Что умеет Claude Code кроме программирования: агент за $20 в месяц, который возвращает вам время

Claude Code — это универсальный ИИ-агент от Anthropic, которому задачи ставят обычными словами (в рунете его ищут как «клод код»). Кроме написания кода он умеет: мониторить упоминания бренда в ИИ-поисковиках, сводить банковские выписки в отчёты, разбирать почту и инвойсы, наводить порядок в файлах и вести контент-конвейер. Вы описываете задачу по-русски — агент сам планирует шаги, выполняет их, проверяет результат и переделывает, пока не получится.

Эта статья — не инструкция и не реклама, а заметки о том, к чему я пришёл, пользуясь таким агентом: что уже автоматизируют юристы, маркетологи и журналисты; как выглядит моя собственная автоматизация мониторинга бренда — с отчётом и скринами; и где проходит честная граница — когда хватает подписки за $20, когда нужен n8n, а когда не выйдет ничего.

Claude Code вышел в общий доступ в мае 2025-го и мгновенно стал большим бизнесом: $1 млрд годового темпа выручки (run-rate) за первые шесть месяцев, $2,5+ млрд к февралю 2026-го. Но взяли его в основном разработчики — остальные прошли мимо.

Масштаб недооценки проще всего показать воронкой. У ChatGPT — более 900 млн еженедельных пользователей (данные OpenAI, февраль 2026). У Codex, агента того же класса от той же OpenAI, — более 5 млн. Меньше одного процента. Даже по собственным метрикам одной компании до агентов дошла примерно сотая доля аудитории чат-ботов — при том что подписка зачастую уже включает и то и другое.

Те же, кто дошёл, говорят на удивление одно и то же.

«Claude Code, оглядываясь назад, назван неудачно. <…> Всё, чего можно добиться, набирая команды на компьютере, теперь может автоматизировать Claude Code. Точнее всего его описывает термин general agent — универсальный агент». — Саймон Уиллисон, сооснователь Django, пост от 16.10.2025«Самый недооценённый ИИ-инструмент для людей без технического бэкграунда». — Дэн Шиппер, CEO издания Every, где в терминале работают журналисты; так его «hot take» пересказывает Ленни Рачицки

Слова словами, но есть и данные: у OpenAI около 20% пользователей Codex — не разработчики, а knowledge workers — менеджеры, дизайнеры, исследователи, — и эта группа растёт более чем втрое быстрее разработчиков. Агентом делают отчёты, таблицы, презентации и контракты.

Важная оговорка: Claude Code в этой статье — представитель класса, а не единственный герой. Универсальные агенты такого типа — их называют general agents — есть у OpenAI (Codex), у Alibaba (опенсорсный Qwen Code), и список растёт. Я разбираю Claude Code как самый зрелый в классе, но всё, что ниже, применимо к классу целиком. И на мой взгляд, general agents — пока лучший формат автоматизации из существующих: это первый инструмент, которому не нужно заранее собирать решение — достаточно уметь объяснить задачу.

Вот что этот класс уже делает в руках самых разных людей.

Задокументированные кейсы — ни один из которых не «программирование» в привычном смысле:

Это чужие кейсы, и вы вправе им не верить. Поэтому дальше — мой собственный, с отчётом и скринами.

Люди всё чаще спрашивают у ChatGPT и Perplexity, а не у Google: «какой сервис выбрать», «что за компания X». Что нейросети отвечают про ваш бренд — вы, скорее всего, не знаете.

Задача формулируется просто: регулярно собирать метрики видимости — упоминается ли бренд в ответах нейросетей на десятки типовых запросов ниши, на каких позициях, какие источники при этом цитируются и как всё это меняется от замера к замеру. Под эту боль вырос целый рынок «AI visibility»-платформ, и ценник там красноречивый: простые мониторилки начинаются от $29 в месяц, а корпоративные внедрения лидера рынка Profound, по данным независимых обзоров, обходятся от $2 000–3 000 до $5 000+ в месяц — официальной цены enterprise-тарифа нет, только «запросите демо».

Я решил её через skill — навык, упакованный в обычную папку с инструкциями, который агент подхватывает сам. Сам skill мне тоже написал Claude Code, а живёт он в моём открытом проекте open-geo — можно взять готовым, а можно попросить агента собрать такой же под себя. Это точечный аудит, который я запускаю сам по тем запросам, что важны мне: Claude Code по одной команде открывает в моём настоящем браузере шесть нейросетей — Google AI Overview, ChatGPT, Claude, Яндекс Нейро, Gemini и DeepSeek, — задаёт запросы из списка и читает ответы так, как их видит живой залогиненный пользователь, а не как их отдаёт API. На выходе — PDF-отчёт и дашборд: покрытие, видимость в источниках и цитатах, позиции, сравнение с прошлым замером.

Вот реальный прогон по реальному бренду — 36 запросов о децентрализованном ИИ для gonka.ai, движок Google AI Overview, 1 июля 2026 года. Диагноз честный: покрытие запросов у ниши 100%, а видимость бренда в источниках — всего 8%. Теперь у меня есть измеренная точка «до» — и список задач на рост.

Рецепт автоматизации теперь — текстовый файл, который можно скопировать, форкнуть или написать заново. В этом главное отличие от подписки на платформу.

Честный ответ на вопрос «n8n или Claude Code» начинается с признания: и то и другое придётся настраивать, и то и другое ошибается. Разница не в «магия против ручного труда» — разница в том, куда уходит усилие и как система ведёт себя, когда на входе появляется непредусмотренное.

