AI-агенты не заменят разработчиков. Они вымоют тех, кто не адаптировался

01

Перестать общаться с AI и начать строить из него систему

Чат хорошо решает вопрос, который уже помещается в голову. Система нужна, когда у задачи есть исследование, производство, проверка и память. Разница не в количестве открытых окон. Она в повторяемости.

Если я завтра повторю запуск на новой теме, он должен снова собрать источники, выпустить артефакт, проверить критерии и показать, где не уверен. Если хороший результат каждый раз зависит от того, поймаю ли я модель на пятом сообщении, это всё ещё разговор, а не рабочий процесс.

Мне нравится думать об этом как о производстве. У линии есть вход, станции, контроль качества и понятный выход. На каждой станции может стоять своя модель. Простую механическую работу делает дешёвая. Сложное решение уходит сильной. Независимый проверяющий получает другой контекст, чтобы не наследовать уверенность автора.

Такой переход не устраняет работу. Он переносит её выше. Я меньше двигаю строки и больше проектирую контекст, границы, проверки и обратную связь. Чем автономнее становятся агенты, тем важнее качество этой конструкции.

Похожий контур я уже показывал в статье о системе, которая разогнала аккаунты до 50 млн просмотров в месяц . Там исследование, сценарии, производство и аналитика замкнуты в один цикл. В работе с агентами действует та же логика: отдельный сильный исполнитель полезен, но повторяемый результат даёт связанная система.

02

Время дороже токенов

Я не считаю количество обращений к модели хорошей метрикой эффективности. Иногда второй агент повторяет работу первого. Иногда ревью съедает столько же токенов, сколько реализация. Это нормально, если система экономит моё внимание и сокращает календарное время до результата.

Восемь часов работы, сжатые до четырёх, дают реальный выбор. Можно в два раза больше отдыхать. Можно решить в два раза больше задач. Можно потратить освободившиеся часы на разговор с пользователем, стратегию или ремесло, где человеческое внимание действительно меняет качество. Сэкономленные токены такого выбора не дают.

Поэтому я не автоматизирую ради красивой схемы. Одноразовая задача на двадцать минут часто быстрее делается руками. Система нужна там, где работа повторяется, блокирует другие шаги или забирает часы концентрации. Главный вопрос простой: сколько моего времени и времени команды вернёт этот контур после следующих десяти запусков?

03

Когда исполнение дешевеет, цель становится главной работой

Раньше хорошую идею часто останавливала стоимость исполнения. Нужно было найти разработчика, дизайнера, аналитика, редактора, договориться о приоритетах и ждать. Сегодня один человек может самостоятельно исследовать рынок, собрать прототип, написать код, спроектировать экран, посчитать экономику и подготовить запуск.

Ограничение переехало. Теперь страшнее потратить неделю на отлично исполненную ерунду. AI не устаёт и не сопротивляется. Он способен построить очень качественную дорогу к цели, которую никто не проверил.

Скорость исполнения умножает качество выбранного направления.

Перед большим запуском я стараюсь ответить на несколько неприятных вопросов. Какая проблема здесь действительно важна? Для кого она настолько болит, что человек уже пытается её решить? Где деньги? Почему окно открылось сейчас? Какой самый дешёвый тест может разрушить гипотезу? Что я увижу в данных, если оказался прав?

Эти вопросы нельзя делегировать целиком. Агент поможет расширить карту, найти контраргументы и посчитать сценарии. Решение, куда поставить месяцы своей жизни и внимание команды, остаётся моим. Именно поэтому в мире дешёвого исполнения целеполагание становится дорогим навыком.

Здесь работает тот же принцип, который я описал в статье про сильные решения. Мне нужен рычаг: маленькое действие, которое меняет большую часть результата. Агентская система усиливает рычаг, но не выбирает точку опоры.

04

Сто вариантов ничего не стоят. Дорожает способность выбрать один

За минуту можно получить сто названий, логотипов, экранов, текстов или продуктовых идей. Возможность создать ещё один вариант почти обнулилась в цене. Поэтому ценность переехала в judgement, способность увидеть, какой ответ действительно подходит к этой ситуации.

Суждение отвечает на вопросы, которых нет в промпте. Где скрыта ошибка? Какое предположение выглядит убедительно только на бумаге? Что слишком банально? Какой вариант нарушает характер продукта? Что сработает сегодня, но загонит нас в угол через полгода?

