Останній найманий: де проходить лінія, за якою людина знову дорожча за агента

Питання, яке всі ставлять не з того кінця

Ніч над Атлантикою, шоста година польоту. Cockpit темний, обидва пілоти не торкаються штурвала — система веде борт сама: курс, висота, швидкість. І авіакомпанія платить їм повну зарплату. За шість годин сидіння? Ні. За ті 90 секунд, коли система скаже «я пас» і борт провалиться в ситуацію, якої в датасеті не було. Пілот платний не за те, що тримає кермо, — за те, що тримає підпис під тим, що станеться, якщо кермо відмовить.

Автопілот веде сучасний пасажирський літак понад 90% часу польоту. Екіпаж із двох пілотів коштує авіакомпанії сотні тисяч доларів на рік і нікуди не зник — навіть коли машина забрала майже весь штурвал. Автоматика не забрала жодної грами відповідальності: вона перенесла її в інше місце, на крісло поряд. Важлива поправка: цю межу в авіації тримає ще й регуляція, не лише ринок. Тож аналогія описує структуру — виконання окремо, відповідальність окремо, — а не точну економіку. Бери її як образ, не як рівність.

Це і є Лінія останнього найму — поки лише як обіцянка. Повне визначення попереду.

Тепер поверни голову до AI-дискусії 2025–2026 років. Що обговорюють? «Кого звільнити першим?» Скільки робочих місць зникне, котрий відділ порізати. Питання зрозуміле — і неправильне. Не тому що жорстоке. Тому що дивиться у хвіст хвилі, коли вона вже пройшла. Правильне питання звучить інакше: кого ти найняв би останнім, якби рахував чесно? Бо ця людина — не жертва автоматизації. Вона її найдорожчий побічний продукт.

Межа між «агент дешевший» і «людина дешевша» — не горизонталь. Вона вигнута, і в неї є прихований хвіст, якого більшість фаундерів не бачать у своїй таблиці витрат. Поки не приходить місячний рахунок.

---

Спочатку чесно: де агент розчавив людину і не віддасть

Кол-центр медичної страхової компанії, нічна зміна, двісті операторів, один і той самий скрипт сотні разів на добу. Компанія ввела AI-агента. Нікого не звільнили. Просто перестали наймати назад тих, хто йшов. За рік — мінус 120 позицій. Тиха крапля, що стала тихим потопом. Ось так це відбувається: не шумно, не публічно, без пресрелізу. «CEOs will quietly stop hiring, then replace humans with AI the moment it becomes viable to do so — almost overnight», — сказав Dario Amodei в травні 2025-го. Ключове слово — «quietly».

На рутині рахунок давно закритий. AI-агент обробляє стандартний тікет підтримки за $0.50–0.70. Людина-оператор — $6–8 за ту саму взаємодію. Різниця в 10–12 разів на одній одиниці роботи. Це не тренд і не прогноз — це операційна реальність, яка фіксується в P&L щоквартально. І рахунок цей рахується не на одній взаємодії, а на сотнях тисяч: кол-центр на двісті операторів закриває мільйони тікетів на рік, і кожен помножений на десятикратну різницю — це вже не економія, це інша бізнес-модель.

На кодових задачах ще різкіше. Препринт «How Do AI Agents Do Human Work?» (ArXiv 2510.22780, не peer-reviewed) порівнює вартість задачі на SWE-bench: агент OpenHands з GPT-4o — $0.94 за задачу, людська база у самій статті — близько $24.79 за задачу, тобто понад 96% скорочення вартості. На іншій конфігурації — Claude Sonnet — та сама задача коштувала $2.39, тобто все ще понад 90% економії проти людини. Уточнення важливе: це бенчмарк, закрита задача з правильною відповіддю, а не реальний production, і це препринт без рецензування. Але навіть із цим застереженням ця категорія задач уже не повернеться до людини. Економічна крива зламалась остаточно.

