Как доказать, что ты чего-то стоишь, если сделать внешне привлекательный продукт теперь может почти кто угодно и почти без усилий? Старая логика «усилия на создание продукта → экспертиза → ценность» сломалась на всех уровнях — от выпускника вуза до опытного PM. Новые способы показать свою ценность теперь должны быть тесно переплетены с самой работой, а работа должна включать осмысление решений, сгенерированных ИИ.
TL;DR
- Количество выпущенных проектов больше не доказывает экспертизу: ценятся понимание созданного и чутьё, которое из него вырастает.
- К каждой работе стоит прикладывать короткий артефакт-объяснение с ответами на четыре вопроса — это как бы новый аналог commit message.
- Дипломы и годы опыта обесцениваются; вместо резюме нужна богатая история микротранзакций — т.е. реальной оплаченной работы, пусть и сделанной за короткий срок.
- Работать в открытую сейчас выгоднее, чем когда-либо.
Кому будет полезно
- Специалистам любого уровня — от выпускников до сеньоров и PM, — которые ищут работу или хотят сохранить свою позицию на волне сокращений.
- Разработчикам и продактам, которые активно вайбкодят и выпускают проекты с ИИ.
- Тимлидам и руководителям, которым нужно понять, как оценивать вклад людей, когда результат с ИИ создаётся почти без усилий.
Пересказ
Никто теперь не знает твою реальную цену
Стандартный карьерный совет для разработчиков звучит так: собирай портфолио, осваивай инструменты, выпускай проекты, «покажи, а не рассказывай». Совет неплохой, но он толкает всех к генерации кода, которую ИИ сделал на порядок проще для каждого. На GitHub взрывной рост числа проектов, в App Store — приложений.
Обычно это подают как проблему джунов. Молодёжь теряет единственный способ доказать свои компетенции и страдает от этого больше всех. Но проблема шире. Сломан сам механизм, которым мы доказываем, что умеем что-то делать.
Почему всё сломалось? Раньше создание было трудным, трудность означала усилие, усилие — получение экспертизы. Если человек делал много разных продуктов и давал ссылки на них в своём портфолио, из этого складывалось «понятно, на что ты способен и чего ты стоишь». Теперь же столь же объёмное портфолио красивых на первый взгляд продуктов не означает наличие экспертизы.
А тем временем в IT продолжаются массовые увольнения: Oracle сокращает до 30 000 человек, Block сокращает 4 000, Amazon ещё в январе сократил 16 000, Dell — 11 000. Поэтому каждый в этой индустрии сейчас думает, как доказать свою ценность.
Принцип 1: понимание должно идти в ногу с созданием
[04:36]
Нейт и сам обожает быстро выпускать продукты и рад, что ИИ теперь это позволяет. Но всё же стремиться стоит не к максимальному количеству, а к пониманию создаваемых продуктов.
Нужно достаточно глубоко понимать созданное, чтобы объяснить не столько код, сколько 4 вещи:
- почему он работает именно так;
- что сломается, если его изменить;
- на какие компромиссы ты пошёл по ходу работы;
- что ты сознательно решил не делать.
Как большинство людей вайбкодит пет-проекты: промптят, итерируют, получают что-то работающее и выпускают. Они ни разу не останавливаются, чтобы построить ментальную модель происходящего в кодовой базе. Более того, в этом и состоит конкурентное преимущество инструментов типа Lovable: они намеренно скрывают внутреннее устройство, предлагая ввести свои хотелки и получить магию.
Если спросить таких пользователей, почему ИИ принял именно эти решения, большинство пожмёт плечами: «Это то, чего я хотел. И оно работает».
Теперь добавим к ним всех, кто разрабатывает с помощью ИИ в каждой компании мира. Команды деплоят фичи, которые никто в команде полностью не понимает. PM выпускают прототипы, которые не могут до конца объяснить. Мы генерируем всё больше, поэтому растёт разрыв между софтом и тем, что люди думают о нём.
И это уже приводит к серьёзным проблемам. Amazon дорого заплатил за этот урок: инженер использовал обязательный корпоративный ИИ-инструмент для кода, и тот решил, что оптимальный путь — удалить всё продакшен-окружение. Итог — 13 часов простоя AWS, а в официальном ответе это назвали ошибкой сотрудника, хотя сотрудник просто следовал корпоративному требованию использовать ИИ.