Конструкторы (n8n, Zapier, Make) просят усилие заранее: вы собираете маршрут из блоков — «пришло письмо → вытащи вложение → положи в таблицу». Дальше он выполняется детерминированно: быстро, дёшево, тысячи раз в день одинаково. Это их сильная сторона, и здесь агент их не заменит: гонять каждую однотипную операцию через большую модель — дорого и медленно. Если вам скажут «агенты не масштабируются на потоке» — это правда, и спорить с этим не нужно.

Агент просит усилие в другом месте: сформулировать задачу и проверить результат. Маршрут он строит сам под конкретный случай — и поэтому забирает «длинный хвост»: десятки задач, которые никогда не окупали сборку отдельного конвейера. Столкнувшись с неожиданным форматом или ошибкой, он не встаёт, а разбирается — иногда ошибаясь сам, поэтому контрольная проверка остаётся за вами.

И они не исключают друг друга: агент может собирать и чинить воркфлоу для того же n8n.

Ключевая строка сравнения — «вторая задача». SaaS продаёт решение одной задачи. Подписка на агента покупает способность решать класс задач: следующая автоматизация делается в рамках той же подписки, пока хватает лимитов.

Про лимиты — честно. В Pro-тариф ($17–20/мес) спокойно влезают несколько ежедневных задач и разовые разборы; тяжёлые сценарии — например, ежедневный прогон десятков запросов с длинными отчётами — упрутся в лимиты, и тогда нужен Max (от ~$100/мес). Плюс сторонние сервисы из ваших автоматизаций оплачиваются отдельно. Даже с этими поправками разрыв с корпоративными ценниками остаётся кратным.

Сдвиг к личным инструментам уже произошёл — пока в чатах: по отчёту MIT Project NANDA, сотрудники более чем 90% опрошенных компаний регулярно используют личные ИИ-инструменты для работы — речь о личных аккаунтах ChatGPT и подписках Claude, агентов из них тогда почти никто не доставал, — при том что официальную подписку купили лишь 40% компаний. Люди уже проголосовали личными подписками. Осталось заметить, что та же подписка теперь включает не только чат, но и исполнителя.

Теперь — к практическому выводу.

У каждого есть действия на автомате: проверить цены конкурентов, собрать цифры в еженедельный отчёт, переложить вложения из почты по папкам. По 10–20 минут, но каждый день. Одна такая привычка — 40–80 часов в год.

Claude Code превращает борьбу с рутиной в снежный ком: автоматизировали одну задачу → освободилось время → на него автоматизировали следующую. Каждый рецепт остаётся текстовым файлом в папке — библиотека растёт, стоимость следующей автоматизации падает.

Три ограничения, с которыми я столкнулся на практике:

Возвращаюсь к вопросу из заголовка — теперь на него можно ответить коротко и без восторгов.

Claude Code умеет всё, что вы делаете за компьютером руками и можете объяснить словами: собирать и сверять данные, готовить отчёты и документы, разбирать почту и файлы, следить за изменениями и превращать их в сводки, управлять другими программами и сервисами.

Но он не решает за вас. Вы должны знать, чего хотите: агент выполняет постановку, а не угадывает её. И это не машина, которая сделает «всё что угодно». Легче всего автоматизируются задачи с понятным результатом и небольшим числом шагов — такие закрываются за вечер. Связки посложнее — вроде моего мониторинга бренда — тоже собираются, но придётся повозиться. А часть работы не автоматизируется вовсе, и лучше узнать об этом на маленькой задаче, а не на большой. Полностью автономным агентам доверять пока рано: на бенчмарке TheAgentCompany, где агентов заставили выполнять реальные офисные задачи целиком без человека, лучший справился лишь с 30% — поэтому проверка результата остаётся частью процесса, а не формальностью.

Итого: не всё, что существует, автоматизировано — но всё, что вы можете объяснить словами и проверить глазами, теперь стоит одну формулировку на русском языке.

Главное, к чему я пришёл за время работы с агентами: умение ставить задачи агенту и проверять результат становится базовым рабочим навыком, а программирование перестаёт быть барьером между человеком и автоматизацией. Здесь зафиксирую только каркас этой мысли.

Первое. Между пользователями и моделью вырастает новое ремесло — обвязка: навыки-инструкции (skills), проверки, конфигурации, готовые рецепты под индустрии. Одни пользуются агентом, другие делают его лучше для всех — и чем больше людей владеет инструментом, тем ценнее становятся те, кто умеет его расширять. Экосистема уже монетизируется — существуют платные каталоги скиллов, в том числе русскоязычные (а исследование Snyk нашло уязвимости более чем в трети скиллов из открытых каталогов — курировать их качество и безопасность тоже становится работой). Значит, рано или поздно появится и нормальная бесплатная библиотека. К этой идее я ещё вернусь.

Второе. Всё это не привязано к одному вендору и облаку. Корпорация может развернуть похожую систему у себя: опенсорсный Qwen Code (Apache 2.0) официально работает с локальными моделями через любой OpenAI-совместимый эндпоинт (vLLM, Ollama) и повторяет практически весь набор обвязки — кастомные команды, сабагентов, скиллы, MCP, хуки. Честная оговорка: открытые модели пока заметно слабее флагманских — по техническому отчёту самой команды Qwen, на терминальных агентных задачах (Terminal-Bench 2.0) разрыв почти двукратный: 36,2% против 58,4% у Claude Opus 4.5. Заметно хуже — но это «хуже» работает дома, на своих серверах и со своими данными.

В следующей статье разберу skills — как упаковать свою экспертизу в обычную папку с инструкциями, которую агент подхватывает сам, и как собрать свой первый скилл за вечер. Именно скиллом сделан мониторинг бренда из этой статьи.