І тут варто покласти на стіл найчесніше число з академії — те, що рідко цитують ентузіасти автоматизації. Дослідження MIT CSAIL (2024) порахувало: серед задач, пов’язаних із зоровим сприйняттям, лише близько 23% економічно привабливі для автоматизації, якщо чесно врахувати вартість впровадження. У решті 77% людина дешевша — просто тому, що поставити, навчити й утримувати систему коштує більше за зарплату. Важлива межа: це дослідження стосується саме computer vision, а не всього ринку праці, і узагальнювати його на «усі задачі» було б тим самим самообманом, який ми тут препаруємо. Але напрямок воно показує точно: навіть там, де технічно можливо, економічно виправдано далеко не завжди.

Для рутини зі скриптом, для закритих задач із правильною відповіддю, для обсягу, що вимірюється тисячами тікетів, — агент виграв. Не «скоро виграє». Виграв. І тут немає луддизму — тут математика.

Питання в тому, що відбувається праворуч від цієї точки.

---

А тепер увімкни лампу над рахунком

Операційний директор стартапу. 23:50. Відкрита вкладка AWS Billing Console. Сума за токени за місяць — $47,000. Це приблизно річна зарплата одного junior developer у Польщі. Агент писав листи клієнтам. Гарно писав — чітко, вчасно, персоналізовано. Тільки деякі з тих листів ішли в суд. А листи, що йдуть у суд, агент не відрізняє від листів, що йдуть в inbox.

Bryan Catanzaro, VP Applied Deep Learning у Nvidia, сказав публічно (Fortune, квітень 2026): для його команди AI-обчислення вже коштують більше, ніж зарплати співробітників. Не «наближаються». Вже перетнули межу. Nvidia сама виробляє GPU — якщо хтось і знає реальну вартість обчислень, то це вони. Тут потрібна одна тверезяча поправка: команда Catanzaro — це R&D з нетиповим, важким workload, не середній бек-офіс. Але саме тому його слова важать більше, а не менше: якщо навіть виробник чіпів дивиться на власний рахунок і бачить, що кремній обігнав людину, — то припущення «обчислення майже безкоштовні» треба викидати з кожної таблиці.

Chamath Palihapitiya пішов далі. За його підрахунками, агент мусить бути щонайменше вдвічі продуктивнішим за людину, яку замінює, щоб просто виправдати токен-витрати плюс нагляд — «they need to be at least twice as productive as another employee». Не на 10% кращим. Удвічі. Бо різницю з’їдає інфраструктура, prompt engineering і людина, яка все одно сидить поряд і перевіряє. Його власні AI-витрати, за його словами, більш ніж потроїлися з листопада 2025-го й за прогнозом сягнуть близько $10 млн на рік — і це людина, яка будує бізнеси саме на цій хвилі, а не критик збоку.

Ось де рахунок починає гнути в інший бік.

Та сама модель — дешевий виконавець і дорогий наглядач одночасно; усе залежить від того, де ти стоїш у ланцюжку.

Більшість компаній рахує так: «ми платили $X людині, тепер платимо $Y агенту, Y менший за X, економія». Це бухгалтерія без ліхтарика. Вона не рахує токени, інфраструктуру, prompt engineering, моніторинг, людський нагляд. Вона не рахує помилку, яку агент зробить, а людина помітить. Або не помітить — і тоді рахунок буде не в Billing Console, а в суді. Колонка «зарплата» видима й болить щомісяця; колонка «прихований нагляд» невидима й болить раз — але одразу на всю суму.

---

Дешевий токен, дорогий результат — пастка №1

Є красивий аргумент: вартість токена падає приблизно на 90% до 2030 (прогноз Gartner, не теорема). Отже, все дешевшає, межа зсунеться. Ось тільки аргумент ігнорує одну деталь: агентні системи їдять у 5–30 разів більше токенів за задачу, ніж стандартний чатбот.

Для прикладу: базовий одноразовий запит може коштувати лічені центи, а складний агентний ланцюжок із reasoning-петлями, зверненнями до інструментів, кількома кроками валідації — долар і більше. Десятки разів дорожче на тій самій моделі. І це не аномалія — це архітектурна властивість агентних систем. Що «розумніший» агент, то довший його thought process, то більше токенів він спалює на внутрішнє міркування, перш ніж зробити крок. Парадокс жорстокий: кожне покоління моделей робить один токен дешевшим — і одночасно вчить агента витрачати їх більше, бо «думати довше» тепер дає кращу відповідь. Дешевшає цеглина, дорожчає будинок.

Self-correcting агент — окремий клас. Він спавнить суб-агентів на підзадачах, кожен з яких теж думає, теж перевіряє, теж генерує. Один такий ланцюжок на єдиній задачі здатний спалити в 10–50 разів більше від очікуваного бюджету. Jason Calacanis публічно фіксував, що витрати на Claude API зросли до $300 на день — за роботу, яку виконував один співробітник частково. CIO.com без прикрас: «Without controls, an AI agent can cost more than an employee. Nobody notices until the monthly bill lands».

Ніхто не дивиться — бо агент не спить. Це його головна перевага і головна пастка одночасно. Він генерує об’єм, який жоден людський менеджер не відслідковує вручну. Людина-аналітик, спаливши денний бюджет до обіду, зупиниться й спитає себе, чи туди він копає. Агент о третій ночі цього питання собі не ставить — у нього немає ні обіду, ні сумніву, ні рахунку перед очима. Він просто продовжує. І саме тому рахунок приходить місяць потому — вже незворотним.

Є ще одна тонкість, яку маркетингові графіки «токен дешевшає» приховують. Падіння ціни рекламують на базовій моделі — а production-навантаження дрейфує вгору по класах. Сьогодні задачу закриває дешева модель, завтра під неї підкручують reasoning-режим, бо «так точніше», післязавтра додають retrieval і другу модель-критика. Кожен такий апгрейд купується за обіцянку якості — і кожен непомітно перекладає навантаження на дорожчий тариф. Лінія прайс-листа повзе вниз; лінія твого рахунку повзе вгору; перетинаються вони рідко.

Математика виходить проста: якщо токен дешевшає на 90%, а агент споживає в 30 разів більше, то результат за результат не дешевшає. Він може дорожчати — якщо складність моделей зростає швидше за здешевлення чіпів.

---

Помилка, що множиться: пастка №2

Агент пише маркетинговий аналіз. Крок 1 — збирає дані. Крок 3 — агрегує по компаніях, і саме тут плутає дві організації зі схожими назвами: в одній повній назві відрізняється одне слово. Галюцинація крихітна — одна заміна в таблиці. Але на кроці 5 агент «підтверджує» дані перехресними джерелами. На кроці 7 — будує висновки. Неправильний «факт» тепер лежить у трьох окремих висновках, кожен з яких посилається на попередній. Директор з маркетингу підписує фінальний звіт — бо перевіряє логіку, а не первинні дані. Клієнт читає. Конкурент читає теж.

Феномен compounding errors добре задокументований у дослідженнях агентних систем, і суть його безжальна: у мультикрокових агентних ланцюжках помилки не додаються — вони перемножуються, тож ланцюжок ламається частіше, ніж підказала б сума per-step ризиків. Порахуй на пальцях: якщо кожен крок надійний на 95%, то десять кроків поспіль дають уже не 95%, а близько 60% — бо 0.95 у десятому степені. Дев’ять кроків спрацювали бездоганно, а ланцюжок усе одно зламався — і це не баг конкретної моделі, це арифметика послідовності. Галюцинація на кроці 3 стає підтвердженим фактом на кроці 7 не тому що агент «бреше», а тому що він довіряє власному попередньому виходу як джерелу.

За галузевою оцінкою AllAboutAI (нерецензований звіт, методологія публічно не розкрита), збитки бізнесу від AI-галюцинацій у 2024 році склали близько $67.4 млрд. У цій оцінці розкладка така: близько $18.2 млрд — прямі збитки від автоматизованих хибних рекомендацій і штрафів, близько $21.5 млрд — операційне усунення помилок AI, близько $27.7 млрд — репутаційний удар. Прогноз тих самих авторів на 2025 рік — близько $112 млрд. Цифри не верифіковані академічно, і читати їх слід як орієнтир, а не як факт; методологія первинного звіту публічно не розкрита. Але навіть якщо вони завищені вдвічі — порядок числа говорить про системну проблему, а не про поодинокі збої. І зверни увагу на структуру: найбільша частка — не штрафи й не виправлення, а репутація. Те, що не лагодиться комітом.