Как из понимания вырастает чутьё
[07:10]
Что значит понимание на практике? Нужно заставлять себя разбираться в том, что создаёшь, прямо по ходу работы. Перед тем как выпустить очередной кусок работы, хорошенько подумать над вопросами:
- Что это даёт клиентам?
- Какие тут зависимости?
- Какова зона последствий (blast radius), если с этим куском кода что-то пойдёт не так?
- Какие решения были приняты и почему?
- Какую часть работы ИИ я выбрасываю, а какую оставляю?
- Когда я в последний раз переубедил ИИ?
Именно эта практика развивает то, что называют чутьём (taste).
ИИ-модели не обучены чутью, за исключением самых банальных случаев. Честно говоря, и людям чутьё невозможно «преподать», оно появляется с опытом. Но вот в чём дело:
- Раньше опыт получали с усилием: работа занимала кучу времени, и по ходу можно было отрефлексировать сделанное. Это помогало быстрее развить чутьё.
- Теперь по ходу работы от тебя требуется на порядок меньше времени и понимания. Поэтому рефлексией нужно заниматься намеренно — задавая себе вопросы вроде тех, что перечислены выше.
Глубина важнее объёма и скорости. Жать на газ с ИИ легко. Но один полностью понятый проект имеет большую ценность, чем десять проектов, навайбкоженных без размышлений.
Принцип 2: объяснение как отдельный результат работы
[09:45]
Как показать понимание? Очевидно, через объяснение. Но речь не о посте в блоге про «мой путь» и не о кейсе, описанном задним числом. Это структурированный артефакт-объяснение, который сопровождает работу и неотделим от неё.
Звучит как воздушный замок, поэтому вот конкретика: каждый проект или крупный кусок работы снабжай ответами на четыре вопроса.
- Что это? Не маркетинговое описание, а ясное утверждение простым языком: что это делает и чего не делает.
- Почему ты выбрал именно это? Какие были альтернативы, какие компромиссы ты оценивал? Покажи, где выбор был трудным.
- Что сломается? Где хрупкие места, на каких допущениях всё построено, что развалится, если изменятся требования? Это вопрос про зону последствий (blast radius) — он отделяет тех, кто понимает системы, от тех, кто не понимает.
- Чему я научился? Не в духе книг по саморазвитию, а конкретно: что ты обнаружил в процессе, что изменило твой подход? Где ИИ уверенно выдал неправильное и ты это исправил? Что ты сделал бы иначе в следующий раз?
Нейт приводит свой пример к пункту 4. Одно из главных его открытий 2026 года в проекте Open Brain — насколько важны типизированные определения и схемы. В теории он это знал и мог объяснить. Но, увидев, как её используют и развивают в сообществе, где она работает, а где нет, он прочувствовал это гораздо глубже.
Итак, по итогу работы нужно самому написать простое объяснение, которое покажет, насколько глубоко ты её понимаешь.
Многие возразят: «Можно же срезать путь — пусть Claude это сделает за меня». Можно, но тебя поймают, как только с тобой заговорит любой человек: он сразу увидит, что это слоп и ты на самом деле не понимаешь.
Принцип 3: оплаченная работа важнее корочек
[12:50]
Дипломы и другие регалии быстро теряют смысл. Слишком легко сказать: «ChatGPT, напиши мне выпускную работу». Это обесценивает многое из того, чему мы раньше приписывали ценность.
Но стоит посмотреть глубже — на то, как разворачивается карьера. Это цепочка транзакций, когда ты продаёшь свой труд. Когда работодатель ищет подтверждение ценности в резюме или пишет в вакансии «зарплата по результатам собеседования», на самом деле он говорит: мне важны конкретные транзакции, потому что именно так реальный труд приносит реальную ценность.
С приходом ИИ здесь возникла проблема со скоростью. Раньше значимая работа действительно занимала два, три, четыре года, а теперь с ИИ её можно сделать очень быстро. И старый способ оценить эти транзакции — «сколько лет ты провёл на позиции» — теперь не отражает реальной ценности.
Значит, нужен способ показывать каждую значимую работу, за которую тебе заплатили, даже если она сделана за очень сжатый срок. По сути, нужны микротранзакции в работе, правда, пока нет общепринятого механизма делать их публичными и проверяемыми. Нейт сейчас экспериментирует с этим в своём сообществе.
Принцип 4: работай в открытую
[14:53]
Раньше профессиональное развитие шло за закрытыми дверями: ты развивал навыки внутри компании, твой рост видели несколько коллег, а за пределами организации — никто. Пока всё было стабильно, это не было проблемой: те, кто видел твой рост, могли тебя и вознаградить.
