Не автоматизируйте работу, которой больше нет
У AI-native компании есть неприятное свойство: ее бизнес-процессы устаревают примерно с той же скоростью, с которой выходят новые модели.
Именно поэтому я довольно скептически отношусь к большей части рынка “внедрения ИИ”.
Мы уже видели несколько поколений специалистов, которые возникали вокруг ограничений текущих моделей. Сначала промт-инженеры учили нас разговаривать с нейросетью специальным языком. Потом появились RAG, context engineering, skills, сложные workflow и бесконечные схемы в n8n.
Часть этого нужна до сих пор. Но важнее другое: каждый скачок capability frontier уничтожает часть предыдущего AI-стека.
То, для чего вчера требовались retrieval, маршрутизатор, пять промтов и workflow из сорока блоков, сегодня модель иногда надежнее делает сама. Причем появляются уже и экспериментальные работы с довольно неприятным для индустрии результатом: дополнительные инструкции и автоматически созданные skills не обязательно улучшают работу модели, а иногда ухудшают ее.
Поэтому я вообще перестал считать промт, workflow или даже отдельного агента правильной единицей проектирования.
Моя единица проектирования сейчас это ответственность.
Я не ставлю агенту задачу “сделай вот эти 17 действий”. Я отдаю ему кусок работы, определяю ожидаемый результат, доступные ресурсы, ограничения и точки, в которых решение должен принять человек.
Из этого довольно естественно выросла и архитектура моей собственной работы.
Сейчас почти любая серьезная задача у меня начинается с одного агента-менеджера. Я обсуждаю с ним результат, а дальше он сам раскладывает работу. Под ним появляются агенты на сделки, исследования, разработку, продукт, маркетинг. Они могут создавать собственные субсессии, проверять результаты друг друга и возвращать наверх уже собранное решение.
На нормальной задаче это 20-40 агентов и десятки часов машинной работы.
Я почти никогда не читаю их переписку.
И это, мне кажется, важный психологический барьер, который многим еще предстоит пройти. Мы зачем-то пытаемся контролировать цифровых сотрудников методами контроля autocomplete: читать каждый промежуточный ответ, каждый reasoning trace, каждый кусок сгенерированного кода.
Мне код вообще не интересен. Мне интересен работающий продукт.
Поэтому моя собственная работа постепенно сместилась в другое место: гейты Вкуса.
Нужно правильно определить, в какой момент система обязана остановиться и прийти ко мне. Где еще можно исправить направление дешево. Что я должен увидеть. Какие решения агент может принять самостоятельно, а какие требуют моего вкуса, опыта или ответственности.
Потому что автономность без таких гейтов прекрасно масштабирует не только работу, но и ошибку. Если 60-часовая сессия неверно поняла направление на втором часу, оставшиеся 58 часов она может очень эффективно производить не то.
Вторая половина этой истории вообще происходит без моего участия.
Каждый день у меня автоматически стартует примерно полтора десятка процессов: новые сделки и заявки, почта и Telegram, трафик и рекламные кампании, состояние проектов, цели на день и неделю, исследования рынков, новости, которые действительно могут изменить мои решения.
То есть агент перестает быть интерфейсом, который ждет, пока человек что-нибудь напишет.
Он становится участником операционного контура компании.
И это пока очень примитивная версия того, куда все идет. У нас все еще нет нормального continual learning во время работы, агенты в основном обмениваются человеческими представлениями информации, а не нативными для моделей состояниями, память остается отдельной инженерной проблемой.
Поэтому через год мой сегодняшний стек почти наверняка будет выглядеть таким же смешным, каким сегодня выглядит профессия промт-инженера.
И это нормально.
Мы именно из этого тезиса сейчас строим INITE: AI-native система не должна цементировать текущий способ работы с моделями. Она должна позволять организации постоянно передвигать границу между человеком и машиной вслед за тем, что модели уже способны делать самостоятельно.
