Андрей Карпати, бывший директор AI в Tesla и один из создателей OpenAI, на прошлой неделе дал интервью Sequoia Capital: Ссылка на видео: Andrej Karpathy: From Vibe Coding to Agentic Engineering (Sequoia Capital, 29 апреля 2026, ~30 мин). Я пересмотрел дважды, потому что первый раз не поверил в то, что услышал. Ниже мой вольный пересказ с комментариями из собственной практики.
Декабрь 2025: что-то щёлкнуло
Карпати начинает с простого наблюдения. В какой-то момент в конце 2025 года агентные инструменты (Claude Code, Codex, Cursor) перестали ошибаться. Не стали идеальными, а перешли порог, после которого ты перестаёшь помнить, когда последний раз что-то исправлял руками.
Я это подтверждаю. У меня работает Telegram-бот, который публикует посты, рендерит обложки, управляет очередью, синхронизирует данные между сервисами. Весь код написан агентами. Не “с помощью” агентов в режиме автокомплита, а именно агентами: я описываю задачу, агент пишет, тестирует, деплоит. Мой вклад: постановка задачи и финальная проверка.
Полгода назад это было невозможно. Сейчас это рутина.
Software 3.0: промпт вместо кода
Карпати вводит термин Software 3.0 и объясняет эволюцию:
Software 1.0 работал просто. Ты пишешь код, компьютер исполняет. Явные инструкции на явном языке.
Software 2.0 заменил часть инструкций данными. Вместо “если пиксель красный, то это кот” ты собираешь датасет котов и обучаешь нейросеть. Код всё ещё есть, но центр тяжести сместился к данным и весам модели.
Software 3.0 убирает и код, и данные. Остаётся промпт. Текст на естественном языке, который LLM интерпретирует в контексте. Нет компиляции, нет фиксированной логики. Есть описание намерения, и модель сама разбирается, как его реализовать.
Карпати приводит яркий пример. Раньше, чтобы установить инструмент вроде OpenClaw, нужен был bash-скрипт. Скрипт ломался на другой ОС, другой версии Python, другом расположении файлов. Теперь ты просто копируешь инструкцию по установке в окно Claude Code, и агент сам адаптируется к твоему окружению. Не выполняет фиксированный скрипт, а решает задачу “установить OpenClaw” с учётом реальности.
Это не удобная обёртка. Это принципиально другой способ создания софта.
MenuGen и смерть приложений
Самый провокационный момент интервью. Карпати рассказывает про своё приложение MenuGen: фотографируешь меню в ресторане, OCR распознаёт текст, генеративная модель создаёт картинки блюд, рендер собирает всё в красивый интерфейс. Полноценный продукт.
А потом он увидел, как ту же задачу решают в Software 3.0: просто отправляешь фото меню в Gemini с промптом “наложи картинки блюд через Nanobanana”. Одна строка. Никакого приложения. Никакого кода. Тот же результат.
Его собственное приложение стало “лишним”. Не потому что плохое, а потому что сама парадигма изменилась. Зачем строить пайплайн из OCR + генерации + рендера, если всё это уже есть внутри модели?
Я ловлю себя на том же. Недавно я строил систему публикации постов: рендер обложки через Playwright, загрузка на сервер по SSH, прогрев OG-кэша Telegram, отправка через Bot API. Сложный пайплайн из шести шагов. Через месяц переписал всё на прямую отправку фото через MTProto: один вызов sendFile. Шесть шагов превратились в один. И каждый раз, когда я оглядываюсь назад, вижу то же самое: инженерия ради инженерии.
Vibe Coding vs Agentic Engineering
Карпати разделяет два тренда, которые часто путают.
Vibe coding поднимает пол. Теперь любой человек может создать работающий софт, не зная ни одного языка программирования. Предприниматель может за вечер собрать лендинг, CRM-бота, email-автоматизацию. Это демократизация. Это прекрасно.
Agentic engineering сохраняет потолок. Профессиональный софт по-прежнему требует архитектуры, безопасности, масштабируемости. Но теперь инженер координирует “нестабильных, но мощных стажёров” вместо того, чтобы писать каждую строку руками.
