За два месяца мультиагентная система принесла компании около 350 тысяч рублей дополнительного дохода на реальных коммерческих задачах и работе с репозиториями. На фоне масштабных корпоративных бюджетов сумма выглядит скромно, но показатель стабильно растет. Коммерческий результат налицо, однако за ним скрывается инженерный тупик первой архитектурной волны.
За два месяца моя система AI‑агентов принесла компании около 350 тысяч рублей дополнительного дохода и он только растет.
Рабочий продукт и надежный продукт в реальной разработке часто оказываются совершенно разными вещами. Эксперимент доказал жизнеспособность идеи, но вскрыл системные ограничения подхода, при котором агенты пишут код без жесткого контроля прав и контекста. Скрытые издержки поддержки и масштабирования автономных систем требуют радикального пересмотра подходов к разработке, если бизнес рассчитывает не на разовый пилотный успех, а на управляемую инфраструктуру.
Глубокий анализ юнит-экономики инференса показывает, что стоимость поддержки автономных агентов в продакшене способна мгновенно съесть всю маржинальность от их работы. Когда модель совершает десятки итераций для исправления одной синтаксической ошибки в крупном коде, затраты на токены входа и выхода многократно возрастают. В архитектуре больших языковых моделей заложено ограничение контекстного окна: при попытке обработать массивные кодовые базы модели неизбежно теряют глобальный контекст архитектуры, начинают галлюцинировать в зависимостях между модулями и зацикливаются на исправлении несуществующих багов. В результате расходы на инфраструктуру вычислений и ручной аудит сгенерированного кода превосходят экономию от автоматизации рутины, делая масштабирование таких систем финансово уязвимым.
Поисковик с зарплатой и тупик прав доступа
В компаниях менеджеры по пять‑десять раз в день обращаются к разработчикам с рутинными вопросами о логике работы системы. Разработчики отвлекаются от задач, а бизнес теряет время на ожидание ответов. Чтобы разгрузить команду, был создан Repo Chat, позволяющий сотруднику задать вопрос на обычном языке и получить ответ на основании исходного кода проекта. Развитие этой логики привело к появлению AI Workflow — инструмента, который автоматизирует разработку от постановки задачи до создания запроса на слияние. В реализации системы также участвовал коллега автора.
Существующие решения вроде Claude Code и Codex умеют работать с кодом, но им необходим доступ к соответствующему контексту. Выдавать сотрудникам прямой доступ к коммерческим репозиториям ради ответов клиентам — критический риск для безопасности компании. Полномочия должны разделяться централизованно, а не раздаваться направо и налево по первому требованию.
AI Workflow решает проблему иначе, подключаясь к разрешенным репозиториям централизованно, в то время как сотрудники получают доступ к конкретным функциям через единый интерфейс. Это снижает издержки на коммуникацию, но обнажает другую сторону медали: обслуживание таких контуров съедает ресурсы на поддержку, а архитектурные ограничения текущих моделей делают масштабирование слишком дорогим удовольствием для любого прагматичного CEO.