Семь важных выводов основателя Claude Code на конференции Sequoia

Подготовила: Айнь

Выступление Бориса Черны, основателя Claude Code, на конференции Sequoia было чрезвычайно насыщенным по содержанию; многие его идеи я услышал впервые в полном объёме. Этот человек действительно глубоко понимает ИИ.

Ниже — моё резюме этого выступления.

01 Код больше не дефицитен

Для большинства типовых сценариев разработки ручное написание кода уже становится малоэффективным занятием.

Раньше, чтобы реализовать новую функцию, инженер садился за стол, продумывал её реализацию и затем последовательно набирал каждую строку кода. В этом процессе главной ценностью инженера была его способность писать код: умеет ли он это делать, насколько качественно и насколько быстро.

Сейчас способ работы изменился.

Та же самая функция теперь реализуется так: инженер сначала чётко формулирует требование, затем разбивает задачу на части и передаёт их агентам, задаёт критерии приёмки, а после проверяет результаты их работы. Если результат некорректен — корректирует промпты и запускает агентов повторно.

ИИ уже способен решать подавляющее большинство задач программирования. Конечно, не все — для огромных и сложных кодовых баз, экзотических языков или специфических сред современные модели пока ещё недостаточно эффективны.

В целом ценность инженера сместилась: от умения писать код — к умению декомпозировать задачи, чётко формулировать цели, проверять результаты и управлять агентами.

Это изменение очень напоминает промышленную революцию.

До промышленной революции кузнец самостоятельно выполнял весь цикл: от ковки металла до шлифовки и сборки. Соответственно, мастер-кузнец с высоким уровнем навыков был высоко ценён.

Затем появилась конвейерная линия: каждый рабочий выполнял лишь одну операцию, однако общий выпуск продукции возрос в десятки и даже сотни раз по сравнению с ремесленным производством.

В этот период наиболее ценными в фабрике становились уже не мастера, выполняющие отдельные операции лучше всех, а специалисты, способные проектировать, настраивать и эффективно управлять конвейером.

Рабочие не исчезли, но их роль изменилась.

Сейчас программная инженерия переживает аналогичный поворотный момент. Сам по себе код перестаёт быть дефицитным ресурсом. Умение писать код всё больше превращается в базовый навык, подобный владению PowerPoint.

По-настоящему дефицитными становятся способности: разбивать расплывчатые требования на конкретные задачи, выбирать оптимальное решение из нескольких вариантов, предложенных агентами, и координировать работу нескольких ИИ-агентов для решения единой задачи.

Многие опытные инженеры изначально не готовы принять это. Сам акт написания кода руками на протяжении десятилетий был одной из главных причин, по которым люди любили эту профессию.

Передача этой функции машине — для многих означает не просто смену методов работы, а переосмысление собственной профессиональной идентичности.

Однако тенденция остаётся тенденцией.

02 Как печатный станок Гутенберга

Программирование постепенно превращается из профессионального навыка в базовую компетенцию. Это можно сравнить с изобретением печатного станка в Европе XV века.

До появления книгопечатания лишь около 10 % населения Европы умели читать и писать. Эти грамотные люди обычно работали при дворах неграмотных аристократов, выполняя за них чтение и письмо.

Затем появился печатный станок. За 50 лет количество изданных в Европе книг превысило совокупный тираж за предшествующее тысячелетие, а цена книг снизилась примерно в 100 раз. Только спустя несколько столетий, когда образовательная система и экономическая структура постепенно адаптировались, мировой уровень грамотности достиг сегодняшних 70 %.

Борис считает, что влияние ИИ на программное обеспечение — это ускоренная версия революции, вызванной печатным станком. Программное обеспечение будет полностью демократизировано в течение нескольких десятилетий и станет доступным для любого человека.

В конечном счёте создание программного обеспечения станет таким же естественным действием, как отправка SMS.

03 Какие навыки действительно важны?

Когда ИИ снижает порог входа в программирование до минимума, ключевым фактором, отличающим одного специалиста от другого, становится его «чувство продукта» и глубокое понимание конкретной предметной области.

Возьмём пример. Двое людей одновременно разрабатывают продукт для врачей: один — быстрый инженер-программист, другой — специалист, проработавший несколько лет в отделе информационных систем больницы.

Раньше шансы инженера реализовать проект были выше, поскольку он мог воплотить идею в работающий продукт.

