Засновник Claude Code про 7 важливих висновків на конференції Sequoia

Організація: Аїнь

Борис Черни, засновник Claude Code, поділився на конференції Sequoia, інформаційно дуже насиченою, багато точок зору я вперше почув у повному обсязі. Цей хлопець дійсно має досить глибоке розуміння AI.

Поділюся своїм підсумком.

01 Код більше не є дефіцитним

Для багатьох основних сценаріїв розробки, ручне написання коду вже починає ставати неефективним.

Р раніше для реалізації однієї функції програміст сідав, спочатку продумував, як її зробити, а потім по рядках писав код. У цьому процесі найбільша цінність програміста була: чи вміє він писати, наскільки добре, наскільки швидко.

Зараз спосіб роботи змінився.

Те саме функціональне завдання, тепер програмісти роблять більше схоже на: спочатку чітко формулюють вимоги, розбивають цю задачу на кілька частин і передають агенту, встановлюють критерії приймання, а потім дивляться, чи правильний результат отримав агент, якщо ні — коригують підказки і запускають знову.

AI вже може виконати більшість задач з кодування. Звичайно, не на 100%, ще залишаються великі та складні кодові бібліотеки, маловідомі мови або особливі середовища, де сучасні моделі ще недостатньо ефективні.

Загалом, цінність інженера тепер зводиться не до вміння писати код, а до вміння розбивати завдання, чітко формулювати цілі, перевіряти результати, керувати агентом.

Ці зміни дуже схожі на промислову революцію.

Перед промисловою революцією коваль цілком сам займався ковкою, обробкою, поліруванням і збіркою — весь цикл робіт виконував сам. Майстерний коваль був цінним.

Потім з’явилися конвеєрні лінії. Кожен робітник відповідав за свою операцію, а загальний обсяг виробництва зріс у десятки, сотні разів.

Тоді цінною стала не майстерність у виконанні окремої операції, а здатність проектувати, керувати і оптимізувати конвеєр.

Робітники не зникли, але їх роль змінилася.

Зараз у сфері програмування відбувається подібний перелом. Сам код вже не є дефіцитним ресурсом. Вміння писати код стає базовою навичкою, як уміння користуватися презентаціями PowerPoint.

Дійсно дефіцитним є здатність розбити нечіткі вимоги на чіткі задачі, обрати найкращий з кількох запропонованих агентом варіантів, організувати командну роботу AI для досягнення цілей.

Це багато старих інженерів спочатку не могли сприйняти. Сам процес написання коду — причина, чому багато людей любили цю професію десятиліттями.

Передати цю роботу машині — для багатьох означає не просто зміну способу роботи, а переформатування ідентичності.

Але тенденція є такою.

02 Як Гутенберг і друкарський верстат

Кодинг перетворюється з професійної навички у базову здатність. Це можна порівняти з винаходом друкарського верстату в Європі XV століття.

Перед винаходом друкарства лише близько 10% населення Європи були грамотними. Вони зазвичай працювали на багатих дворян, допомагаючи їм читати і писати.

Потім з’явився друкарський верстат. За 50 років кількість книг, виданих у Європі, перевищила суму за попередні тисячоліття, а ціни на книги знизилися приблизно у 100 разів. Після кількох століть розвитку системи освіти, економіки, глобальна грамотність зросла до сьогоднішніх 70%.

Борис вважає, що вплив AI на програмне забезпечення — це швидка революція друкарства. Програмне забезпечення за кілька десятиліть стане доступним для всіх.

Зрештою, створення софту стане так само природним, як відправка SMS.

03 Які навички найважливіші?

Коли поріг для написання коду знизився до мінімуму завдяки AI, справжнім показником здатності стає його продуктове чуття, глибоке розуміння конкретної сфери.

Наприклад, двоє людей мають створити продукт для лікарів. Один — швидкий у написанні коду інженер, інший — той, хто працював у медичній інформаційній службі кілька років.

Раніше перевага була на боці інженера, бо він міг реалізувати ідею.

Зараз — навпаки. Кожен може реалізувати ідею. Тому той, хто досконало розуміє щоденну роботу лікарів, стає ціннішим. Він знає, які функції справді потрібні, а які — лише здаються логічними.

Після зниження порогу для виконання завдань, різниця у суджені стає більш очевидною.

Це прямо змінює значення слова «generalist».

Раніше під generalist розуміли інженера, який може писати iOS, Web і бекенд. Це був внутрішньо-інженерний full-stack.

Майбутній generalist — міждисциплінарний full-stack.

Хтось одночасно розуміє продукт, дизайн і інженерію. Хтось — продукт, Data Science і інженерію. Такі комбінації раніше були майже неможливі через довгий шлях навчання.

Але тепер AI знизив поріг для кожної з цих сфер, і один фахівець може охоплювати кілька галузей, зберігаючи глибину.

Команда Claude Code — саме така. Менеджери, PM, дизайнери, Data Science, фінанси, User Research — всі пишуть код.

Дизайнери можуть самі створювати інтерактивні прототипи для команди, а не лише малювати картинки для інженерів.

Фінансисти можуть самі запускати аналітичні інструменти, створювати складні фінансові моделі без черги до BI. Колеги з User Research самі аналізують дані, замість чекати допомоги від аналітичної команди.