Головний механізм: людина в ланцюжку помітить помилку раніше, ніж вона розмножиться. Аналітик, який бачить, що дві компанії в таблиці — насправді одна, спіткнеться на цьому інстинктивно, бо в нього є модель реальності поза документом. Агент — ні, бо в нього немає «відчуття», що щось не так. У нього є лише вихід попереднього кроку й наступний промпт. Помилка виглядає як будь-яка інша інформація — рівно та сама вага, той самий шрифт, та сама впевненість.

---

Парадокс верифікатора — серце Лінії останнього найму

Ось де термін клацає на місце.

Лінія останнього найму — це не горизонталь, за якою люди закінчуються. Це крива витрат із прихованим хвостом: що ближче задача до контексту, судження й підпису під наслідком — то дорожчий наглядач, і то ближче людина знову до центру рахунку. Агент не замінює людину — він переміщає її ліворуч по конвеєру, до перевірки. А верифікатор на складній задачі може коштувати дорожче за виконавця, якого він перевіряє.

Розгорни це на конкретиці. Зовнішній фінансовий аудит — одна з найбільш регульованих і відповідальних функцій у корпоративному світі. LLM справді корисні для рутинних робочих паперів: систематизація документів, первинна перевірка відповідності стандартам, форматування звітів. Але там, де потрібне аудиторське судження — інтерпретація специфічних обставин, оцінка виключень, рішення про суттєвість порушення, — LLM визнані «insufficiently robust». Через галюцинації, застарілі дані, відсутність контексту конкретної організації і, головне, через відсутність відповідальності. Уяви картину: партнер аудиторської фірми ставить підпис під висновком, який потім читатимуть регулятор, інвестор і, можливо, суд. Цей підпис — особиста відповідальність людини, яка ризикує ліцензією і репутацією. Агент не має ні ліцензії, ні репутації, ні чим ризикувати. Він може підготувати дев’яносто відсотків паперу — але останні десять, ті, де ставиться підпис, лишаються людськими не через технічну слабкість моделі, а через те, що відповідальність неможливо завантажити в контекстне вікно.

І ось парадокс, якого більшість фаундерів не бачать у своїх планах автоматизації: щоб зекономити на людині-виконавці, потрібна людина-верифікатор. На простих задачах верифікатор дешевий — людина бачить рутину й підтверджує швидко. Але що складніша задача, то дорожчий потрібен верифікатор — з більшим контекстом, більшим досвідом, більшою відповідальністю. І на певній точці кривої вартість верифікатора перекидає рахунок: дешевше найняти людину-виконавця з відповідальністю, ніж агента плюс дорогого людського наглядача.

Це і є крива Лінії останнього найму:

Категорія задач	Виконавець	Верифікатор	Де рахунок?
Рутинний CS (тікети, скрипти)	Агент $0.50–0.70/тікет	Мінімальний	Агент виграв назавжди
Кодові задачі (закриті, benchmark)	Агент $0.94/задача	Частковий	Агент виграє на масштабі
Аналіз даних (середня складність)	Агент + петлі	Середній, людина	Залежить від ціни помилки
Юридичні, медичні, аудит	Агент (допоміжна роль)	Дорогий спеціаліст	Людина дешевша на підпис
Стратегія, судження, відповідальність	Не автоматизується	Немає кому делегувати	Людина — і це навмисно

Прочитай таблицю згори вниз — і побачиш, як колонка «верифікатор» важчає рядок за рядком, поки врешті не з’їдає всю економію виконавця. У першому рядку наглядач майже безкоштовний; у передостанньому він — найдорожча людина в кімнаті. Це і є хвіст кривої, винесений у клітинки.

