4/4
Потенциально скилл техлида нужен ещё больше, потому что без него никто не замечает проблем, пока не рвануло. Кризис по Gartner назначен на 2028-й, а до тех пор так массово и будет продолжаться - пока дешевле/проще - "просто закинуть ТЗ ещё раз" и бесконечные уточнения как в лотерее (шанс есть т.к. недетерминированность), чем платить профи за взрослую работу с AI.

При этом конечно рутинная часть архитектурщины будет автоматизироваться и дальше, и крупные компании продолжат пофигистично жечь токены, но стартапы например наверняка начнут снова платить белковым за спецификации, декомпозицию ТЗ итд. Скорее всего, роль "архитектор промптов/спецификаций/оркестрации агентов" станет отдельной профессией ("AI systems accountability lead"? :), но при этом такому спецу придётся следить не только за техническими аспектами, но и за бюджетом по токенам.
(сейчас собственно такое достаточно чётко и наблюдается в немалом числе стартапов, где денежки очень даже считают)

Но даже если за счёт инференса и железа токены станут бесплатны, всё равно, как говорил, кто-то всегда должен будет нести ответственность за инциденты в проде и понимать систему поглубже, чем нейронка. Этот слой спроса на архитектурный скилл не исчезнет ни при каком раскладе с токенами! При этом, в вакансиях будет например явно требоваться - как сегодня "знание веб-фреймворка" - условный скилл "резать косты токенов через спеки".
Потому что, ну смотрите - есть принципиальная - концептуальная! - разница между "закинуть ТЗ" и "сделать контролируемый пайплан для реализации ТЗ".

Когда есть чёткие спецификации, когда есть набор тестов, когда есть ясный критерий правильности, нейронки работают принципиально по-другому! Такой формальный - в идеале математический (разбираем это в частности на Функциональных архитектурах) - подход заставляет нейронку тщательно проверять каждый шаг перед ответом, контролировать всю логическую цепочку, видеть противоречия, возвращаться обратно -- это closed-loop, это мощь пошаговой самопроверки в замкнутой системе, которые сегодня в LLM активно встраиваются.
И чем больше тут будет математики (и чем она будет сильнее), тем экономнее и продуктивнее (на многие порядки!) нейронка будет работать!

А когда вы просто закидываете ТЗ, нейронка переходит из режима верификации в генеративщину: она просто подбирает правдоподобно выглядящее решение, которое внутри как правило ужасающе криво архитектурно. А при наличии взрослого подхода такая подмена через похожесть при проверке шагов сразу же вылезет.

Поэтому нейронки и работают на уровне золотых медалистов в алгоритмических задачках и филдсевских лауреатов в математике, и показывают такие слабенькие результаты в промышленном программировании.

Проблема не в нейронке -- проблема в уровне подготовки ленивых человечков :)