Рядом со суждением стоит вкус. Вкус позволяет посмотреть на сто приличных работ и сказать: этот вариант живой, остальные девяносто девять отправляем в корзину. Он рождается из насмотренности, практики, ошибок и понимания людей, для которых ты работаешь. Сгенерировать его по команде нельзя.

Я вижу здесь опасную ловушку. Если человек отдаёт модели и производство, и оценку, контур становится самодовольным. Один агент пишет, второй хвалит, третий полирует. На выходе много гладкой работы без позиции. Поэтому проверяющий должен знать критерии, иметь право остановить выпуск и по возможности видеть реальные данные.

05

Широкий доступ не заменяет глубину

AI дал каждому доступ к соседним профессиям. Инвестор может написать внутренний инструмент, проанализировать данные и спроектировать продукт. Инженер может собрать исследование рынка, подготовить продажи, посчитать финансы и сделать первый дизайн. Это огромный рычаг для людей, которые раньше зависели от очереди чужих рук.

Но в чём-то одном всё равно нужна глубина. Человек, который хорошо знает свою область, замечает, когда модель предлагает правдоподобную чушь. Он понимает, какие детали важны, а какие можно выкинуть. Он умеет задать критерий качества и знает цену компромисса. Без этой опоры AI даёт ширину без направления.

Моя опора лежит на стыке продукта, разработки и роста. Я могу с помощью агентов заходить далеко в дизайн, исследования, редактуру или инфраструктуру. Но ценность появляется потому, что я связываю эти части с реальным продуктом, пользователями и цифрами. Если убрать глубину, останется человек, который умеет просить модель изобразить любую профессию.

Мастерство важно ещё по одной причине. Оно даёт идентичность, терпение и внутренний стандарт, который не зависит от экономической полезности конкретной задачи. Люди продолжат ценить лучших в любом деле, от управления фондом до танцев в TikTok. Инструмент меняет скорость, но не отменяет желание видеть работу мастера.

06

Настоящая инфраструктура агентов состоит из контекста

Оркестратор, интерфейс и выбранная модель важны. Но я всё чаще вижу одну и ту же причину плохого результата: агент не получил контекст, который человек считает очевидным. Он не знает, почему мы приняли старое решение, какой пример считается хорошим, что запрещено менять и как выглядит завершённая работа.

Контекст для меня шире промпта. Это словарь проекта, решения, инструкции, живые примеры, инструменты, данные, тесты и критерии готовности. Хороший контекст снижает число решений, которые агент вынужден додумывать. Он превращает опыт команды в материал, который можно повторно использовать.

Отдельный респект Мэтту Пококу за writing-for-agents . Он очень точно разделяет нагрузку на контекст и нагрузку на мышление, показывает progressive disclosure и требует явных критериев завершения. Я советую прочитать весь файл. Он помогает перестать воспринимать документацию для агентов как длинный справочник и начать проектировать путь к нужному решению.

Важно, что контекст нельзя один раз "написать полностью". Эксперт не замечает часть собственных знаний, потому что они давно стали для него очевидными. Полнота появляется через обратную связь. Агент ошибся на реальном примере, мы нашли отсутствующее правило, добавили его и снова проверили. Так система учится на ответах без обучения новой модели.

В Viralmaxing одна утечка транзакции когда-то оставляла соединение в ошибочном состоянии и могла истощить пул. Исправить конкретный ранний выход было мало. Мы перевели путь на безопасный helper и добавили проверку, которая запрещает сырой вызов транзакции в репозитории. Ошибка стала частью памяти системы. Следующий агент уже не должен знать историю инцидента, чтобы не повторить его.

07

Как выглядит мой запуск задачи сегодня

У меня нет одного универсального промпта. Есть операционная схема, которая повторяется в коде, текстах, исследованиях и дизайне. Масштаб меняется, логика остаётся.

1. 1
   Назвать один результат

   Я формулирую, что должно измениться в мире после завершения задачи. Не список файлов и действий, а проверяемый итог.

2. 2
   Собрать минимальный контекст

   Агент получает решения, ограничения, хорошие примеры, доступные инструменты и способ проверить готовность.

3. 3
   Разделить работу по ролям

   Исследование, реализация, проверка фактов, дизайн и ревью получают отдельные контексты. Для каждой роли можно выбрать свою модель и цену.

4. 4
   Запустить параллельно

   Независимые ветки работают одновременно. Мне не нужно наблюдать за каждым сообщением, если понятны артефакты на выходе.

5. 5
   Провести независимую проверку

   Новый агент не продолжает мысль автора. Он ищет ложные допущения, пропуски, небезопасные ходы и расхождения с задачей.

