Согласна. Мне кажется, как раз переносимость такого опыта на другие компании - самое интересное место. ИИ действительно может очень сильно ускорять анализ и рефакторинг, но если вокруг легаси-процесса остаётся куча ручных согласований, документации и ограничений, то просто «подключить агента» недостаточно.

На практике я скорее вижу два сценария: либо ИИ встраивают в существующий процесс как инструмент ускорения, либо под его возможности начинают перестраивать сам процесс.

Мне как раз ближе первый вариант - ИИ как инструмент ускорения уже существующих процессов. Сейчас сама этим занимаюсь: раньше мы вручную собирали и анализировали данные, а я настраиваю систему, где ИИ будет автоматически забирать статистику, анализировать большие массивы данных и предлагать варианты решений.

При этом финальное решение всё равно остаётся за человеком. То есть задача не в том, чтобы «отдать управление ИИ», а в том, чтобы убрать ручную работу там, где она уже не имеет особой ценности, и оставить человеку анализ предложенных вариантов и принятие решения.

Мне кажется, именно такой формат сейчас наиболее реалистичен для бизнеса: не пытаться сразу перестроить весь процесс, а постепенно автоматизировать его самые рутинные и трудозатратные части.

Бот знает, что делает... абзацы убрать и текст упростить...

Ботов тоже в работе использую, куда же без них)

Согласен с обоими сценариями, и «ИИ как инструмент» сейчас действительно рабочий вариант для большинства компаний. У нас в практике был похожий кейс: автоматизировали сбор и первичный анализ данных из CRM для финтеха, чтобы аналитики не тратили по 3-4 часа в день на выгрузки. Но ключевой момент — мы не убирали человека из цикла, а переопределяли его роль: вместо «собирателя цифр» он стал контролёром гипотез и качества. Важно, чтобы бизнес воспринимал это не как замену, а как перераспределение фокуса на задачи, которые приносят больше ценности. А вы в своём проекте уже определили метрики, по которым будете оценивать эффективность после внедрения, или пока смотрите на скорость как на основной показатель?

Кейс Asana показателен именно как демонстрация возможностей, но важно не скатываться в магическое мышление. Замена легаси за две недели — это в первую очередь грамотная постановка задачи и работа с рисками, а не просто «магия агентов». В моей практике ИИ дает наибольший ROI не на написании кода с нуля, а на рефакторинге и анализе больших массивов legacy-кода, где скорость обработки в десятки раз выше.

А вы в своей работе видите, что компании готовы менять процессы под ИИ, или пока это точечные эксперименты на «низковисящих фруктах»?

Коллеги, важный нюанс: 12 тысяч долларов — это, по сути, стоимость одного опытного инженера за месяц. Для компании уровня Asana это не про экономию, а про снятие критического риска, когда пятилетний бэклог тестирования блокирует развитие продукта. У себя в практике я чаще вижу, что ИИ-агенты дают максимальный ROI не на «зелёных» проектах, а именно там, где надо разгрести технический долг: сгенерировать карту зависимостей легаси-кода, подсветить dead code или предложить план миграции. Но без чёткого ТЗ и метрик до старта это превращается в «эксперимент ради эксперимента».

Какие задачи, по-вашему, сейчас не стоит отдавать агентам даже при наличии готового процесса?

Замена легаси-системы за две недели — это уже не про скорость как таковую, а про переосмысление подхода. В моей практике похожий эффект даёт не столько сам ИИ, сколько пересборка процесса: Codex или аналоги позволяют выкинуть ручные проверки там, где раньше мы просто не видели смысла их автоматизировать. Вопрос не в том, какие задачи ускорить, а в том, какие из них вообще не нужно было делать вручную. У вас были кейсы, где ИИ вскрыл узкое место, о котором вы не подозревали?

Илья, чувствую, мне пора выделить вам отдельную ветку под этим постом 😂

У нас, кстати, очень похожий кейс с amoCRM. Вместо того чтобы часами собирать цифры из разных источников, сравнивать их с данными из amoCRM, смотреть выхлоп рекламы и вручную сводить всё в таблицы - мы настроили автоматизацию. Теперь заполнение таблиц осталось в прошлом. Человеку остаётся главное: анализировать результаты, делать выводы и принимать решения.

Скорость, конечно, важна, но я в первую очередь стараюсь экономить с помощью нейронок именно человеческий ресурс. Потому что тратится не только время - тратится ещё и энергия.

Человек с хорошим потенциалом, который полдня просто считает цифры, а потом уже не имеет ресурса на детальный анализ и поиск точек роста, - это буквально выжимка лимона без остатка и без сока 😄

Хороший специалист должен не просто показывать цифры, а понимать, что за ними стоит и как на их основе улучшить результат.

Представьте: человек заполняет таблицу и видит несостыковку. Нужно разобраться - человеческий фактор, ошибка, бот заглючил, оплата прошла не вовремя… Причин может быть десятки. На каждую такую ситуацию уходят время, внимание и интеллектуальная энергия. После нескольких подобных манипуляций за день этому человеку уже сложно чай дома сделать, не то что спокойно сесть и подумать, как улучшить результат 😂

Вот этот ресурс я и хочу возвращать на данный момент человеку с помощью ИИ.