Зверни увагу на асиметрію між колонками «виконавець» і «верифікатор». Виконавчу частину агент дешевшає лінійно й передбачувано: більше задач — менше за штуку. Верифікаційну частину він дешевшає набагато повільніше, а на правому краї — майже ніяк, бо перевірка вимагає того самого судження, заради економії на якому все й затівалося. Виходить замкнене коло: чим складніша задача, тим більше потрібен агент, щоб упоратися з обсягом, — і тим дорожчий потрібен наглядач, щоб упоратися з агентом. Економія на виконанні фінансує перевитрату на нагляді. На певній точці кривої перевитрата виграє.

За даними Forrester (Enterprise AI Cost Analysis, 2025), середній співробітник витрачає близько 4.3 години на тиждень на перевірку AI-виходів — приблизно $14,200 на рік прихованого overhead на одну людину. Це платне дослідження за paywall, тож пряма верифікація обмежена, але джерело репутаційне. Але порахуй ефект масштабу навіть на консервативній оцінці: 4.3 години — це більше половини робочого дня щотижня, виведеної з продуктивної роботи в режим перевірки за машиною. Помнож на сотню співробітників — і ти найняв непомітну півставку наглядача в кожне крісло. Навіть якщо цифра завищена — сам феномен системний: verification overhead існує, він росте разом зі складністю задач, і він ніколи не з’являється у колонці «витрати на AI» у презентації для борду.

Тут варто зупинитись і назвати несучий механізм прямо, щоб він не загубився в деталях. Звучить він так: verification overhead — це ціна, яку платить система за кожного агента, якому довіряє без права підпису. Що менше в агента відповідальності, то більше людина має бути поруч. І ця людина — не асистент і не оператор. Це і є останній найманий.

---

Парадокс бенчмарку — чому твій кейс не схожий на демо

Друга ночі. Одинадцять вкладок відкрито — половина Cursor, половина stripe.com/billing. Агент-«дослідник» за місяць зробив 140,000 API-запитів на задачу, яку mid-level аналітик закрив би в рамках базової зарплати. Агент обійшовся дорожче — але агент не спить. І саме тому ніхто й не дивився на лічильник, поки рахунок не прийшов.

Бенчмарк — закрита задача з правильною відповіддю. Реальний бізнес — відкрита задача без правильної відповіді і з ціною помилки.

На SWE-bench, де тести чіткі, агент дешевший на два порядки. На реальному production-проєкті з ambiguous requirements, legacy codebase і клієнтом, що змінює вимоги щотижня, рівняння інше. Не тому що модель гірша. Тому що задача інша по суті. На бенчмарку є зелена галочка, яка каже «правильно». У production такої галочки немає — є тільки клієнт, який через три тижні скаже, що мав на увазі зовсім інше, і ніхто цього не знав на момент запуску агента.

Gartner (червень 2025) прогнозує: понад 40% агентних AI-проєктів будуть закриті до кінця 2027 через неконтрольовані витрати, відсутність чіткого ROI і недостатні механізми контролю ризиків. Причина не в тому, що AI не працює. Причина в тому, що більшість проєктів — proof-of-concept, який ніколи не дійде до production з прийнятною економікою. Gartner також оцінює: з тисяч вендорів, що декларують «agentic AI capabilities», реальні агентні можливості мають лише близько 130. Решта — це «agentwashing»: стара автоматизація з табличкою «agentic» на дверях, рожевою фарбою поверх труби, яка вже лежить у болоті.

Демо — це закрита задача, де агент виглядає блискуче. Твій кейс — відкрита задача, де ціна помилки вимірюється не рейтингом на leaderboard, а судовим позовом або клієнтом, що пішов до конкурента.

Парадокс бенчмарку — третій у списку після дешевого токена й мультиплікативної помилки — полягає ось у чому: успіх на бенчмарку показує стелю можливостей; він не показує підлогу реальних витрат. А рішення про автоматизацію приймають по стелі, а платять по підлозі.

---

Counter-pressure — а якщо межа просто повзе вправо?