Сейчас ситуация обратная. Любой может воплотить идею в продукт. Поэтому гораздо ценнее тот, кто действительно понимает повседневные рабочие процессы в больнице: он знает, какие функции реально будут использоваться врачами, а какие лишь звучат правдоподобно.

Таким образом, когда ИИ устраняет барьеры выполнения, различия в способности принимать решения становятся особенно заметными.

Это напрямую меняет значение термина «универсал» (generalist).

Раньше под универсалом подразумевали инженера, способного писать код под iOS, Web и серверную часть. Такой универсал по сути оставался «полным стеком» внутри инженерной дисциплины.

Будущий универсал — это междисциплинарный «полный стек».

Кто-то одновременно владеет продуктами, дизайном и инженерией. Кто-то сочетает знания в области продуктов, науки о данных и инженерии. Раньше такие комбинации были практически невозможны, поскольку каждая из этих областей требовала длительной специализированной подготовки.

Сейчас ИИ значительно снижает порог входа в каждую из них, позволяя одному человеку успешно работать сразу в нескольких областях без потери профессиональной глубины.

Команда Claude Code работает именно так: менеджеры по инженерии, продукт-менеджеры, дизайнеры, специалисты по данным, финансисты и исследователи пользователей — все пишут код.

Дизайнер может самостоятельно запустить интерактивный прототип и продемонстрировать его команде, вместо того чтобы ограничиваться созданием статичных макетов и ожидания их реализации инженерами.

Финансист может самостоятельно создать аналитический инструмент и запустить сложную финансовую модель компании, не стоя в очереди на BI-отдел. Коллеги из отдела исследований пользователей начинают сами обрабатывать данные, беря на себя те задачи, которые ранее требовали взаимодействия с командой аналитиков.

Глубина профессиональных знаний каждого остаётся прежней. Но при помощи ИИ написание кода становится общим языком для всех.

04 Защитные рвы SaaS-решений рушатся

На протяжении последних десятилетий в индустрии SaaS существовало несколько утверждений, воспринимаемых почти как аксиомы.

Первая — это стоимость смены системы. Как только компания начинает использовать вашу систему, в ней постепенно накапливаются данные, конфигурации, поля и права доступа за годы или даже десятилетия.

Перенос всего этого в другую систему — даже простое копирование и адаптация — настолько трудоёмок, что клиенты предпочитают не менять ничего.

Вторая — блокировка рабочих процессов. Повседневные действия сотрудников, межотраслевое взаимодействие и узлы согласования полностью выстроены вокруг вашей SaaS-платформы.

Смена системы — это не просто перенос данных, а полная переобучение всей компании, которая за годы выработала «мышечную память».

Объединённые вместе, эти два фактора формировали самый глубокий защитный ров в индустрии SaaS. Однако с появлением достаточно мощных моделей логика начинает меняться.

Рассмотрим сначала стоимость смены системы. Раньше перенос из одной SaaS-системы в другую — даже простое сопоставление полей и воспроизведение структур данных — занимал у инженерной команды месяцы сверхурочной работы.

Сейчас достаточно предоставить модели интерфейсы и структуры данных обеих систем, чтобы она самостоятельно установила соответствия и постепенно приблизилась к оптимальному решению. То, что раньше требовало месяцев, теперь может быть реализовано за несколько дней.

Что касается блокировки рабочих процессов — здесь картина ещё интереснее. Раньше рабочие процессы «удерживали» клиента благодаря своей сложности, скрытости и зависимости от человеческого фактора.

Неформальные договорённости между сотрудниками — кто кого должен согласовывать и на каком этапе возникают задержки — невозможно просто перенести в новую систему.

А вот модели типа Opus 4.7 как раз специализируются на том, чтобы понимать сложные процессы, разбирать их на составляющие и воссоздавать в новой среде — причём воссоздавать, возможно, даже более эффективно, чем в оригинале.

Следовательно, защитные рвы, построенные на накопленных данных и рабочих процессах, постепенно рушатся.

Для тех, кто создаёт SaaS-решения, это может быть плохой новостью. Но для всех пользователей SaaS и для команд, планирующих создать новое поколение таких решений, — это настоящий оконный момент возможностей.

05 Лучшее время для стартапов

За следующие 10 лет количество стартапов, способных кардинально изменить отрасли, может вырасти в 10 раз по сравнению с предыдущим десятилетием.

Причина довольно проста.

Небольшие команды с помощью ИИ могут создавать продукты уровня крупных компаний — или даже превосходящие их. Обратная сторона: для крупных компаний внедрение ИИ часто становится скорее «отрицательным активом».

