Читаю по десять раз в неделю: окей, мол, ИИ пишет код — допустим. Но чтобы вести проект, нужен человек: поговорить с заказчиками, написать план, нарезать тому же ИИ задачи, настроить инфру, гит, сервер, мониторинг. И вот тут-то уж точно человека никто не заменит.
У меня глаза на лоб лезут. Давайте пройду весь цикл шаг за шагом и на каждом этапе покажу конкретную практику с инструментом — потому что я этот цикл уже прогонял руками.
Где на самом деле «нужен человек» — и сколько это стоит
Вся вера в незаменимого человека на управленческом контуре стоит денег. Пока вы держите живого аналитика, чтобы он неделями сводил сумбурные хотелки пяти стейкхолдеров в один документ; пока тимлид вручную режет эпик на задачи; пока инженер сидит и читает портянки логов, выискивая аномалию, — вы платите за работу, которую агент делает за часы и по ночам тоже.
И главное — вы отстаёте. Пока одна команда согласовывает требования месяц, другая за это время выкатывает фичу. Разница не в том, кто умнее. Разница в том, кто ещё держит человека там, где давно хватает агента.
Требования: агент не пустит незрелую задачу в разработку
Написать диалогового бота-агента, который хоть в чате, хоть по емайлу обсудит проект с заказчиками — может любой школьник. Чуть сложнее голосовой режим, когда бот сам инициирует созвон в зуме или гугломите и голосом ведёт разговор — но технических препятствий здесь нет.
Агент не только вычитает все сумбурные хотелки и пожелания стейкхолдеров, но и сформирует единую непротиворечивую картину, задаст вопросы, прояснит детали. Не верите? Свалите в кучу файлов рандомные хотелки от трёх-пяти стейкхолдеров и дайте промпт вида «сведи эти данные в единую картину, обнаружь противоречия, составь список вопросов, сгруппируй и оформи как письма конкретным адресатам». Это элементарно. Дальше цикл: пришли новые данные — подложили агенту — он впаял их в документацию или задал новый вопрос. Как только остаётся ноль вопросов — переход к следующему шагу.
А агент ещё потом и HTML-прототип стейкхолдерам наклепает и каждого спросит: ты этого хотел, чувак? Рили, не п*здишь? А ну покликай, я посмотрю.
На выходе — FR, NFR, приоритеты и цели.
Я делал clarify-гейт прямо в Jira: агент ведёт структурированный диалог по осям — scope, акторы, данные, NFR, зависимости, acceptance criteria — и не пускает задачу в разработку, пока постановка не созрела. С контекстом проекта вопросы не универсальные, а заземлённые под конкретную систему. На выходе — зрелый тикет с проверяемыми AC, а не «сделайте интеграцию с ERP». Код лежит открыто: jira-clarify-bot, FastAPI, Docker, контракт вебхуков. Встраивать ИИ в требования и постановку я начал ещё в enterprise-роли. Как собрать такого бота, описано в инструкции: https://www.dobryakov.com/howto/jira-clarify-bot.html.
Дизайн: два агента сами согласуют контракт
Чё там дальше? Проектирование и согласование — тоже якобы человеческая зона.
Берём два AI-агента, по одному от каждой стороны интеграции, и они сами проводят переговоры и согласовывают контракт. На выходе — openspec.yaml, транскрипт переговоров и git-история пошагового формирования контракта. Принцип простой: граница организации пересекается только контрактом (POST /orders), а не внутренними кишками; кто чем владеет — прошито прямо в endpoint. Транспорт между орг-границами — A2A поверх Git, shared-repo как боевой канал (bots-discuss-spec, a2a-example).
А если боитесь, что агент «не умеет в архитектуру» — заставьте его прочитать книгу. RAG поверх Таненбаума плюс wiki-граф, чтобы решения опирались на канон, а не на память модели. Пост про этот book-as-context собрал 105k просмотров и 203 коммента — спрос на тему есть.
В Askona я закрепил как корпоративный стандарт архитектуру асинхронной событийной интеграции на десятки сервисов и команд с разными владельцами — контур на миллионы событий в день. Это не песочница.
Планирование и инфра: «ну что тут сложного»
Декомпозиция на план работ? Как агенты строят планы, видел любой, кто их делал. Если вам недостаточно plan mode в курсоре — посмотрите, как работает github speckit или bmad. С ними агент распишет вам (а точнее — себе) декомпозицию как в лучших домах Парижу.
