Ради интереса прошел по пути от локальных LLM к OpenClaw и интеграции в сервисы (например, корпоративный чат) и пришел к выводу, что пока что это прикольное баловство. Во-первых, в головах пользователей не сложилась схема проекции реальной задачи на ИИ, непонятно что спрашивать и какой результат ожидать. Почти всегда мой заказчик (тендеры, кадры) выстраивают workflow на собственном опыте и задают вопросы с учетом личного отношения к ответу вроде "этот ответ мне нравится. а этот нет". Из этого следует "во-вторых", что хорошие ответы - это заслуга пользователя, а плохие - недоработка ИТшников, у пользователя нет понимания, что ИИшка - это его инструмент и к нему надо набить руку (и голову). В-третьих, потому что ребята все еще думают бытовым контекстом, и, я бы сказал, это главная проблема: полнота и ценность постановки задачи. ИИшка изо всех сил пытается додумать, предлагает варианты, а в итоге протаскивает пользователя через ад уточняющих вопросов. Какие я вынес из этого выводы: Да, стоит пробовать систему на реальных задачах. Мне очень понравилось, что можно в vscode просто писать "напиши функцию сложения 2х чисел" и оно реально само читает файл исходников и дописывает. Иногда это полная хрень и надо быть спецом и понимать, что заказывать, и проверять результат. Быть печатающим балбесом с классным результатом не получится. Любой специально написанный скрипт, отрабатываемый cron, делает задачу точно выполнимой в предписанном формате с предписанными проверками условий, это гарантированный выход данных в гарантированном формате. ИИшка может начать что-то изобретать или ее надо учить контекстами, промптами, что как будто тоже программирование, но своими словами. А это учит не структуре мышления и практике инструмента и пониманию его границ использования, а оставляет пользователя в контексте болтуна, которому должно быть комфортно: я уверен, что все вы получали ТЗ в разнообразных жутких формах. Быть балбесом, который свалит кривые бэкапы на ИИшку не получится. Пока что лучшее применение для моих задач - это обработка документов: документация по настройке оборудования, поиск и классификация задач по тендерам, обработка логов систем, почта, анализ сервис-деска - то есть, все, что касается текстовых массивов и группировок. Единственный плюс - это некоторая экономия собственного времени на получение итогов.

Я на этом пути - те, кто протестировал моего бота, были удивлены, но чувствуется общая усталость от их засилия - нужна рчень точная агентость, чтобы бот справоялся (пусть будет) с очень маленькой задачей, но всегда на 💯%

Активно изучаю тему, но пока без работы. Чтобы была польза нужно заменить рутинные процессы автоматизацией. И даже сложные но с чёткой измеряемой целью.

у нас в продукте jobpath.world - автоматизировали несколько процессов: разбор вакансий и резюме, генерация сопроводительных под конкретный jd, ответы кандидата в чате с работодателем. польза: скорость отклика выросла в разы, а качество - по фидбеку пользователей - держится.

Процесс: Разработка корпоративной ERP-системы силами микро-команды.Инструменты: OpenCode + модели из подписок OpenCode Go и Zen.Польза (субъективно): Главный профит — радикальное сокращение TTM (Time-to-Market). Раньше на такой объем функционала нужна была орава мидлов, а сейчас справляемся маленьким ядром. ИИ взял на себя рутину и генерацию шаблонного кода, что позволило нам, по сути, «прыгнуть выше головы» и собрать сложную систему в сжатые сроки.