Kariera w erze agentów AI: co naprawdę się liczy według Phila Chena

5 lipca 2026

Wprowadzenie

W erze agentów AI najcenniejsza staje się ta praca, której nie da się ocenić funkcją straty. Tak w skrócie brzmi teza eseju „Career advice in the age of AI” Phila Chena, założyciela i byłego inżyniera Helm AI, Scale AI, OpenAI oraz Google DeepMind. Chen zauważa, że modele AI są coraz lepsze we wszystkim, co da się zapisać jako dobrze zdefiniowany problem z policzalną odpowiedzią, czyli dokładnie w tym, czego uczy szkoła. Wartościowa praca najbliższej dekady to według niego to, czego nie sposób sprawdzić w trakcie treningu modelu. Przeczytałem ten tekst pod kątem naszej branży i wybrałem z niego to, co najważniejsze dla osób wcześnie w karierze, a na końcu dokładam własny komentarz o tym, co to oznacza dla rekrutacji.

Dlaczego szkoła przestaje wystarczać

Chen pisze z perspektywy założyciela firmy w pełni agent-native, czyli takiej, w której nikt nie pisze kodu ręcznie, a jego potrzeby rekrutacyjne różnią się od wszystkiego, co znał wcześniej. Przez sześć lat pracował w organizacjach każdej wielkości, od własnego startupu, przez Helm AI (wzrost z 15 do 50 osób), Scale AI (z 500 do 1500), OpenAI (z 1500 do 3000), aż po Google z ponad 100 tysiącami pracowników. Jego wniosek jest taki, że skoro szkoła to głównie dobrze zdefiniowane zadania oceniane względem znanych odpowiedzi, to właśnie te umiejętności agent przejmuje najszybciej, a przewagę daje to, czego automat nie policzy.

Naprawdę rzadkie zasoby: czas, relacje i reputacja

Pierwsza rada Chena dotyczy tego, na co warto kierować uwagę. Autor wspomina, że przed dołączeniem do Scale miał oferty z funduszy z wyraźnie wyższą gwarantowaną gotówką, ale wybrał Scale ze względu na ludzi i dostęp do różnych produktów. To właśnie ta sieć kontaktów, a nie dodatkowe pieniądze, dała mu później szanse w DeepMind i OpenAI oraz społeczność założycieli. Jego teza brzmi, że kapitał jest dziś łatwiej dostępny niż kiedykolwiek, a naprawdę rzadkie pozostają czas, silne relacje i udokumentowana jakość wcześniejszej pracy. Chen radzi więc robić dobrą robotę i dbać, żeby wiedzieli o niej inni cenieni ludzie, a także bezwzględnie tak układać priorytety, by czas szedł na problemy, które uważa się za sensowne. Dodaje, że w dobie vibe-codingu łatwo znaleźć okazje na szybki zarobek, ale większa nagroda zwykle czeka tam, gdzie szuka się realnej wartości.

Umiejętność, która zyskuje najbardziej: znajdowanie problemów

Najmocniejszy dla mnie wątek eseju dotyczy tego, że liczyć się będzie nie tylko rozwiązywanie problemów, ale przede wszystkim ich znajdowanie. Chen opowiada, jak w jego firmie szukano sygnału wśród kandydatów i doszli do wniosku, że skoro nikt nie pisze kodu ręcznie, klasyczne zadania weryfikujące umiejętność kodowania, ani nawet pytania o projektowanie systemów nie korelują z realną pracą. Zamiast tego zespół zbudował rozmowy sprawdzające, jak szybko ktoś rozumie środowisko, w którym się znalazł, jak identyfikuje warte rozwiązania problemy i jak je realizuje w ramach istniejących ograniczeń. Autor przewiduje, że najważniejsze staną się umiejętności związane z wyborem problemów i alokacją zasobów, bo skoro coraz silniejsi agenci liczą złożone, dobrze zdefiniowane zadania, to największy wpływ będą mieli ludzie najlepsi w wskazywaniu istotnych problemów i rozdzielaniu na nie tokenów oraz czasu. Chen zauważa też, że studenci bywają zniechęceni tym, że agent rozwiązuje wszystkie ich zadania, ale w rozmowach rekrutacyjnych widać ogromne różnice w tym, ile czasu i tokenów kandydat potrzebuje, by dojść do rozwiązania, a najlepsi wnoszą intuicję i zewnętrzny kontekst do współpracy z agentem.

Ambitne problemy i ostatnia mila

Kolejne rady Chena układają się w jedną myśl: celuj wysoko i dopracowuj do końca. Autor przypomina gorzką lekcję (bitter lesson) z badań nad AI, zgodnie z którą skalowanie ogólnych metod ostatecznie wygrywa z optymalizacjami pod konkretne zadanie, i przenosi ją na wybór problemów oraz firm. Skoro budowanie oprogramowania jest dziś łatwe, proste systemy potrafi złożyć niemal każdy, więc trwała wartość powstaje tylko przy ekstremalnym skupieniu na naprawdę ambitnych problemach. Stąd jego rada, by oceniać, czy firma pracuje nad najambitniejszą wersją swojego problemu i czy ma realną szansę go rozwiązać. Drugi filar to ostatnia mila. Chen powołuje się na tekst Alfreda Lina o tym, że ostatnie 10 procent to zarazem 90 procent pracy i 90 procent nagrody, bo mediana wyniku to dziś to, co agent wyprodukuje z niechlujnego promptu, więc wartość bierze się z unikalnej perspektywy i dbałości o szczegóły.

