Недавно прочитал одну мысль, от которой стало неуютно. Суть простая: компании будут строить новое с нуля. Новой командой. В 10 раз меньше. А старую - сократят.
Жёстко. Я посмотрел на цифры.
Цифры, которые уже не игнорировать
OpenAI в марте опубликовали фреймворк из пяти моделей AI-трансформации бизнеса. Первая ступень - Workforce Empowerment. Третья - Systems and Dependency Management. Пятая - Process Re-Engineering with Agents, где агенты перестраивают целые процессы. Между первой и пятой - три года. Может меньше.
Capgemini называет 2026-й “year of truth”. Средний ROI от AI-проектов - 1.7x. Окупаемость - 1-2 года. GenAI даёт 26-31% экономии на операционных расходах. Компании это видят и начинают считать, кто нужен, а кто нет.
HBR при этом пишет про “last mile problem”. Компании запустили сотни AI-пилотов, раздали Copilot и ChatGPT. Трансформация буксует. Не потому что технология не готова - потому что люди не перестроились.
Два типа сотрудников
Devendra Goyal ввёл термины, которые мне зашли: AI-native vs AI-dependent.
AI-dependent использует ChatGPT как улучшенный Google. Спросил - получил ответ. Скопировал. Вставил. Задача закрыта.
AI-native переосмысливает процесс целиком. Не “как ускорить то, что делаю”, а “зачем я это делаю вручную вообще”. Разница - в порядке: один оптимизирует шаги, другой отменяет их.
IBM утроили найм на entry-level позиции. Но переделали их под AI. Не “junior developer пишет код”, а “junior developer управляет агентами, которые пишут код”.
Elena Verna написала в феврале: “The demand for AI-native employees is exploding. Right now.” Окно измеряется в месяцах, не годах.
Мой путь: от “улучшенных ТЗ” до автоматизации
В 2023-м я писал ТЗ и документацию с ИИ, кидал в ChatGPT, получал “улучшенную” версию. Экономия? Минут 20. Потом собирал кастомные GPT - чуть лучше, но по сути это было простое промптирование. Серьёзного ничего не сделаешь.
Переломный момент - январь 2025. Нашёл правильное комьюнити, три интенсива подряд, начал разбираться в автоматизации. Собрал первый пайплайн для документации - серьёзный, с проработанным контекстом, подключённой базой, продуманной структурой. Вот тут щёлкнуло. Разница между “кинуть текст в чат и получить ответ” и “выстроить процесс, который работает стабильно” - пропасть.
Потом познакомился с Claude Code. Тот самый пайплайн документации прошёл эволюцию: от ChatGPT-промптов до полноценной системы с сайтом управления релизами, автоматическим сбором контекста и интеграцией с Claude Code. Всё поменялось.
За время изучения собрал множество проектов и продуктов, которые персонализированы лично под меня. Несколько из них заменили мне подписочные сервисы. Запустил контент-пайплайн на три платформы.
Появилась возможность делать вещи, на которые раньше просто не хватало времени. Качество результата выросло в сравнении с тем, что делал раньше руками. Косяки бывают. Правки после проверки - нормально и часть процесса. Каждая правка - фидбек, который улучшает автоматизацию/систему/агентов на следующем круге. Итоговый результат - моя ответственность.
Примеры use cases по ролям, которые могут у вас откликнуться
Продакт-менеджер:
- Обработка транскриптов встреч: агент извлекает решения, action items, открытые вопросы и раскладывает по документам. Конспект часовой встречи - за минуты.
- Feature request pipeline: входящий запрос от клиента → code research → gap analysis → 2-3 варианта решений с trade-offs → summary для стейкхолдера.
- Генерация user stories из требований с проверкой по стандартам качества, версионированием и отслеживанием TBD.
- Синтез фидбека из 10+ источников (CRM, support, App Store, Slack, Jira): дедупликация, приоритизация, готовый список для roadmap.
- PRD за 45 минут вместо 8 часов. Кликабельный прототип вместо ТЗ - за один Zoom-звонок.
- Ad-hoc аналитика без аналитика: агент с доступом к базе отвечает на “LTV по регионам”, “почему конверсия упала” за 3 минуты.
- Decision Records голосом: рассказываешь о решении, агент задаёт уточняющие вопросы и формирует DR с контекстом, альтернативами и таймером на пересмотр.
- Подготовка документов для команды: дизайнера, архитектора, бизнеса, кого угодно.
Разработчик:
- 52-страничная спецификация + ~280 фича-файлов в Gherkin за 3 часа. Агент по ним написал код за ночь. Два вечера вместо двух спринтов.
- Полный цикл: хотелки → спецификации → планирование → реализация → верификация. Всё через агентов. Человек - на ревью.
- Реверс-инжиниринг из open source на чужом языке: агент вытаскивает логику из Swift+TypeScript репозиториев и пишет документацию с примерами.
- Покрытие тестами с 33% до 95% после двухдневной инвестиции в документацию иерархии тестов.
- Аудит legacy-кода перед доработкой: сканирование, индекс зависимостей, документация - только потом новые фичи.
- Neo4j граф зависимостей кода: точность AI-агента на задачах со скрытыми связями скакнула с 75% до 99.4%.
Маркетолог:
- Поиск и скоринг 200+ инфлюенсеров за часы вместо 60 за несколько дней. Парсинг, обогащение (гео, ER, fake followers), персонализированные брифы.
- Анализ 1700 рекламных креативов ($2.5M трат) за 1 час. Нашли один креатив, сливший $15K лишних.
- Агент управляет рекламой по API: сравнивает факт с планом (CPA, ROAS), масштабирует или отключает кампании.
