Мы тут привлекли к разработке еще одного из наших фаундеров (@LosiVC ) и вот что получилось

Саша добавил в Онто возможность, которая на первый взгляд выглядит довольно локально: агент может взять уже размещённые на диаграмме объекты и показать существующие между ними связи. На скриншоте он получает один объект, собирает его окружение на два уровня и строит из него связанную диаграмму.

Но для меня здесь гораздо интереснее не сама функция, а способ, которым она была произведена.
Мы постепенно отрабатываем метод подготовки продакт-стюардов, работающих вместе с AI-командами. Продакт-стюард удерживает предметный смысл, границы системы и критерии качества, а AI-команда берёт на себя всё большую часть производственного цикла — анализ, проектирование, реализацию, проверки и интеграцию изменений.

Это принципиально отличается от привычной GenAI-разработки, где процесс часто выглядит как бесконечная цепочка «промпт → код → посмотрели → поправили → следующий промпт». Пока задача небольшая, такой режим может быть эффективным. Но с ростом системы он быстро превращается в хаос: логика начинает дублироваться, решения расходятся между интерфейсами, а никто уже не понимает, где находится источник истины.

В случае этой задачи сначала было зафиксировано предметное намерение: показать на диаграмме связь между уже существующими объектами. Затем оно было проведено через модель продукта и канонический backend-контракт. В результате одна и та же способность теперь доступна и через REST, и через MCP, но бизнес-логика при этом не размножается: агент не изобретает собственный способ создать связь, а использует те же правила, что и остальные части системы.

Именно это для нас сейчас самое важное. Мы учимся не просто ускорять разработчика с помощью AI, а строить AI-команды, способные производить сложные системы инженерным способом.
То есть масштабируем не количество промптов и не количество AI-фич.
Масштабируем сам способ производства.

А для вас — просто новая возможность в Онто. Можно дать агенту объект, попросить собрать его окружение и показать связи — и через несколько минут получить диаграмму, которую вручную пришлось бы собирать довольно долго.

Выглядит впечатляюще.

Я тут, короче, помогаю одним активистам-экологам. Им нужно по фотографии хвоста понимать, какого именно кита они встретили. Не получить бесценный ответ «на снимке кит», а отличить Стаса от Петра и связать новую встречу с конкретной особью. Для начала у меня было шесть фотографий — не шесть тысяч и не шесть на каждого кита, а вообще шесть.

И я прямо представил, как красиво эту задачу можно продать. Сначала объясняем экологам, что без репрезентативного датасета ничего не получится, поэтому следующие два года они будут фотографировать китов. Потом разметка, команда компьютерного зрения, обучение, эксперименты, инфраструктура — и вот в особенно удачной для подрядчика версии мы уже обсуждаем 100 миллионов рублей. Экологи хотели узнавать Стаса, но теперь у них есть дорожная карта цифровой трансформации, а у Стаса — обязанность обеспечить обучающую выборку.

Я вместо этого потратил три дня на другую постановку задачи. Мне ведь не обязательно учить собственную нейросеть узнавать Стаса, если можно отдельно описать, чем он отличается от Петра. Готовую Vision-модель я использовал как зрение, а в Онто описал признаки и знания о конкретных китах. Нейросеть рассматривает фотографию, система сопоставляет увиденное с каталогом, а пользователь получает гипотезу о конкретной особи и объяснение, на чём она основана.

То есть я не совершил прорыв в обучении нейросетей на шести фотографиях. Я вообще не стал делать обучение собственной нейросети обязательным условием решения задачи. Если у нового кита есть различимые признаки и эксперт может их описать, его можно добавить через знания в каталоге. При этом шесть фотографий, конечно, не доказывают точность на любых снимках: качество ещё нужно проверять на новых наблюдениях. Но проверять полезную систему и два года финансировать обещание когда-нибудь её получить — несколько разные предложения для заказчика.

Меня во всей этой истории интересуют даже не столько киты, сколько привычка IT подменять задачу любимым способом её решения. Человек приходит с вопросом «как мне узнавать животных», а уходит с обязательством содержать вашу ML-команду. И дальше ему объясняют, почему это объективно сложно, долго и дорого, хотя дорогой может быть не его задача, а ваша неспособность посмотреть на неё иначе. Иногда самая ценная работа инженера — вычеркнуть из проекта технологию, которую ему очень хотелось применить.

Я всё ещё считаю, что IT-проекты должны быть дешёвыми в разработке и приносить реальную ценность. Не потому, что труд разработчика ничего не стоит, а потому, что хороший разработчик должен сокращать путь к результату, а не обосновывать длину этого пути. Для этого я и делаю Онто: чтобы предметное знание можно было непосредственно использовать в работающей системе, а не каждый раз заново оплачивать попытку засунуть его в нейросеть. Экологам нужен способ узнать Стаса, а не почётное право профинансировать наши технологические амбиции.