В нестабильном мире публично показанная работа позволяет относительно легко пережить увольнение. Это способ показать свои навыки другим работодателям и потенциальным партнёрам.
Нейт сравнивает это с Venmo: сервис сделал платежи социальными, превратив в игру мелкие транзакции за ужин с друзьями. Там видно, что делают друзья, какие милые эмодзи отправляют друг другу, — и это помогло продвигать приложение. Нам нужен такой же социальный фактор для своей работы. Для инженеров есть GitHub с пулл-реквестами, но всем нужно что-то подобное, чтобы показывать свою работу проверяемым способом.
Работая в открытую, ты как бы отчитываешься перед другими, и в этом есть риск. Можно переживать: увидит ли начальник, не повысит ли это шансы попасть под сокращение? В 2026 году хорошо бы иметь возможность сказать боссу: «Я работаю публично, потому что это полезно для моего профессионального развития», — но так можно не всегда.
Как реализовать эти принципы
Нейт экспериментирует с площадкой Talent Board, где каждый может показать свою работу с объяснениями по описанной выше схеме. Но не в площадке дело. Он призывает взять принципы, если они тебе близки, и разместить подобное на личном сайте или иной платформе.
Каждому нужно место для «великолепного беспорядка» всех артефактов, создаваемых с помощью ИИ. Место, где можно сказать: «Я всё ещё умею думать. Вот как я подхожу к компромиссам. Вот как я углубляю понимание, когда строю всё это. Я могу доказать, что моя ценность растёт, потому что растёт моё понимание и мои навыки».
Цитаты
- «Индустрия создаёт [продукты] с беспрецедентной скоростью и понимает это на беспрецедентно низком уровне».
- «Один полностью понятый проект научит больше, чем десять навайбкоженных без размышлений».
- «Давайте воскресим сообщения к коммитам».
- «Умение думать — теперь редкий ресурс».
Ошибки и грабли
- Вайбкодить без ментальной модели. Промптить рабочий результат и выпускать его, ни разу не разобравшись в его ограничениях и в решениях, которые туда заложил ИИ. Рано или поздно сломается то, что ты не сможешь диагностировать.
- Гнаться за объёмом. Жать на газ с ИИ легко, но если ты мчишься, не умея рулить, это обычно заканчивается аварией.
- Поручить объяснения ИИ. Сгенерировать артефакт-объяснение можно, но любой человек в первом же разговоре увидит, что это слоп и ты не понимаешь сути.
- Отделять доказательство от работы. Если объяснение живёт отдельно, непонятно, работал ли ты сам или всё сымитировал ИИ, — это выглядит как спам.
- Ограничения подхода. Работа в открытую неудобна и может вызвать вопросы у начальника.
Что можно сделать уже сегодня
- Выбрать один навайбкоженный проект и разобрать его до уровня, когда можешь объяснить, почему система работает именно так и что сломается при изменении.
- Написать для своего последнего проекта артефакт-объяснение из четырёх пунктов: что это делает и чего не делает, почему выбрано именно так, что сломается при смене требований, чему ты научился.
- Собрать разбросанные ИИ-артефакты (например, ссылки на Lovable, артефакты Claude, репозитории) в одном публичном профиле — будь то на личном сайте или другой площадке.
- Опубликовать там же список своих «микротранзакций» — конкретных оплаченных результатов за последние несколько месяцев, даже если каждый занял пару недель. И снабдить каждый результат вышеуказанным объяснением.
Заключение
Вопрос, как доказать свою ценность, — один из главных сейчас. Возможности ИИ соблазняют тебя: «просто увеличь выпуск в 100 раз». Но созданные продукты сами по себе больше не говорят о твоей экспертизе, и доказывать свою ценность приходится иначе.
Увеличивать выпуск в эпоху ИИ действительно нужно, но умение думать — теперь более редкий ресурс, и его надо показывать тоже. Так что попробуй увеличить выпуск не в сто раз, а скромнее, но потратить время на демонстрацию своего понимания и доказать, что работа сделана тобой. И сделай всё это доступным для других — любым удобным способом.
- Смотреть оригинальное видео от Нейта Б. Джонса (YouTube)
- Подписывайтесь на наш телеграм-канал Кактус, чтобы не пропустить другие материалы о практиках применения ИИ в компании и в работе руководителя.
