Не каждая AI-инициатива требует агента. Иногда ей сначала нужен нормальный процесс.

После вчерашнего поста в комментариях в Сетке прозвучал отличный третий вопрос:

А нам вообще нужен агент? Или достаточно автоклассификации, эмбеддингов и того, что уже есть в системе?

Хороший пример того, где агент действительно оказался уместен, недавно показала Asana.

Asana, да, та самая для управления задачами и проектами, а не из йоги) Ирония в том, что один из их собственных технических проектов при обычном темпе мог тянуться еще около пяти лет.

Команда несколько лет мигрировала frontend-тесты с устаревшего Enzyme на React Testing Library. Задача знакомая почти любой большой разработке. Клиент разницы не увидит, разработчиков нужно много, бизнес-кейс объясняется тяжело. Поэтому такой техдолг обычно живет рядом с фразой «вернемся, когда появится время».

Asana подключила несколько экземпляров Codex.

Агенты параллельно брали части кодовой базы, находили старые тесты, переписывали их по уже принятым паттернам, запускали проверки и отдавали результат инженерам на ревью.

То, что при прежнем темпе оценивали примерно в пять лет (да, не без запаса конечно), закрыли за две календарные недели.

Расходы на AI и инфраструктуру составили около $12 тыс. Asana сравнивает это примерно с $6 млн стоимости традиционного сценария. К последней цифре я бы относился как к красивой оценке. Но даже после нескольких поправочных коэффициентов экономика выглядит интересно.

Почему здесь агент сработал?

Потому что задача уже была хорошо подготовлена для него.

Было понятное определение готовности, хорошие примеры кода, тесты, CI и повторяющийся паттерн действий.

AI не решал, что делать с продуктом. Он масштабировал уже принятое инженерное решение.

И вот здесь проходит важная граница.

Команда видит ручную маршрутизацию, хаос в документах или долгий путь согласования и сразу зовет на помощь агента. А узкое место иногда куда проще: процесс никто не описал, правила не договорили, данные лежат в разных местах, метрику успеха ещё не назвали.

В таком случае первый шаг может выглядеть так:

понять процесс / нормализовать данные / попробовать простую автоклассификацию / измерить результат / только потом решать, нужен ли агент.

RAG на двухстах документах тоже AI.

Просто без цифрового коллеги, которому потом придется придумывать должностную инструкцию, права доступа и КПЭ.

А вот миграция тысячи однотипных тестов, замена устаревшего API или рефакторинг по понятному шаблону уже выглядят как хороший корм для агентов.

Получается простой принцип:

чем меньше неопределенности и чем легче проверить результат, тем больше смысла отдавать работу агенту.

Иногда самый умный AI тот, которому не пришлось притворяться человеком.

А иногда четыре цифровых коллеги действительно могут разобрать техдолг, который команда собиралась разгребать еще пять лет.

Чек-лист с вопросами до защиты бюджета в предыдущем посте. Он как раз помогает понять, нужен вам агент, простой AI-сценарий или сначала все-таки нормальный процесс.

А какой AI-проект у вас можно было бы начать с более простого шага?🤔😜