Почему мы перестали искать задачи для AI

Если честно, мы никогда не собирались с мыслью: «Давайте придумаем, куда ещё можно внедрить AI».

Обычно всё происходило наоборот.

Кто-то приносил очередную внутреннюю задачу, мы начинали разбирать процесс, и в какой-то момент обязательно звучал вопрос:

- А почему это вообще делает человек?

Именно после него чаще всего и появлялся новый AI-агент.

За последний год этот вопрос незаметно стал частью нашей рабочей культуры. Теперь мы задаём его почти автоматически, когда обсуждаем новый процесс или пытаемся понять, почему какая-то задача занимает так много времени.

Интересно, что ответ далеко не всегда оказывается в пользу автоматизации. Иногда выясняется, что человек здесь действительно незаменим. Но бывает и наоборот: процесс настолько хорошо укладывается в понятный алгоритм, что его можно передать агенту, а специалиста оставить там, где нужны опыт, инженерное мышление и принятие решений.

Наверное, именно так мы сегодня понимаем AI-first. Не как стремление использовать AI везде, где только можно, а как привычку время от времени пересматривать собственные процессы.

Если посмотреть на наших внутренних AI-агентов сейчас, может показаться, что они были частью какого-то большого плана. На самом деле каждый появился по вполне земной причине: команда снова сталкивалась с одной и той же задачей и в какой-то момент решала, что пора перестать выполнять её вручную.

После серьёзного инцидента работа только начинается.

Нужно собрать логи из разных систем, восстановить последовательность событий, проверить несколько гипотез, понять, что именно произошло, а затем подготовить два разных отчёта. Один – для разработчиков, второй – для бизнеса.

При этом инженерная экспертиза нужна далеко не на каждом этапе. Значительная часть времени уходит на действия, которые повторяются практически при каждом расследовании.

В какой-то момент мы это осознали и перестали воспринимать такой порядок вещей как неизбежность.

Сегодня расследование начинает AI-агент. Он проходит по внутреннему регламенту, собирает необходимые данные, проверяет гипотезы фактами и готовит два отчёта.

Это не значит, что инженер больше не участвует в процессе. Наоборот, теперь он подключается в тот момент, когда уже есть вся необходимая информация и можно сосредоточиться на поиске причины, а не на механическом сборе данных.

Конечно, бывают сложные инциденты, где агент почти не экономит время. Но большинство всё же развивается по похожему сценарию. Именно там автоматизация даёт наибольший эффект.

В результате расследование, которое раньше занимало около четырёх часов, сегодня обычно укладывается примерно в тридцать минут вместе с проверкой результатов инженером.

Есть процессы, которые кажутся настолько привычными, что перестаёшь замечать, сколько времени они занимают.

Например, приходит новое бизнес-требование. Проектный менеджер открывает документ и начинает превращать несколько абзацев текста в User Story, сценарии использования и декомпозицию задач.

Работа важная, но её начало почти всегда выглядит одинаково.

Мы решили автоматизировать именно этот первый шаг.

Теперь черновик готовит AI-агент. Он получает описание требования, предлагает структуру User Story, разбивает работу на задачи и готовит материал для публикации в трекере.

Дальше подключается менеджер. Иногда он практически ничего не меняет. Иногда переписывает половину документа. Но в любом случае работать с хорошим черновиком оказывается быстрее, чем каждый раз начинать с пустого листа.

Со временем любая инженерная команда накапливает огромное количество внутренних договорённостей.

Архитектурные решения описаны в одном месте, требования безопасности – в другом, соглашения по стилю кода – в третьем. Что-то можно найти в документации, что-то – в старых задачах, а некоторые вещи вообще нигде не записаны. Просто все давно знают, что «у нас так принято».

Проблема в том, что со временем даже опытные разработчики начинают тратить время на поиск нужного контекста. А новые сотрудники – ещё и на одни и те же вопросы.

Мы не стали создавать ещё одну базу знаний.

Вместо этого появился AI-агент, который знает внутренние стандарты, понимает особенности проекта и помогает разработчикам учитывать накопленный опыт команды ещё во время работы.

Конечно, он не заменяет документацию и не отменяет код-ревью. Но многие вопросы теперь решаются ещё до того, как код попадает на проверку.

История с тестированием развивалась похожим образом.

Когда мы подробно разобрали процесс регрессионной проверки, выяснилось, что далеко не каждое действие требует участия специалиста. Часть проверок, анализ результатов и поиск потенциально проблемных мест вполне можно доверить агенту.

За счёт этого тестировщики меньше времени тратят на повторяющиеся операции и могут сосредоточиться на сценариях, где действительно нужен профессиональный взгляд.

Если посмотреть на все эти истории вместе, становится заметна одна закономерность.

Ни один из этих агентов не появился потому, что команда решила «внедрить AI».

Каждый раз всё начиналось с процесса, который регулярно повторялся, занимал много времени или просто раздражал своей однообразностью. Мы разбирали его шаг за шагом и пытались понять, где действительно нужна экспертиза, а где человек просто выполняет последовательность действий по понятным правилам.

Иногда после такого разбора ничего не менялось.

Иногда становилось понятно, что автоматизировать стоит лишь небольшой фрагмент процесса.

А иногда оказывалось, что именно здесь и должен появиться новый AI-агент.

Наверное, это и есть главное изменение, которое произошло в нашей команде за последний год.

Мы перестали искать задачи для AI.

Вместо этого мы начали чаще задавать себе вопрос:

– А почему это вообще делает человек?

И именно он пока оказался самым полезным инструментом для поиска новых возможностей автоматизации.