Для нас это не теория из новостей, а уже сделанный шаг. Мы недавно перевели автоматическое ревью кода с американских моделей на DeepSeek и получили кратное сокращение затрат на этом контуре — при том же уровне качества проверок, который нас устраивает.

Отличная метафора. И точная.


Тезис первый: это и есть правильное начало ИИ-трансформации

История Виктории — идеальная иллюстрация того, как ИИ реально приносит пользу на уровне личной эффективности. Не пилот на 18 месяцев с командой из 40 человек. Конкретный человек с конкретной болью автоматизировал конкретные процессы — и получил измеримый результат.

Именно так выглядит первый горизонт: снять рутину, освободить время, почувствовать, что это работает.


Тезис второй: но дальше начинается другая история

Сама Виктория честно описывает момент, когда «маленький скрипт на вечер» вырос до шести тысяч строк кода с ролями, интерфейсом, логикой согласования и историей версий. И задаёт правильный вопрос: «Где заканчивается вайбкодинг ради удобства, и начинается зона решений, за которые отвечаешь уже как за полноценный инструмент для других команд?»

Вот здесь и проходит граница между личной автоматизацией и корпоративным ИИ. Команда «цифровых джунов» — отличный старт. Но чтобы превратить её в производительную силу, нужны две вещи:

1. Платформа. Агенты, собранные «на коленке», не масштабируются на всю организацию. Нужна среда, где агенты живут, логируются, обновляются и управляются централизованно.

2. Пересборка процессов. Агент, встроенный в старый процесс, автоматизирует старый процесс. Реальный эффект появляется, когда сначала переосмысляется логика работы — и только потом под неё проектируется агент.

Личная автоматизация — это первый шаг. Но корпоративный ИИ начинается там, где заканчивается вайбкодинг и начинается инженерная дисциплина: платформа, harness, изменение процессов.

Кто пройдёт этот путь быстрее конкурентов — получит не просто экономию на рутине, а системное конкурентное преимущество.

Мысль автора простая и неудобная: окупаемость появляется только тогда, когда сначала находишь звено, автоматизация которого экономит больше всего, и лишь потом обсуждаешь архитектуру. А гипотезу проверяешь самым дешёвым способом — руками или на бумаге, не кодом.

На проектах мы видим ровно это: дисциплина «сначала процесс, потом инструмент» отсеивает половину красивых ИИ-идей ещё до старта.

Но с одним пунктом я бы поспорил. Не каждую операцию стоит прогонять через громоздкий расчет эффективности. У ИИ эффект накопительный: обосновать первого агента почти всегда тяжелее, чем пятого, — инфраструктуру, на которой он живёт, уже оплатили предыдущие. И мелкая рутина тоже считается. Если платформа позволяет собрать агента под конкретную задачу за вечер, требовать от него расчёт окупаемости как от полноценного проекта — значит просто его не собрать.

Поэтому я считаю, что внедрения ИИ нужно делить на два режима. Крупное внедрение, которое перекраивает процесс, — через картирование и проверку гипотез, ровно как в статье. С мелкой автоматизацией рутины всё проще: окупается за месяц — делаем, не собирая проектный комитет.

Перед законодателями стояла непростая задача: государству необходимо стимулировать национальный рынок фундаментальных моделей, но при этом нельзя монополизировать отрасль и «складывать все яйца в одну корзину».

Получилась на удивление рабочая и сбалансированная конструкция. С одной стороны, закон не перекрывает кислород и позволяет бизнесу свободно использовать лучшие мировые Open Source решения, которые закрывают многие прикладные коммерческие задачи. С другой — создает правовую рамку и дает господдержку для развития «суверенных» (полностью воспроизводимых в РФ) и «национальных» фундаментальных моделей.

В кои-то веки регулирование выглядит как стимул к развитию, а не как бутылочное горлышко.

В Shell не просто внедрили агентный ИИ, а доказали, что эта модель работает в реальных промышленных условиях. Логика, когда агенты выполняют автоматическое действие на основе собранных данных прошла проверку в одной из самых сложных операционных сред в мире: тысячи объектов, критическое оборудование, там где цена ошибки — это миллионы в час.

Та же логика уже сегодня не требует колоссальных бюджетов с многолетним опытом и воспроизводится через n8n, Dify, Langflow, Make: в заявках, закупках, поддержке и документообороте. В любом процессе, где есть повторяющийся сценарий и четкий триггер.