессрочно, — технические обходные инструкции, написанные под слабости конкретной модели. Богатая память не требует огромного постоянно подаваемого промпта: библиотека лежит на полке, на столе — три книги.

Альтман и Тан против Долгова: скорость запуска. Оптимизм Альтмана и Тана относится к расширению того, что можно сделать: больше экспериментов, больше попыток, выше амбиция. Долгов описывает хвост эксплуатации с тяжёлыми последствиями ошибок. Синтез: не существует одной правильной скорости. Быстро исследовать можно почти всегда. Быстро допускать к необратимым действиям — не всегда. Делите решения по цене ошибки, а не по модности технологии.

Уверенность против смены курса. Ванг советует 18-летнему себе: выработайте собственный внутренний компас того, как будет развиваться будущее, и твёрдо в него верьте. Шум, советы, путаница — всё это будет, и без компаса не выстоять. Но тот же Ванг рассказывает, что Scale AI начиналась с другой идеи — AI-агента, который помогает людям получить медицинскую помощь. Идея была правильной — такие агенты сегодня существуют. Время было неправильным. Через месяц-два партнёр YC отвёл команду в сторону и сказал: «Ребята, не уверен, что из этого что-то выйдет». «Это ровно то, что нам нужно было услышать». Альтман добавляет вторую половину: если вы не можете найти вообще никого, кто разделяет ваше убеждение, стоит обратить на это внимание. Но и всеобщее согласие — плохой знак. Хуанг признаёт, что исходная технология NVIDIA была неверной. Синтез: убеждение должно иметь основание и условия пересмотра. Отсутствие согласия не доказывает правоту; массовое одобрение не доказывает ложность.

Владение против зависимости. Тан и Хуанг — за собственные инструменты и открытые решения. Штайнбергер показывает, что даже при собственной инфраструктуре зависимость от модели может обрушить продукт за 24 часа. Контроль — это не «где стоит сервер», а четыре возможности: экспортировать, сменить, продолжить, ограничить.

Агент умеет отвечать — значит, можно не учиться? Этот спор, пожалуй, самый важный для тех, у кого есть дети, и для тех, кто строит команду. Коллисона спросили, должен ли подросток сегодня ещё учиться программировать, если агент напишет код. Его ответ — через аналогию с архитектурой компьютера. Достать что-то из кэша первого уровня, из оперативной памяти или по сети — совершенно разные скорости. С знанием так же: можно спросить агента, но «это чертовски медленнее, чем знать это в когнитивном L1-кэше». В голове можно сделать гораздо больше переходов между понятиями, чем через запросы к внешней системе. И если смотреть на реальное поведение компаний — включая сами AI-лаборатории, — премия за когнитивные способности никуда не делась; отказываться от них до появления доказательств, что они больше не нужны, преждевременно. Дин говорит о вкусе в выборе задач, Хуанг — о системном понимании. Синтез: делегировать рутину, но сохранять способность сформулировать проблему, распознать неверный результат и принять ответственность. Уровень компетенции человека должен соответствовать риску того, что он делегирует.

Скорость против истощения. Об этом — следующая глава.

Честная сторона: чего в этих выступлениях нет

Статья для умных людей обязана сказать, где заканчивается надёжность её источника.

Во-первых, это Долина, и это заинтересованные лица. Альтман продаёт интеллект. Хуанг продаёт вычисления. Тан руководит акселератором, которому нужны основатели. Их оптимизм — позиция участников рынка, а не нейтральное наблюдение. Коллисон, кстати, единственный, кто прямо высмеял популярный страх «кто не создаст AI-компанию сейчас, навсегда останется в низшем классе», сравнив его с ожиданиями начала авиации: человечество, говорит он, всегда любило модели «вот-вот всё изменится навсегда».

Во-вторых, цифры — заявления спикеров, не аудит. Выручка Legora, миллионы миль Waymo, 11 дней работы агентов у Черни, 220 тысяч страниц у Тана — всё это сказано со сцены и не проверено независимо. Транскрипты сделаны автоматически и могут искажать цифры и имена. Я переводил сам и сверял с оригиналом, но слово «примерно» стоит держать в голове у каждой цифры.

В-третьих, американский контекст не переносится напрямую. Кратсиос описывает политику США в отношении AI; это не правовая инструкция для России, ОАЭ или Турции. Легкость, с которой Legora получила 35 миллионов долларов до выручки, — тоже не ваш опыт. Данные о рынке труда, регуляторика, доступ к моделям — всё это у вас другое. Переносить стоит логику, не параметры.

И в-четвёртых, чего из этой школы точно не следует заключать: что сильная модель автоматически создаёт сильный бизнес; что умение писать код отменяет предметное знание, продажи и ответственность; что большой объём контекста гарантирует правильную память; что многодневная работа агента означает экономически выгодный результат; что успех известных основателей доказывает необходимость повторять их режим жизни.

