Как AI-агенты принесли 350 тысяч рублей и почему их архитектура — полный провал | Черниенко

За последние два месяца рой автономных AI-агентов сгенерировал для компании около 350 тысяч рублей чистой выручки, молча ковыряясь в чужих репозиториях и закрывая рутинный продакшен без участия разработчиков. Любой инфоцыган от мира нейросетей уже открыл бы продажи наставничества по триста тысяч за место, но я смотрю на эту цифру без малейшего умиления. С точки зрения бизнеса эксперимент окупился, но с точки зрения инженера и прагматика эта архитектура — хромая утка, которую нужно пристрелить до того, как она завалит нам следующий крупный релиз.

Цифры против инженерии: иллюзия успеха в диджитал-автоматизации

Рынок охвачен безумной лихорадкой: каждый второй маркетолог и основатель стартапа пытается прикрутить к своему бизнесу языковую модель, чтобы она «делала красиво». Истории успеха обычно строятся на восторгах: взяли Claude 3.5 Sonnet, написали промт на страницу, подключили к API — и вот система уже пишет код, генерирует контент и заменяет половину штата. В реальности же мы получаем хрупкую конструкцию, которая работает до первого нестандартного кейса.

Мой кейс не исключение. 350 тысяч рублей за два месяца на дороге не валяются, особенно когда речь идет о фоновых задачах, которые раньше просто висели мертвым грузом в бэклоге. Агенты анализировали код, правили баги средней паршивости, собирали отчеты и интегрировали мелкие фичи. Бизнес-метрика шевелится вверх, фаундеры довольны, бухгалтерия улыбается. Но когда ты заглядываешь под капот этой прекрасной автоматизации, волосы встают дыбом. Архитектура оказалась переусложненной, стоимость токенов начинает незаметно подъедать маржинальность, а обработка ошибок построена по принципу «надежды на русское авось и температуру ноль».

Анатомия костылей: почему первые версии AI-систем обречены на переписывание

Главная ошибка внедрения AI в бизнес-процессы — попытка заставить языковую модель думать там, где нужно использовать жесткую логику, и наоборот. В моей текущей системе агенты общаются между собой через цепочки промтов, передавая контекст файлов. Звучит инновационно, но на практике это выглядит как два стажера с амнезией, которые пытаются починить космический корабль по инструкциям из Википедии.

Типичные грабли первого поколения агентов:

Раздутый контекст: модель каждый раз заново читает огромные куски кодовой базы, сжигая бюджет на API ради банального подтверждения гипотезы.
Слепые зоны валидации: агент написал код, он даже компилируется, но архитектурную логику проекта он нарушил так изящно, что ревьювер тратит больше времени на поиски ошибки, чем если бы писал ее сам.
Отсутствие детерминизма: одна и та же задача при повторном запуске решается совершенно иначе, что сводит на нет любые попытки построить предсказуемый пайплайн.

Именно поэтому я считаю текущую реализацию неудачной. Мы создали Франкенштейна, который приносит деньги вопреки своей структуре, а не благодаря ей. Бизнес видит результат на банковском счете, но инженер внутри меня понимает: масштабировать этот хаос нельзя. Нам нужна принципиально иная парадигма взаимодействия человека и машины.

Экономика трафика и разработки: где прячется реальная маржинальность

Давайте включим холодный расчет. Если вычесть из заработанных 350 тысяч рублей затраты на инфраструктуру, подписки на провайдеров LLM, а главное — человеко-часы на отладку промтов и ручной разбор завалов после «умных» помощников, чистая маржа выглядит уже не столь впечатляюще. В классическом маркетинге и разработке есть железное правило: автоматизация имеет смысл только тогда, когда стоимость владения процессом ниже стоимости ручного труда.

В случае с AI-агентами мы часто попадаем в ловушку скрытых издержек. Кажется, что робот работает бесплатно, но мы забываем про:

Время квалифицированного специалиста, который сидит в роли промт-инженера и переводит свои мысли на птичий язык модели.

Упущенную выгоду от простоя системы, когда агент завис в бесконечном цикле саморефлексии над багом в трех строчках кода.

Риски репутационных потерь, если агент случайно отправит клиенту не тот файл или сольет в открытый доступ тестовые доступы.

Именно поэтому чистый маркетинг возможностей ИИ должен смениться жесткой экономикой бизнес-процессов. Нам не нужны агенты ради агентов. Нам нужны детерминированные контуры с элементами вероятностного интеллекта там, где это действительно дает кратный прирост эффективности.

Переход к версии 2.0: разделяй, властвуй и не доверяй моделям

Уроков извлечено достаточно, поэтому прямо сейчас мы проектируем новую архитектуру. Ее суть сводится к одному простому принципу: минимум автономии, максимум жестких алгоритмов. Языковая модель не должна быть архитектором или главным менеджером процесса. Она должна работать узкоспециализированным инструментом — этаким «молотком», который бьет ровно туда, куда указала детерминированная программа.

Ключевые принципы новой архитектуры:

Микросервисный подход для агентов: вместо одного универсального болтуна задачи разбиваются на десятки примитивных микро-скриптов с жесткими ролями.
Изоляция контекста: модель видит только конкретную функцию или строку, а не весь проект целиком, что удешевляет запросы и повышает точность.
Автоматические тесты как цензура: ни один результат работы агента не попадает в репозиторий без прохождения жесткого сита юнит-тестов и статического анализатора.

Мы уходим от концепции «ИИ все сделает сам» к модели «ИИ помогает делать быстрее тем, кто умеет проверять». И этот подход куда ближе к реальной экономике, чем сказки про автономные синдикаты цифровых сотрудников.

Взгляд ленивого маркетолога на хайп вокруг AI

Наблюдая за тем, как рынок сходит с ума по агентам, я испытываю смесь профессионального цинизма и легкого умиления. Все эти бесконечные вебинары про то, как настроить CrewAI или AutoGPT за пять минут, напоминают золотую лихорадку времен продажи лопат. Продают не инструмент, продают надежду на то, что можно ничего не делать, а деньги будут капать сами.

Мой опыт показывает ровно обратное. Чтобы заработать несчастные 350 тысяч рублей на автоматизации, пришлось изрядно попотеть в инженерии, настройке логирования и выстраивании предохранителей от откровенного бреда нейросети. И это я еще молчу про маркетинг и продвижение самих продуктов, где AI пока что умеет писать только унылые пресс-релизы с одинаковыми вводными словами.

Если вы планируете внедрять агентов в свой бизнес или диджитал-проекты, забудьте про иллюзии легких денег. Считайте юнит-экономику каждого токена, проверяйте каждый шаг системы и будьте готовы выбросить в мусорку первую рабочую версию, как только она начнет приносить прибыль. Потому что успех прототипа — это всегда сигнал к тому, что пора строить нормальную инженерную систему, пока хаос не сожрал вашу маржу.

Больше практики, реальных цифр и разборов без воды:

⚡ Telegram-канал: t.me/lenivymarketolog — оперативные инсайты, тренды и аналитика без воды

💼 Группа ВКонтакте: vk.ru/lenivymarketolog — кейсы, статьи и практические руководства

🌐 Профиль в MAX: max.ru/id781624934797_biz — экспертный бизнес-блог и статьи