Я веду это через Spec-Driven Development: specify → clarify → plan → tasks → implement. Спека фиксирует решения, код следует из неё. Агент не выдумывает структуру заново на каждом запросе, а наследует шаблоны из зафиксированной памяти проекта. Это лечит ровно тот анти-паттерн, на котором все обжигаются: «один промпт → агент сразу пишет код», через час структура непонятна, откат дорогой, а на ретро ноют «ИИ не тянет архитектуру». Не ИИ не тянет — спеки у вас не было. Отдельный инструмент планирования — git log как датасет: churn, co-change matrix, переломные коммиты плюс LLM-интерпретация поверх (git-evolution-audit).
Настроить инфраструктуру, гит, линукс, CI/CD? Я не знаю, что тут может быть сложного. Тот же github speckit сам впишет это в задачи и чётко разложит все NFR от нагрузки до инфобеза. А если вам сложно представить себе банальный промпт вроде «засетапь сервер, подготовь докер композе ямл для этого проекта, и установи заббикс с такими-то темплейтами» — то я вообще не знаю, что вы делаете с ИИ. В чатике общаетесь штоли?
Код: это командная практика, а не личная шалость одного инженера
Сам кодинг у многих уже baseline. Но добавлю пруф, что это не «один вайб-кодер развлёкся».
В enterprise-контуре я собирал реальные прод-микросервисы через AI-assisted coding прямо в ходе регулярного обучения команд: next-best-offer на ML-модели (прогноз следующего товара в корзину и в email), трекер событийных таймстампов по жизненному циклу заказа, proxy-микросервис георезолвинга «координаты ↔ адрес». Это прод.
Два слоя, без которых агент тупит по кругу. Первый — воспроизводимость: агент производит персистентные версионируемые артефакты (dual-file: .workflow.json + .meta.md), а не эфемерные ответы; повторная задача переиспользует проверенный workflow, а не регенерирует его заново. Второй — память агента: ошибки фиксируются в структуру, из которой он учится, а не наступает на те же грабли.
Тесты, демо и релиз: eval как гейт, а не «вроде работает»
Тест-план, тест-кейсы и сами автотесты — тоже агент.
Но тут честно, против себя: AI-фича, которая красиво бегает на демо, в проде ломается непредсказуемо — потому что гоняли те же входы, что на питче, а длинный хвост реального трафика никто не прогонял. Поэтому тесты я ставлю не галочкой, а как release-gate из трёх слоёв: regression на кейсах из реальных инцидентов (новый фейл блокирует релиз), distribution check на свежих боевых входах с diff против прошлого снапшота, и human spot-check перед первым прод-деплоем нового вида вывода. Один человек подписывает sign-off; если владельца назвать нельзя — это первый тревожный звонок (eval-harness). Когда я в SaaS-трансформации UMI внедрил нормальный QA, баг-трекинг и CI/CD, поток дефектов упал с 5–10 в день до ≤5 в неделю, релизы — с «раз в несколько месяцев» до еженедельных.
Подготовить демо заказчику? Да без проблем: агент и доку напишет, и презентацию, и браузер откроет и мышкой всё прокликает под видеозапись обучающего курса.
На границе релиза держу guardrails: проверки против prompt injection, изоляцию данных, human-in-the-loop чекпойнты. И ревью как гейт, а не театр — чтобы ловило реальные дефекты, а не имитировало контроль.
Эксплуатация: кто разберёт логи, письма и жалобы
Что осталось? Мониторить логи и алерты от заббикса, фиксить баги на ходу, разбирать письма живых пользователей с жалобами и пожеланиями и закидывать их в тот же бэклог — в начало этого процесса. Такого агента сделает любой гуманитарий.
В эксплуатации AI — это consumer событийного потока: Kafka, webhooks, мониторинг. Разбор портянок логов, подсветка аномалий, автоматический рут-коз. Engineering practice уровня прод. В Askona я поднял AI-бота к data lake: вопрос бизнеса на естественном языке превращается в SQL (read-only, с валидацией имён таблиц), и Time-to-Insight упал с дней в очереди Jira до секунд. На PersonaClick — потоковое переобучение ML на 199M+ профилей, чтобы рекомендации не протухали.
Цикл замкнут
Всё. Цикл замкнут. Скормите этой штуке на вход регулярный поток рыночных гипотез — будет штамповать фичи на конвейере. Я такое делал.
Ради бога, спорьте со мной, что тут есть простор, чё может пойти не так и где понадобятся руки, а то и голова живого человека. Я согласен. Но весь цикл SDLC абсолютно ложится на агентов уже сейчас. Можно задрачиваться в мелочах, спорить о ньюансах информационной безопасности или достоверности автотестов — но, парни, давайте признаемся честно: это будет дрочево впустую. Ньюансы тезис не меняют.
Пока вы доказываете, что человек незаменим на управленческом контуре, кто-то кормит агентам рыночные гипотезы и получает фичи на конвейере. Разница между вами и этим кем-то — не в квалификации. В скорости.