Взвесим всё. Пятнадцать человек спорят о способах, скорости и границах. О направлении — о том, что интеллект дешевеет, а суждение, постановка и ответственность дорожают, — не спорит никто. Даже самый осторожный из них, Коллисон, говорит, что победителей будут «многие тысячи».

9. Что, если получится?

Коллисон рассказал, как началась Stripe. Братья съели суши, посмотрели фильм и сказали друг другу: «Ну, можно попробовать, вряд ли это так уж сложно». Они думали, что сделают это на стороне, пока учатся в колледже, за пару месяцев. Это было почти семнадцать лет назад.

Отсюда вопрос, который Коллисон советует задать себе до того, как привлекать серьёзные деньги, — и это самый недооценённый вопрос во всей школе. Все думают о том, что будет, если не получится: как снизить риск, что делать при провале. А что, если получится? У вас будут деньги, клиенты, сотрудники, целая конструкция. Вы захотите этим заниматься десять лет? Семнадцать? Тридцать? Ларри Эллисон в Oracle скоро разменяет полвека. Именно успех превращает случайно выбранную тему в значительную часть жизни — и выбирать стоит с этим в голове. Коллисон признаёт: в Stripe хватает скучной рутины вроде расчёта зарплат. Но целое для него оправдано тем, что он работает с самыми интересными компаниями мира — каждая из них, по его словам, воплощает собственную теорию о том, как устроен рынок. Речь не о том, чтобы избежать рутины. Речь о том, чтобы общая задача была достаточно интересной, чтобы рутину терпеть.

Питер Штайнбергер — зеркальный случай. Он уже построил и продал компанию, уже прошёл путь, который Долина считает образцовым, и в этот раз сознательно отказался его повторять. OpenClaw он строил открыто, в Discord, ночами, когда люди смотрели, как он пишет код, и пытались взломать его агента. Он честно описывает цену популярности: пресса, безопасность, девять с половиной тысяч настроек, превращение из создателя в человека, который «чинит баги, закрывает уязвимости и отвечает на поддержку». Его вывод — не «не делайте open source». Его вывод в том, что потеря удовольствия — это сигнал, а не слабость. В недели, когда ему было интересно, продукт становился лучше. Основатель, который перестал получать удовольствие от того, что строит, — это продуктовая проблема, а не вопрос силы воли.

Альтман, отвечая на вопрос о совете молодому себе, говорит нечто, что плохо сочетается с его деловой риторикой о золотом веке. Сохранить амбиции, но меньше мучиться. Его собственная энергия в молодости была высокой, но плохо направленной, и ему нужен был не лектор, а «лётный инструктор» — человек рядом, который показывает конкретную ошибку, пропущенный сигнал, следующий манёвр. Технологическая среда, в которой мы оказались, допускает ошибки: неудачный первый стартап — не приговор.

Хуанг завершает эту тему фразой, которую зал, судя по транскрипту, встретил тишиной. Его спросили о стойкости. Он ответил: нужно верить в свою способность учиться — это единственная настоящая сверхспособность — и заходить в любое дело с установкой «если это может кто-то, могу и я». Но при этом понимать, что будет тяжело. «Не нужно преодолевать всю жизнь за один день. Нужно справиться с этим утром. Пережить сегодня. Работать на завтра. Если держаться достаточно долго — случается NVIDIA».

Юнестранд из Legora добавляет к этому измерение, которое касается уже не стартапера, а любого руководителя растущей компании. «Мне нужно каждый квартал заново подтверждать соответствие должности CEO». Управлять продажами при миллионе выручки и при ста пятидесяти миллионах — разные работы. Компания, которая растёт с 200 до 1300 человек за год вместо четырёх, требует от основателя сжимать собственные циклы обучения и быть «жёстким в том, чтобы говорить "нет"». Самое важное в Legora, говорит он, происходило не при подписании крупного клиента и не при закрытии раунда, а в комнате без окон, в звонке по дороге в аэропорт, в Slack в два часа ночи перед понедельничной презентацией. «Никто не кладёт это в питч-дек, но именно это делает компанию».

Если свести это к одному принципу для предпринимателя, который строит бизнес на AI: устойчивость основателя — часть конструкции бизнеса, а не его побочный эффект. Чужие рассказы о бессонных ночах — не норма. Многолетняя миссия не должна зависеть от постоянного аварийного режима. И проверять стоит не только founder–market fit — подходит ли вам рынок, — но и то, что я бы назвал founder–success fit: подходит ли вам роль, которая возникнет при успехе.

Для тех, кто строит несколько направлений сразу — венчурную студию, портфель AI-продуктов, несколько бизнесов, — у этого принципа есть практическое продолжение. Заранее отличайте создание и запуск от масштабирования и операционного ведения. Это разные роли, и не обязательно обе должны быть вашими. Определите будущего операционного владельца каждого направления до того, как успех превратит его в обязанность, от которой вы не сможете отказаться.