- AI-видеокреатив за 5 минут и $10 - неотличимо от реального, хорошие метрики.
- 65% продаж через AI-амбассадорскую платформу: регистрация, онбординг, скоринг. CAC в 2-2.5x дешевле digital.
- Маркетолог без разработчика навайбкодил интерактивную игру-лендинг за неделю. Спецпроект собирал лиды в CRM.
Продуктовый дизайнер (UI/UX):
- Google Stitch: текст, набросок или скриншот → кликабельный прототип с экспортом в React/HTML. Минуты вместо 3-4 часов на вайрфреймы. Валидация идей до Figma.
- Figma Make: описываешь экран текстом - AI генерирует прототип, встроенный в существующую дизайн-систему (стили, компоненты).
- AI UX-аудит: агент открывает браузер, прокликивает интерфейс и делает аудит по NN Group, iOS HIG. Без ручных скриншотов.
- Figma → рабочий React за 15 минут: через MCP выделяешь компоненты в Figma → получаешь React App с сохранённой дизайн-системой.
- Дизайн-система за 45 минут “вкуса” + пару часов описания: AI генерирует мокапы, дизайнер курирует и систематизирует. Вместо месяцев.
- AI-генерация UI из брифа как референсы для разработки. Экономит итерации между дизайнером и разработчиком.
QA:
- Полный E2E QA-воркфлоу: user story → test plan → 60 автотестов → self-healing → коммит. 1-2 часа вместо 5-7 дней.
- Self-healing тестов: UI изменился - тест починился сам, без участия человека.
- Создание тест-кейсов из Jira, Confluence, Figma и Slack за минуту. Минус 90% ручного времени.
- QA workload сокращается на 50-70% по данным команд, внедривших AI-тестирование.
DevOps / SRE:
- Triage алертов ночью: агент разбирает low urgency alerts, утром выдаёт сводку - что смотреть руками.
- MTTR минус 40-75% через AI-observability. Конкретный кейс: с 72 часов до 18 часов.
- Noise reduction: 50-70% алертов ложные. AI группирует связанные события, выдаёт один инцидент вместо 50 уведомлений.
- Root cause analysis с часов до минут: агент коррелирует логи, трейсы, метрики и историю деплоев.
Аналитик:
- Нормализация данных из десятков Excel/SQL таблиц (40MB): с 5 дней до нескольких часов.
- Text-to-SQL: не-технический специалист задаёт вопросы к базе данных на естественном языке.
- 40 000 часов разговоров пользователей проанализировано для продуктовой аналитики.
- Run-rate дашборды с прогнозом: факт + план + прогноз на конец месяца по 7-дневному тренду.
Engineering Manager:
- База знаний команды за 2 часа: стандарты, процессы, инциденты в markdown. Агент обращается к ней вместо совещаний.
- AI-черновик performance review из накопленных данных: 1:1, Slack, PR-комменты → структурированный review за минуты. Вместо 60-90 минут мучительного вспоминания (“рекурентная амнезия” - помнишь последние 2 недели, забываешь Q1).
- Автоматический постмортем за 15 минут вместо 60-90: транскрипция инцидент-колла, захват Slack-таймлайна, генерация черновика. До 80% работы автоматизировано.
- Спринт-планирование: AI анализирует velocity, holidays, WIP-лимиты и предлагает реалистичный план. Экономия 2.5 часа ручных обновлений каждую неделю.
- Приоритизация техдолга через системный анализ: AI определяет, что чинить первым - “что принесёт наибольший профит”.
- Мониторинг AI-влияния на кодовую базу: сколько кода сгенерировано AI, где AI-код чаще ревертится, кто из команды использует AI эффективно.
- Редизайн собеседований под AI-нативность: добавление этапа с намеренной скрытой проблемой - остановится ли кандидат и переформулирует задачу.
Sales:
- AI-скоринг кандидатов после звонка по 50 параметрам. Решение об увольнении/дообучении: с 3 недель до 1-3 дней.
- Телеграм-бот для ролевых продажных тренировок с аватарами клиентов и каверзными реакциями.
- Немецкий банк нашёл 1M+ потенциальных клиентов через миллионы параллельных AI-агентов.
HR:
- AI-скоринг кандидатов по транскрипту интервью: зелёные/красные сигналы по матрице навыков.
- Карточки сотрудников с автообновлением из транскриптов 1-1, Slack, голосовых заметок.
- Performance Review черновик из накопленных данных за период.
Customer Support:
- Автоматическая маршрутизация тикетов: агент смотрит документацию, похожие тикеты, определяет команду.
- AI-автоматизация первой линии поддержки: базовая обработка, эскалация. Человек - в сложных кейсах.
Предприниматель / Соло-фаундер:
- Board of Advisors из AI-субагентов: 4 агента с разными экспертизами дают независимые точки зрения.
- Извлечение обещаний из всех коммуникаций: кто/кому/что обещал с прямыми цитатами. История за год.
- Автоматический блог из логов работы с AI - 4000 посетителей за первый месяц, ~90 постов за 1.5 месяца.
Что понял
73% AI-пилотов не масштабируются (данные HBR). Причина - организации ждут “системного внедрения” вместо того, чтобы дать людям экспериментировать. Компании медленные. Отдельный человек - нет.
Построят новое рядом. Маленькой командой. Но пока компании раскачиваются, у каждого есть фора.
Рецепт простой: один тупой повторяющийся процесс. Автоматизируй. Покажи результат. Потом следующий. Каждый шаг маленький, но они складываются.
Окно измеряется в месяцах, не годах. Один процесс. Один результат.