Это точное описание моей ежедневной работы. Я не пишу код. Я формулирую задачу, проверяю результат, направляю агента, когда он идёт не туда. Ускорение не 2x и не 5x. По некоторым задачам я делаю за час то, что раньше занимало неделю.
Но. Чтобы это работало, нужно понимать, что ты делаешь. Карпати говорит об этом прямо.
“Рваный интеллект”
Карпати вводит термин “jagged intelligence” (рваный интеллект). Модель может безупречно отрефакторить 100 000 строк кода, но при этом посоветовать пешком идти на автомойку в 50 метрах от тебя. В одних задачах модель сверхчеловечна, в других поразительно глупа.
Причина не в фундаментальном ограничении. Просто лаборатории обучают модели на тех задачах, где есть верифицируемые награды: код (тесты проходят/не проходят), математика (ответ верный/неверный). Там, где нет чётких критериев проверки, модели остаются слабыми.
Отсюда практический вывод: модели взрывают в верифицируемых доменах. Если вы строите бизнес и видите нишу, где можно создать RL-среду с проверяемыми наградами, пусть даже маленькую, вы можете получить непропорциональное преимущество. Лаборатории не смотрят на вертикальные ниши. А вы можете.
Почему вкус важнее знания API
Агенты уже не ошибаются в синтаксисе. Вам больше не нужно помнить, что в PyTorch параметр называется dim, а в NumPy axis. Что в одной библиотеке keep_dims, а в другой keepdim. Агент знает это лучше вас.
Что агент не знает: архитектуру вашего продукта. Что CRM должна привязывать покупки к user ID, а не к email из Stripe (потому что у пользователя может быть несколько email). Это вкус. Это суждение. Это инженерное чутьё, которое нарабатывается годами.
Карпати формулирует так: “You can outsource your thinking, but you can’t outsource your understanding.” Можно делегировать обработку информации, но нельзя делегировать понимание. Кто не понимает систему, не сможет направлять агентов.
Для начинающих разработчиков это значит: учитесь не конкретным языкам и фреймворкам, а принципам. Архитектура, паттерны, trade-offs. Конкретный синтаксис уже неважен. Понимание, зачем существует тот или иной паттерн, важнее, чем умение его написать.
Как нанимать в новом мире
Карпати предлагает радикальную альтернативу стандартным собеседованиям. Вместо алгоритмических задачек на доске: дайте кандидату реальный проект. Пусть построит Twitter-клон. Пусть задеплоит. А потом натравите 10 агентов Codex на взлом. Если агенты не сломали, кандидат прошёл.
Это оценка того, что реально важно: архитектурное мышление, безопасность, устойчивость. Не умение написать BFS на листочке, а умение построить систему, которую сложно сломать.
Agent-native мир
Последний тезис: всё, что мы используем сегодня, всё ещё написано для людей. Документация, настройки, UI, API. Нужно переписывать под агентов.
Идеал Карпати: один промпт “сделай мне X” и через минуту X существует, задеплоен и работает. Без единого касания человеком.
Мы не там. Но мы ближе, чем кажется. Мой бот публикует посты по расписанию, рендерит обложки, управляет очередью. Всё началось с промпта “сделай мне систему публикации для Telegram-канала”. Через несколько итераций с агентом это стало реальностью. Не идеальной, но работающей.
Что я из этого вынес
Три вещи.
Перестать бороться с трендом. Не надо строить карьеру на изучении конкретных языков, фреймворков, инструментов, так как большая часть этих знаний обесценивается. Не завтра, но быстрее, чем комфортно признать. Ценность смещается от “умею написать код” к “умею поставить задачу и проверить результат”.
Верификация решает. Если вы можете формализовать проверку результата (тест, метрика, constraint), агент справится. Если не можете, вам придётся разбираться самому. Ваша задача как инженера: превратить расплывчатое “сделай хорошо” в конкретное “вот как проверить, что хорошо”.
Понимание не масштабируется. Агент обрабатывает информацию быстрее вас. Но понимание, зачем система устроена именно так, остаётся за вами. Это последнее конкурентное преимущество. И единственное, что стоит развивать.
Больше о том, как я веду проекты с помощью AI-агентов на практике, пишу в своём Telegram-канале: @popovvii
ссылка на оригинал статьи https://habr.com/ru/articles/1030500/