Почему?

У компании, существующей уже более десяти лет, сформировалась целая экосистема: бизнес-процессы, распределение ролей, привычки взаимодействия, система обучения и KPI. Раньше всё это было активом и барьером для конкурентов.

Но интеграция ИИ требует переосмысления всего этого: реструктуризации бизнес-процессов, повторного обучения всех сотрудников, преодоления значительного внутреннего сопротивления на каждом шаге и координации множества отделов и уровней утверждения.

А трёхчеловеческая стартап-команда с первого дня использует ИИ как стандартную платформу. У неё нет исторического багажа, который нужно сбрасывать, нет устоявшихся привычек, которые надо менять, и никого не нужно убеждать. Сегодня обсудили — завтра запустили демо — послезавтра продукт уже в работе у пользователей.

Эта разница в скорости существовала и до ИИ: стартапы всегда имели преимущество в скорости перед крупными компаниями. Но ИИ многократно усиливает этот разрыв.

Почему?

Потому что чем сильнее ИИ, тем больше рычагов один человек может задействовать за единицу времени. Небольшая команда, эффективно использующая ИИ, сегодня может генерировать объём работы, эквивалентный усилиям десяти человек, а завтра — тридцати.

Однако организационный вес крупной компании не уменьшился — напротив, необходимость адаптации к ИИ делает её ещё более инертной. Чем сильнее ИИ, тем шире разрыв между ускорением маленьких команд и замедлением крупных компаний.

Вот что Борис имеет в виду под «отрицательным активом». Речь не идёт о нехватке денег, людей или желания — речь о том, что те самые «мышцы», благодаря которым компания зарабатывала деньги в прошлом, сегодня мешают ИИ раскрыть свой потенциал.

06 MCP не исчезнет

MCP не исчезнет.

После появления Skill многие решили, что MCP больше не нужен. Основатель OpenClaw выражал аналогичную точку зрения.

Но Борис с этим не согласен. Он считает, что MCP станет «соединительным слоем» программного обеспечения эпохи ИИ.

Раньше соединительным механизмом программного обеспечения в интернете были API.

Основная проблема API заключается в том, что они разработаны для инженеров. Чтобы использовать API, необходимо прочитать документацию, запросить токен, написать код, сопоставить поля и обработать ошибки. По сути, API созданы для человеческих разработчиков.

MCP отличается тем, что позволяет моделям подключаться и использовать сервисы напрямую — модели сами могут «понять» интерфейс и вызвать нужные функции без участия программиста в качестве переводчика.

Поэтому Борис называет API «Human Developer Interface» (интерфейс для человеческих разработчиков), а MCP — «Model Interface Protocol» (протокол интерфейса для моделей): первый предназначен для людей, второй — для моделей.

Это напоминает ситуацию в эпоху мобильного интернета, когда стандартом стало «API-фицирование» всех сервисов. В эпоху ИИ стандартом станет «MCP-фицирование» всех сервисов.

07 Computer Use остаётся важным

Сегодня многие, говоря о Computer Use, считают, что это направление, вероятно, не сработает.

И у них есть резонные аргументы: слишком высокое потребление токенов, медленная скорость работы и низкая стабильность. На первый взгляд это скорее демонстрационный «трюк», чем готовое к использованию решение.

Однако Борис видит ситуацию совершенно иначе.

Его главный интерес вызывает то, что Computer Use решает одну из самых острых проблем внедрения ИИ: в реальном мире существует огромное количество систем, у которых нет ни API, ни MCP.

Особенно это актуально в корпоративной среде.

Тот, кто реально работал в компаниях, знает: там масса устаревших ключевых систем — ERP, корпоративные порталы, финансовые системы, внутренние системы согласования, системы управления цепочками поставок и множество других кастомных решений. У многих из них отсутствуют открытые интерфейсы, документация и возможности автоматизации. Они просто существуют и ежедневно используются сотрудниками вручную.

Почему бы тогда просто не добавить им API?

Потому что это технически невозможно. Разработчики этих систем зачастую уже не существуют. IT-отделы не имеют ни мотивации, ни бюджета на их реинжиниринг.

Бизнес-подразделения тем более не могут позволить себе ждать полгода или год. Эти системы никогда не дождутся «идеального API», которое их спасёт.

В ближайшее время крупнейшие модели, скорее всего, будут продолжать совершенствовать свои возможности в области Computer Use.