Попался очередной пост про чудеса AI. Сейчас очень много публикаций, обещаний и ожиданий в духе:

"Просто скажи нейросети, что тебе нужно, и она сама сделает то, на что раньше уходили месяцы работы специалистов".

AI действительно меняет правила игры. Но всё это работает далеко не так просто, как принято показывать в красивых кейсах и вирусных постах.

Понимать и создавать архитектуру даже относительно простых приложений и автоматизаций - по-прежнему сложная задача. Я уже молчу про сочетание API, MCP, баз данных, CRM-систем, рекламных кабинетов, серверов и прочей инфраструктуры.

Для примера возьмём рекламный дашборд. По версии большинства постов про вайбкодинг это выглядит примерно так: сказал AI, что нужен дашборд; через 15 минут получил готовое решение. На практике всё выглядит совсем иначе.

Сначала нужно понять саму задачу и то, как она работает без AI.

Потом выбрать инструменты реализации:

- какую LLM использовать; - нужен ли агрегатор моделей; - где будет размещаться проект; - какой интерфейс использовать для работы с агентом; - нужен ли VPS; - как будет храниться информация.

После этого нужно собрать первичную архитектуру и связать инструменты между собой.

Дальше действительно можно поставить задачу агенту человеческим языком. Но уже на этом этапе нужно понимать, что предлагает AI и насколько это соответствует реальным требованиям проекта.

Следующий этап - установка компонентов:

Python; JavaScript; библиотеки; CLI-инструменты; необходимые сервисы и зависимости.

Потом идёт разработка основной логики.

А дальше начинается самое интересное. Если проект должен взаимодействовать с внешним миром, его нужно подключить к источникам данных.

В случае рекламного дашборда это могут быть:

- рекламные кабинеты; - CRM; - системы аналитики; - таблицы; - внутренние базы данных.

И здесь внезапно выясняется, что: не все сервисы дают нужный API; где-то есть ограничения; где-то подключения периодически отваливаются; где-то приходится использовать браузерные действия вместо прямого API; где-то меняются правила доступа.

Всё это приходится продумывать, тестировать и регулярно поддерживать.

Далее идёт этап реальной эксплуатации.

Нужно проверять работу на живых данных, дописывать инструкции для AI-агентов, улучшать процессы и устранять проблемы, которые неизбежно всплывают в процессе использования.

И всё это ещё нужно уметь переносить между платформами.

Например, если вся архитектура построена вокруг одного конкретного сервиса или провайдера, то блокировка аккаунта, изменение тарифов или ограничение доступа может привести к тому, что часть автоматизации бизнеса просто перестанет работать.

Поэтому при построении любых AI-автоматизаций нужен человек, который понимает всю архитектуру целиком.

Причём желательно не только AI-инструменты, но и саму сферу, которую он автоматизирует.

Я описал всё очень поверхностно и лишь в общих чертах.

Но надеюсь, теперь понятно, почему рассказы в духе "просто скажи AI, что тебе нужно, и всё будет готово через 15 минут" стоит воспринимать с большой осторожностью.

Большинство подобных обещаний сильно гиперболизированы и обычно оставляют за скобками вопросы: - архитектуры; - контроля; - безопасности; - масштабирования; - поддержки; - миграции между сервисами.

Даже если говорить про обычный сайт, вопросов возникает достаточно:

- на каком хостинге он работает; - как хранятся данные пользователей; - может ли владелец самостоятельно вносить изменения; - можно ли нормально подключить аналитику; можно ли поставить Яндекс.Метрику, пиксели, CRM; - есть ли политика конфиденциальности и необходимые юридические документы.

Да и если говорить честно, сайты по шаблонам собирались на Тильде ещё задолго до нынешнего AI-хайпа.

Поэтому, безусловно, специалистам, предпринимателям, руководителям и собственникам бизнеса стоит изучать AI уже сейчас.

Но рассказы про магическую простоту создания сложных систем я бы рекомендовал делить как минимум на десять. AI - это огромный шаг вперёд. Но волшебство по запросу пока существует в основном в рекламных постах про AI.