У AI-native компании есть неприятное свойство: ее бизнес-процессы устаревают примерно с той же скоростью, с которой выходят новые модели.
Именно поэтому я довольно скептически отношусь к большей части рынка “внедрения ИИ”.
Мы уже видели несколько поколений специалистов, которые возникали вокруг ограничений текущих моделей. Сначала промт-инженеры учили нас разговаривать с нейросетью специальным языком. Потом появились RAG, context engineering, skills, сложные workflow и бесконечные схемы в n8n.
Часть этого нужна до сих пор. Но важнее другое: каждый скачок capability frontier уничтожает часть предыдущего AI-стека.
То, для чего вчера требовались retrieval, маршрутизатор, пять промтов и workflow из сорока блоков, сегодня модель иногда надежнее делает сама. Причем появляются уже и экспериментальные работы с довольно неприятным для индустрии результатом: дополнительные инструкции и автоматически созданные skills не обязательно улучшают работу модели, а иногда ухудшают ее.
Поэтому я вообще перестал считать промт, workflow или даже отдельного агента правильной единицей проектирования.
Моя единица проектирования сейчас это ответственность.
Я не ставлю агенту задачу “сделай вот эти 17 действий”. Я отдаю ему кусок работы, определяю ожидаемый результат, доступные ресурсы, ограничения и точки, в которых решение должен принять человек.
Из этого довольно естественно выросла и архитектура моей собственной работы.
Сейчас почти любая серьезная задача у меня начинается с одного агента-менеджера. Я обсуждаю с ним результат, а дальше он сам раскладывает работу. Под ним появляются агенты на сделки, исследования, разработку, продукт, маркетинг. Они могут создавать собственные субсессии, проверять результаты друг друга и возвращать наверх уже собранное решение.
На нормальной задаче это 20-40 агентов и десятки часов машинной работы.
Я почти никогда не читаю их переписку.
И это, мне кажется, важный психологический барьер, который многим еще предстоит пройти. Мы зачем-то пытаемся контролировать цифровых сотрудников методами контроля autocomplete: читать каждый промежуточный ответ, каждый reasoning trace, каждый кусок сгенерированного кода.
Мне код вообще не интересен. Мне интересен работающий продукт.
Поэтому моя собственная работа постепенно сместилась в другое место: гейты Вкуса.
Нужно правильно определить, в какой момент система обязана остановиться и прийти ко мне. Где еще можно исправить направление дешево. Что я должен увидеть. Какие решения агент может принять самостоятельно, а какие требуют моего вкуса, опыта или ответственности.
Потому что автономность без таких гейтов прекрасно масштабирует не только работу, но и ошибку. Если 60-часовая сессия неверно поняла направление на втором часу, оставшиеся 58 часов она может очень эффективно производить не то.
Вторая половина этой истории вообще происходит без моего участия.
Каждый день у меня автоматически стартует примерно полтора десятка процессов: новые сделки и заявки, почта и Telegram, трафик и рекламные кампании, состояние проектов, цели на день и неделю, исследования рынков, новости, которые действительно могут изменить мои решения.
То есть агент перестает быть интерфейсом, который ждет, пока человек что-нибудь напишет.
Он становится участником операционного контура компании.
И это пока очень примитивная версия того, куда все идет. У нас все еще нет нормального continual learning во время работы, агенты в основном обмениваются человеческими представлениями информации, а не нативными для моделей состояниями, память остается отдельной инженерной проблемой.
Поэтому через год мой сегодняшний стек почти наверняка будет выглядеть таким же смешным, каким сегодня выглядит профессия промт-инженера.
И это нормально.
Мы именно из этого тезиса сейчас строим INITE: AI-native система не должна цементировать текущий способ работы с моделями. Она должна позволять организации постоянно передвигать границу между человеком и машиной вслед за тем, что модели уже способны делать самостоятельно.