Кожен з них зберігає свою глибину професії. Але за допомогою AI писання коду стає спільною мовою.

04 Захисний вал SaaS руйнується

За останні десятиліття у SaaS-індустрії існували кілька аксіом.

Перша — висока вартість перемикання. Якщо компанія користується вашим сервісом, вона накопичує роками дані, налаштування, поля, права.

Перенести все це в іншу систему — вже головоломка, яка може зупинити будь-яке рішення.

Друга — блокування робочих процесів. Щоденні операції, міжвіддільна співпраця, схвалення — все побудовано навколо SaaS.

Змінити систему — не просто перенести дані, а зруйнувати роками сформовану «м’язову пам’ять» компанії.

Обидві ці перешкоди були головною перешкодою для SaaS. Але з появою потужних моделей логіка починає змінюватися.

Що стосується перемикання — раніше потрібно було місяцями налаштовувати відповідність полів і структури даних, щоб перейти на нову платформу. Це вимагало багато ресурсів.

Зараз достатньо дати моделям обидві API та структури даних — і вони самі знайдуть відповідності, оптимізуючи процес. Замість місяців — кілька днів.

Що стосується блокування робочих процесів — тут цікавіше. Раніше складні процеси були залежні від людських рішень і інтуїції. Їх важко автоматизувати або перенести.

Але моделі типу Opus 4.7 здатні розуміти, розбивати і відтворювати складні процеси у нових умовах. Навіть у покращеній версії вони можуть працювати ще краще.

Отже, захисний вал, побудований на даних і процесах, руйнується.

Для SaaS-компаній це може бути поганою новиною. Але для клієнтів і команд, що готуються до нових SaaS-рішень, — це відкриває нові можливості.

05 Найкраща ера для стартапів

У найближчі 10 років компанії, що зможуть революціонізувати галузь, будуть у 10 разів більш чисельними, ніж за останні 10.

Чому? Це просто.

Малий колектив може створювати продукти рівня великих компаній або навіть кращі, використовуючи AI. Навпаки, великі компанії, щоб ефективно застосовувати AI, отримують навпаки — негативний ефект.

Як це працює?

Компанія з десятилітньою історією має вже сформовані бізнес-процеси, ролі, звички, системи навчання, KPI. Це — активи, бар’єри.

Щоб інтегрувати AI, потрібно все переосмислити: переробити бізнес-процеси, навчити всіх заново, боротися з внутрішнім опором, узгоджувати з багатьма відділами.

Малий стартап із трьома людьми з першого дня ставиться до AI як до базової платформи. Вони не мають історичних обмежень, не потрібно змінювати звички, не потрібно переконувати. Вже завтра вони можуть зробити прототип і запустити його.

Ця швидкість — головна перевага AI. Вона вже існувала у стартапів, але AI її значно посилив.

Чому?

Тому що AI збільшує ефективність кожної людини. Один фахівець, який добре використовує AI, може зробити за день стільки, скільки раніше робили десять. А завтра — стільки, скільки раніше — тридцять.

Але організаційна вага великих компаній не зменшується, навпаки — через необхідність інтеграції AI вона стає ще більшою. Чим сильніший AI, тим більше розрив у швидкості між маленькою командою і корпорацією.

Це і є Борисовий «негативний актив». Не через брак грошей, людей або бажання, а через те, що старі «м’язи» компанії заважають їй максимально використовувати AI.

06 MCP не помре

MCP не помре.

Після популяризації Skill багато хто вважає, що MCP вже не потрібен. Засновник OpenClaw теж так думав.

Але Борис не згоден. Він вважає, що MCP стане основою для підключення AI до софту.

Раніше інтернет-сервіси з’єднувалися через API.

Але API — це для інженерів. Щоб його використати, потрібно читати документацію, отримувати токени, писати код, узгоджувати поля, обробляти помилки. API — це для розробників.

MCP — інакше. Вона дозволяє моделям підключатися безпосередньо, без перекладу програмістів. Модель сама розуміє, що їй потрібно, і виконує запити.

Тому Борис називає API «Human Developer Interface», а MCP — «Model Interface Protocol». Один для людей, інший — для моделей.

Це дуже схоже на минуле. У епоху мобільного інтернету всі сервіси мали API. У епоху AI — всі сервіси матимуть MCP.

07 Комп’ютерне використання все ще важливе

Багато хто зараз сумнівається у важливості Computer Use.

Причини цілком логічні: воно споживає багато токенів, працює повільно, нестабільне. Це більше схоже на демонстрацію можливостей, ніж на реальний продукт.

Але Борис бачить інакше.

Він цінує те, що Computer Use вирішує головну проблему впровадження AI: у реальному світі багато систем не мають API і MCP.

Особливо в бізнесі.

У компаніях багато старих систем: ERP, OA, фінансові, внутрішні схеми, логістика, кастомні рішення. Вони не мають відкритих інтерфейсів, документації, автоматизації. Вони просто працюють, і їх використовують щодня сотні співробітників.

Чому б їм не зробити API?

Бо це складно. Постачальники цих систем вже могли зникнути. ІТ-відділ не має мотивації або бюджету на переробку.

Бізнесу не зупинити роботу, щоб чекати місяцями або роками. Ці системи ніколи не чекатимуть ідеального API.

На короткий термін, найбільші моделі будуть покращувати свої можливості у Computer Use.