Gra o gole, nie tylko o okazje

Chen ilustruje to własnymi decyzjami. W 2023 roku odrzucił oferty z Anthropic (wtedy około 50 osób) i Cursora (wówczas dwóch pracowników spoza założycieli), bo chciał pracować nad treningiem i inferencją modeli w DeepMind, a w 2024 odrzucił je ponownie, wybierając OpenAI. Każda z tych okazji byłaby z perspektywy kariery wysokim xG, czyli oczekiwanym golem, ale on stawiał na dopasowanie do własnych zainteresowań i kultury. Autor nie wierzy przy tym, że superinteligencja zastąpi całą pracę umysłową, bo ludzie mają przewagę w wybieraniu sensownych problemów i w alokowaniu kapitału na ich rozwiązanie. Przy ocenie wczesnych firm radzi patrzeć na zespół i rynek, a nie na obecny produkt, bo ten prawie zawsze mocno się zmienia, i przypomina, że pierwsze demo Anthropic było slackowym botem gorszym od ChatGPT.

Researcher to mentalność, nie zawód

Ostatni wątek dotyczy wchodzenia w badania. Chen twierdzi, że dziś można zacząć bez pracy w czołowym laboratorium AI, używając modeli i przekuwając własne intuicje w ewaluacje, a wielu dostawców mocy obliczeniowej daje kredyty dla akademików. Jego zdaniem bycie badaczem to mentalność, a nie zawód, bo praca badacza to głównie ciekawość, by eksplorować nowe pomysły, zmaganie się z infrastrukturą, rozumienie całego systemu na tyle dobrze, by sprawnie debugować, i umiejętność uzasadnienia wartości wyników. Większość pomysłów i tak polegnie przy skalowaniu, a zrozumienie tych porażek jest pierwszym krokiem do wiedzy o tym, co naprawdę działa.

Co to znaczy dla rekrutacji i oceny kandydatów

Tu wchodzę już ze swojej perspektywy, jako CEO Element. Jeśli Chen ma rację, a moim zdaniem w dużej części ma, to rekrutacja techniczna oparta na zadaniach algorytmicznych traci sens, a zyskuje ocena tego, jak kandydat porusza się w nieznanym środowisku, jak wybiera problemy warte uwagi i jak współpracuje z agentami. Dla działów HR i rekruterów oznacza to przesunięcie z pytania, czy ktoś umie rozwiązać dane zadanie, na pytanie, czy potrafi znaleźć właściwe zadanie i doprowadzić je do końca. To trudniejsze do zmierzenia, więc tym bardziej liczy się uporządkowany proces, w którym widać historię pracy kandydata, jego projekty i sposób myślenia, a nie tylko wynik jednego testu. Rezonuje to ze mną tym bardziej, że od kiedy dzięki vibe-codingowi mocno przyspieszyliśmy z rozwojem Elementu, zastanawiam się głównie na tym, jakie kolejne problemy nasz ATS ma rozwiązywać, a nie jak to zrobić lub ile czasu to zajmie. 

Co z tego wynika

Esej Chena zamyka optymistyczna myśl, że świat wciąż jest pełen okazji, a kluczem jest szukanie ciekawych problemów i dowożenie ponadprzeciętnych efektów. Zgadzam się, i dodam tylko, że dla rekruterów to samo wyzwanie dotyczy sposobu, w jaki oceniają ludzi. Jeśli budujesz zespół w świecie agentów, warto już teraz przemyśleć, czy twój proces rekrutacji mierzy znajdowanie problemów, czy wciąż tylko ich rozwiązywanie.

Najczęściej czytane:

  1. Darmowe ogłoszenia o pracę i największa lista źródeł kandydatów – największa w Polsce lista bezpłatnych i płatnych źródeł kandydatów
  2. Praca w HR – najnowsze oferty pracy i aktualne średnie wynagrodzenia w branży HR
  3. Akademia Rekrutacji – zbiór wiedzy na temat rekrutacji oraz raporty z rynku pracy.
  4. Gowork – jak reagować na negatywne opinie o pracodawcach – Kompleksowy poradnik dla pracodawców.
  5. Jak napisać CV i profil LinkedIn – kompleksowy poradnik tworzenia CV i profilów LinkedIn
  6. RODO w rekrutacji – sourcing, direct search, ogłoszenia. Wszystko co musisz wiedzieć – kompleksowy poradnik RODO w rekrutacji z naciskiem na działania typu direct search / sourcing.
  7. Wszystko o systemach ATS – poradnik wyboru systemu rekrutacyjnego
  8. Umowy przedwstępne i listy intencyjne w procesach rekrutacyjnych – wszystko, co musisz wiedzieć o prawnych zabezpieczeniach zobowiązania do zatrudnienia.
Picture of Maciej Michalewski

Maciej Michalewski

Founder & CEO @ Element

Element cennik baner

Nasze artykuły przeczytasz także na Medium, LinkedIn, Substack, Reddit

Ostatnie wpisy: