AI робить інтелект дешевшим. Що тоді стане дорогим?

Ще кілька років тому сильний аналітик, програміст, юрист, маркетолог або консультант продавав рідкісний ресурс. Він знав більше за клієнта, швидше знаходив інформацію, краще структурував проблему і міг сформулювати розумну відповідь там, де інші витрачали дні. Ціна цього ресурсу вже змінюється. У вересневому інтерв’ю Пітер Тіль багато говорить про компетентність, незалежне мислення та небезпеку надмірної спеціалізації. У світі до масового AI ці якості були дефіцитними самі по собі. Тепер до них треба додати нове питання: що відбувається з економікою інтелектуальної праці, коли сильний базовий рівень аналізу, письма, коду та пошуку стає доступним майже кожному? Оригінал інтерв’ю Peter Thiel у MD MEETS

Слабкий сигнал: середній рівень сильної розумової роботи різко підтягується вгору

У польовому експерименті з 776 професіоналами Procter & Gamble дослідники NBER перевіряли роботу над реальними задачами product innovation. Окремі спеціалісти з AI змогли показати результат на рівні команд без AI. Технологія також допомагала людям виходити за межі власної функціональної спеціалізації. В іншому відомому дослідженні customer support доступ до generative AI підняв продуктивність у середньому на 14%, а для менш досвідчених працівників ефект був значно більшим. Один із можливих механізмів полягає в тому, що AI розповсюджує практики сильніших співробітників і скорочує частину досвіду, який раніше накопичувався роками. Ці результати не доводять, що експерти стають непотрібними. Вони показують інше: частина переваги, яка раніше виникала просто через доступ до знань і стандартних професійних практик, починає тиражуватися. The Cybernetic Teammate, NBER Generative AI at Work, NBER

Патерн 1. Стандартний інтелектуальний output перетворюється на commodity

Уявімо невелике маркетингове агентство. Воно продає дослідження конкурентів, контент-план, рекламні тексти, презентацію стратегії та щомісячні ідеї. Кілька років тому клієнт не міг швидко отримати подібний пакет сам. Тепер він може завантажити свої матеріали в сильну модель і за вечір отримати конкурентний аналіз, десятки гіпотез, чернетки кампаній і структуру презентації. Якість буде нерівною. Частина висновків виявиться поверховою. Але економічний поріг уже змінився. Те саме стосується першої юридичної довідки, базового коду, опису вакансії, ринкового огляду, сценарію листа, структури навчального курсу або аналізу таблиці. Коли пропозиція певного виду роботи різко збільшується, сам факт «ми можемо дати вам розумну відповідь» слабше захищає ціну. Мій прогноз на 2-5 років: найсильніший тиск на маржу отримають ті knowledge-бізнеси, де клієнт купує переважно упакований стандартний інтелектуальний output. Під ризиком не професія як така. Під ризиком той шар продукту, який модель здатна відтворити без доступу до унікальної реальності компанії та без відповідальності за наслідок.

Чому модель сама по собі навряд чи стане довгим moat

Stanford AI Index 2026 показує, наскільки швидко AI стає масовим: 88% опитаних організацій уже використовують AI, а generative AI щонайменше в одній функції використовують 70%. Одночасно frontier-моделі конкурують дуже близько одна до одної за багатьма benchmark. Лідерство змінюється, а користувач може переключити постачальника значно швидше, ніж компанія колись змінювала ERP або основну виробничу лінію. Це створює дивну ситуацію. Інтелект моделі може бути надзвичайно потужним, але доступ до нього поступово стає менш унікальним активом. Stanford AI Index 2026 Тоді виникає питання, яке для власника важливіше за вибір чергової моделі: що модель знає про нашу компанію такого, чого не знає модель конкурента?

Патерн 2. Дефіцит зміщується до контексту, виконання і відповідальності

Accenture у дослідженні 2026 року опитала керівників 2 000 компаній. Лише 7% організацій вони віднесли до групи, яка достатньо перебудувала data foundation для масштабного використання advanced AI. Серед головних обмежень названі siloed data, слабка якість даних, нестача бізнес-контексту та tacit knowledge. Тобто великий AI не усуває старої проблеми компанії. Якщо система не знає, що означає конкретний клієнт, виняток, процес, ризик або історія рішення, модель має сильний загальний інтелект і слабке розуміння саме вашої реальності. Accenture, AI-ready data, 2026 BCG описує близьку проблему терміном enterprise cortex. Їхній аргумент простий: компанії ризикують потрапити не тільки в технологічну, а й у когнітивну залежність від постачальника AI, якщо proprietary knowledge, business rules, decision logic та operational context живуть усередині зовнішньої системи. BCG, Do You Own Your Enterprise Cortex?, 2026 Звідси видно чотири активи, чия відносна цінність може зростати. Контекст. Реальна історія клієнтів, помилок, рішень, винятків, процесів і причин, яких немає у відкритому інтернеті. Виконання. Здатність провести рішення через людей, системи, договори, продукт і операції. Відповідальність. Клієнт платить не тільки за пораду. У дорогих рішеннях він платить за того, хто бере участь у наслідках, перевіряє результат і виправляє помилку. Перевірка. У світі дешевої генерації зростає цінність доказу: звідки взявся висновок, на яких даних він стоїть і чи спрацював після впровадження. Для малого консалтингу, агентства або професійної сервісної фірми це дає жорсткий тест. Відкрийте останній рахунок клієнту і подумайте, яка частина ціни припадає на створення відповіді, а яка на доступ до контексту, впровадження і відповідальність за реальний результат. Якщо майже вся цінність лежить у першій частині, тиск на маржу вже закладений у продукт.

Приклад: консультація після commoditization інтелекту

У старій моделі консультант приходить, збирає інформацію, аналізує її і приносить рекомендації. У новій моделі аналіз можна зробити значно дешевше. Тому дорогим стає інший контур: правильно зібрати внутрішні дані, побачити приховані суперечності, перевірити causal assumptions, допомогти провести рішення через організацію і повернутися до виміряного результату. У такій моделі консультант зберігає роль, але частина роботи, яка раніше виправдовувала значну частину рахунку, переходить до дешевого машинного шару. Сильна фірма може використати це на свою користь: здешевити рутинний інтелектуальний шар і перевести людей на ті місця, де клієнт купує judgment, контекст, довіру та зміну реальної системи. Слабка фірма спробує зберегти стару ціну за документ, який клієнт дедалі частіше здатен отримати сам.

Патерн 3. Контекст компанії стає окремим видом капіталу

Тут з’являється більш довга можливість. Якщо загальні моделі стають сильнішими і доступнішими, довгострокова перевага компанії дедалі частіше може концентруватися у власному шарі контексту, тоді як foundation model залишається змінним постачальником інтелекту. У нашій дослідницькій роботі ми використовуємо робочий термін Company Context Capital. Це не база документів у SharePoint. Йдеться про накопичену систему того, як компанія бачить свою реальність: історія рішень, причин, клієнтських кейсів, невдалих експериментів, правил, винятків, моделей ринку, прогнозів і результатів. Дві компанії можуть підключити однаковий AI. Якщо одна дає йому випадкові документи, а інша має структурований контекст і постійний feedback loop, результат буде різним. Тому наступний moat може виникати за формулою: сильна загальна модель + унікальний корпоративний контекст + перевірені цикли рішень. Для майбутнього стартапера це теж змінює вибір продукту. Часто слабкою ставкою буде ще одна «обгортка над моделлю». Сильнішою може стати система, яка збирає і захищає специфічний контекст галузі, допомагає перетворювати його на рішення і накопичує доказ того, що ці рішення працюють.

Контраргумент: експертиза не зникає

Було б помилкою оголосити, що AI робить усіх експертів однаковими. Дані поки показують складнішу картину. У customer support найбільший приріст отримували менш досвідчені працівники, тоді як сильні мали менший додатковий ефект. У P&G AI допоміг окремим професіоналам досягати рівня команд у конкретних innovation tasks, але це не означає, що модель може замінити досвід організації, відповідальність керівника або глибоке domain judgment у будь-якій ситуації. Можливий навіть протилежний ефект: коли дешевшає базовий інтелектуальний шар, найкращі експерти отримують більший leverage і стають продуктивнішими. Тому прогноз стосується ціни стандартного інтелектуального output, а не «кінця розумних людей». Його можна спростувати. Якщо через 3-5 років knowledge-фірми, що продають переважно стандартний аналіз і рекомендації, збережуть маржу без переходу до proprietary context, implementation та verification, наш прогноз буде слабким. Якщо ж основна різниця в ціні зміститься до контексту, виконання та відповідальності, ми побачимо формування нового ринку.

Питання власнику

Подивіться на те, за що вам платять сьогодні. Якщо клієнт завтра отримає майже таку саму відповідь від загальнодоступної моделі, що залишиться у вашому продукті? Саме ця відповідь, а не назва AI-моделі у вашій компанії, може визначити майбутню маржу.

Джерела

Статус прогнозу: гіпотеза «Архітекторів реальності». Горизонт перевірки: 2028-2031. Перевірено на 6 жовтня 2026 року.