Генерал із гордістю показує карту: суцільна лінія бетонних укріплень уздовж кордону. Артилерія, бункери, кілометри дроту. Найдосконаліша оборонна система свого часу — лінія Мажино. Будували її роками, на неї поклали мільярди й національну гордість. Вермахт пройшов через Арденнський ліс і обійшов її за чотири дні. Укріплення залишились непошкодженими — просто нікому не знадобились. Найдорожча у світі стіна, об яку ніхто не вдарився.

Чесна позиція вимагає сказати вголос: Лінія останнього найму не зафіксована на мапі. Вона рухається.

Токен дешевшає. Verification overhead — теж задача, яку частково автоматизують агенти-перевіряльники. Моделі покращуються не лінійно, а стрибками, і кожен стрибок переміщає межу праворуч — туди, де ще рік тому людина була незамінною. Хто будує стратегію на тезі «у складному людина завжди дорожча» — будує лінію Мажино: красиве укріплення, яке ворог обійде збоку.

На закритих задачах людина вже програла остаточно, і жоден сентимент цього не змінить. $0.94 за задачу — реальне число, не маркетинг. Хто ігнорує цей факт заради душевного спокою — той не готується, він просто заспокоюється.

Але ось де чесність і обмеження цього лонгріду.

Ми не знаємо швидкості зсуву. Verification overhead частково автоматизується — але «частково» і «повністю» — це різні рівняння. Перевіряти перевіряльника-агента все одно мусить хтось із підписом; ти можеш додати ще один шар автоматики, але право сказати «це йде в production» врешті впирається в людину, яка за це відповідає. Відповідальність, яку нема кому підписати, — не технічна проблема, а інституційна. Регулятори, суди, страхові компанії не приймають «модель вирішила» як юридично значимий підпис. І доки це так (а це може бути довго), правий хвіст кривої лишається людським не тому що люди кращі, а тому що так побудована система.

Прогноз Amodei про «quietly stop hiring» — холодний душ проти самозаспокоєння. Але це заява CEO, а не теорема. Entry-level white-collar позиції зникатимуть швидко — це очевидно. А «50% за 1–5 років» — це прогноз із похибкою, яка вимірюється роками й мільйонами людей. Людина, яка повторює цю цифру як вирок, і людина, яка відмахується від неї як від ажіотажу, роблять однакову помилку: обидві вдають, що знають швидкість, якої не знає ніхто.

Єдина стала змінна в рівнянні — швидкість, з якою людина на правому краї кривої переучується й лишається правіше від межі. Лінія рухається. Людина теж мусить.

---

Останній найманий

Уяви компанію. Одна людина. Остання. Ти наймаєш її — і тільки її. Що вона робить?

Не пише тікети. Не генерує листи. Не агрегує дані. Все це робить агент. Вона робить одне: ставить питання «а що далі?» — і бере підпис під відповіддю.

Лінія останнього найму з’являлась у цьому тексті тричі: спершу як обіцянка в авіаційній аналогії, потім як механізм у парадоксі верифікатора, а тепер — як фінальна рамка. Вона не горизонталь, за якою люди закінчуються. Вона крива з прихованим хвостом: що дорожча помилка, то дорожчий наглядач, і то ближче людина знову до центру рахунку.

Фаундери, що автоматизують згори вниз — від стратегії до виконання, — зазвичай лишають «останнього» саме у виконанні. Операторів, технічних спеціалістів, людей, які «просто роблять». І виносять із компанії саме ту людину, яка тримала рахунок чесним: яка скаже «стоп, тут щось не так» до того, як агент відправить лист у суд. Яка має контекст, якого немає в жодному промпті. Яка несе особисту відповідальність — не за KPI, а тому що підписала.

Автоматизація знизу вгору дешевша лише в перші місяці. Автоматизація згори вниз, що прибирає людину з відповідальністю, дорожча за будь-який місячний рахунок AWS. Її ціна з’являється тоді, коли немає кому сказати «ні».

Агент порахує що завгодно. Він просто ніколи не спитає, чи правильне те, що ти попросив порахувати. Ось чому остання людина в компанії — не та, що лишилась. Це та, яку ти найняв би першою, якби колонка з прихованими витратами була у твоїй таблиці з самого початку.