Как думает предприниматель: «Если всё получится, я разберусь». Если всё получится, у вас будет меньше свободы выбирать, чем сейчас. Разбираться нужно до.

Узнаёте себя?

Финальный тест — как всегда, честный. Ответьте «да» или «нет»:

1. Ваш AI-проект автоматизирует то, что модель и так делает в 80% случаев, — и у вас нет данных или знания, которых нет у конкурентов?
2. Вы показали демо агента совету директоров или инвестору, но не можете назвать число, при котором результат считается «достаточно хорошим»?
3. Агент запущен на реальные задачи, а правил о том, какие действия он может совершать без проверки человеком, нет?
4. План внедрения AI звучит как «во все отделы к концу квартала», а не «один процесс, один владелец, одна дата решения»?
5. Если завтра ваш провайдер моделей отключит доступ, у вас нет проверенного на живых задачах плана перехода?
6. Инструкции для агентов только росли с момента запуска — никто ни разу не удалял из них ни строки?
7. Вы не знаете, сколько стоит один принятый клиентом результат — с учётом повторов, проверки и поддержки?
8. Вы не задавали себе вопрос, хотите ли заниматься этим бизнесом десять лет, если он получится?

Три и более «да» — вы находитесь там же, где большинство компаний, внедряющих AI в 2026 году: с работающим демо и без тех девяноста девяти процентов, которые отличают его от продукта.

С чего начать: тридцать дней

Это не план спикеров — это моя интерпретация того, как применить услышанное к одной реальной задаче. Не к пятнадцати. К одной.

Неделя 1 — выбрать задачу и измерить исходный уровень. Один процесс, один владелец, несколько реальных наблюдений. Пройдите правило одного процента: есть ли у вас здесь то, чего нет у общей модели? Зафиксируйте время выполнения, качество, стоимость ручной работы, типовые ошибки. Результат недели — карточка ставки и количественный критерий «достаточно хорошо», а не презентация.

Неделя 2 — ограниченный пилот. Напишите контракт задания по десяти пунктам из главы 6. Подготовьте проверочные сценарии: обычные, трудные, недопустимые. Встройте AI в участок, где ошибка обратима или результат проверяется до внешнего действия. Измеряйте весь цикл, включая ручные исправления. Результат — сравнимые наблюдения «до/после», а не отобранный лучший пример.

Неделя 3 — повторяемость и экономика. Прогоните новые задачи, которых агент не видел. Проверьте сбои, плохие входные данные, смену модели. Удалите из инструкций всё, без чего агент не спотыкается. Посчитайте стоимость одного принятого результата. Результат — понимание, работает ли это не только у автора и сколько стоит.

Неделя 4 — решение. Продолжить, изменить или остановить. Продолжать — если пользователь получает повторяемую ценность, остаётся внутри допустимого риска и готов пользоваться дальше. Изменить — если боль реальна, но способ не подходит. Остановить — если спроса нет или экономика держится на скрытой бесплатной работе основателя. Запишите, какое предположение пилот опроверг. Это и есть скорость обучения — единственная метрика, которую все пятнадцать спикеров назвали бы главной.

И одно правило на все четыре недели, которое Ходак сформулировал точнее всех: вы не можете делегировать собственное суждение. Ни агенту, ни консультанту, ни этой статье.

Мы в Skyfort Digital строим AI-системы для предпринимателей и помогаем владельцам бизнеса осваивать работу с агентами на реальных задачах — не на демо. Эта статья — часть той же работы: мы убеждены, что культура обращения с новой технологией важнее любого отдельного инструмента, и что в 2026 году она становится таким же активом компании, как её клиентская база.

Двадцать один год назад восемь компаний собирались на ужин у Пола Грэма и уходили с верой, что изменят мир. Сегодня продукт, который они строили три месяца, собирается за минуты. Это не значит, что предприниматель стал не нужен. Это значит, что работа предпринимателя наконец-то сводится к тому, за что ему на самом деле платили всегда: выбрать правильную задачу, точно её поставить и отвечать за результат.

Выберите одну. На этой неделе.

Дисклеймер. Материал носит образовательный характер. Все цифры, истории и прогнозы — заявления спикеров YC Startup School 2026, приведённые по автоматическим транскриптам выступлений, переведённые автором и не прошедшие независимой проверки: выручка и численность компаний, пробег автономных автомобилей, длительность работы агентов и объёмы данных являются самоотчётами. Упомянутые компании и продукты приведены как иллюстрации, а не как рекомендации. Описание политики США в отношении AI не является правовой консультацией для других юрисдикций. Рекомендации, тест и 30-дневный план — интерпретация автора, а не прямые указания спикеров.

Пятнадцать выступлений YC Startup School 2026

Полный плейлист — 15 видео, 11 часов 34 минуты — на канале Y Combinator.