6. 6
   Проверить на живом материале

   Код проходит реальные данные, текст читается целиком, страница открывается на телефоне, а цифры сходятся с источником.

7. 7
   Вернуть ошибку в систему

   Найденный промах становится тестом, правилом, примером или запретом. Следующий запуск должен быть умнее предыдущего.

На простом поиске часть шагов лишняя. На релизе с деньгами, доступами или данными каждый шаг окупается. Я могу спаунить десятки субагентов и не знать их поминутную деятельность, потому что контролирую не сообщения, а договорённости: вход, артефакт, критерий и проверку.

Самый сильный участок этого контура находится в конце. Если ошибка осталась только в моей голове, я заплатил за урок и выбросил половину ценности. Тест, пример, инструкция или автоматический запрет превращают единичный провал в улучшение всей будущей линии.

Поэтому мне близка идея агентов, которые улучшают работу других агентов. Один выполняет задачу на тестовом наборе. Второй читает его рассуждение, группирует типовые промахи и предлагает изменение контекста. Затем цикл повторяется. Человек задаёт метрику и принимает изменение, а система сама делает большую часть механической работы по поиску пробелов.

08

Viralmaxing: где эта система встречается с продом

Я строю Viralmaxing, продукт для команд, которые производят и анализируют короткие видео. Это не лендинг и не одноразовый прототип. В одной системе живут web-приложение, Go API, фоновые задачи, Postgres, внешние интеграции, Telegram-бот, инфраструктура и приложение для iPhone.

Весь продуктовый код Viralmaxing я написал с агентами. Под "написал" я не имею в виду ручной набор каждой строки. Я выбирал поведение, принимал архитектурные решения, давал контекст, проверял изменения и отвечал за релиз. Агенты дали мне пропускную способность небольшой команды. Ответственность осталась у меня.

Один из последних релизов собирал AI-отчёт по аккаунту из 50 роликов. Дешёвый проход разбирал каждый пост, сильная модель сводила наблюдения, а Go-код привязывал выводы к реальным метрикам и цитатам. Стоимость резервировалась до запуска, списывалась после успеха и возвращалась при ошибке.

На живом прогоне система разобрала 50 постов и 43 расшифровки. Тогда же вскрылись две правдоподобные ошибки. Postgres enum внутри COALESCE требовал явного приведения к тексту. В другом месте модель вернула идентификатор строкой, а строгий парсер молча выбросил полезные сигналы. Оба хода выглядели нормально в коде. Их поймали реальные данные и проверка результата.

После этого появился терпимый парсер, тесты на обе формы ответа и более точный контракт. Так я и понимаю AI-native разработку. Скорость релиза имеет смысл, когда прод возвращает знания обратно в систему.

09

AI-native компания начинается с людей

Долгое время AI был гонкой дорогой инфраструктуры. Собрать данные, построить хранилище, подготовить таблицы, обучить модель, купить вычисления. Всё это остаётся важным для части задач. Но код тоже был дорогой инфраструктурой, а теперь AI умеет писать его сам.

Нет интерфейса для разметки, можно быстро собрать свой. Не хватает инструмента для агента, можно добавить его в тот же день. Процесс живёт в голове эксперта, можно превратить реальные примеры в проверяемый контекст. Огромное количество старых ограничений оказалось не стеной, а дорогим обходным путём.

Поэтому я бы вкладывался в людей. Один умный человек с глубиной, вкусом и правильным набором инструментов теперь способен найти узкое место, построить вокруг него систему и принести результат, который раньше требовал нескольких функций. Сильная команда может делать то же самое на другом масштабе.

Здесь есть психологическая цена. Отмазок становится меньше. Сложнее объяснить, что проект не взлетел из-за отсутствия разработчика, дизайнера или аналитика. Всё чаще вопрос возвращается к выбору цели, качеству решения и способности довести работу до живого результата.

И всё же я не хочу убирать из жизни любое трение. Иногда полезно самому написать текст, прочитать сложную книгу без краткого пересказа, порисовать, приготовить еду или прожить несколько часов без телефона. Усилие формирует внимание, терпение и вкус. Если автоматизировать каждую сложность, можно сэкономить время и потерять человека, который умеет им распорядиться.

Моя версия AI-native проста: исполнение живёт в системе, а цель, суждение, вкус и ответственность остаются у человека.

Я не знаю, какой интерфейс или модель победит через год. Но уверен в направлении. Выиграет человек, который глубоко понимает своё дело, умеет самостоятельно заходить в соседние области и строит процессы, становящиеся умнее после каждого запуска.