Последние месяцы крупнейшие AI-компании дружно начали рассказывать про новую эпоху.
Grok Bot.
Muse.
OpenAI dots.
Gemini agent.
У искусственного интеллекта появляется собственный компьютер, память, инструменты, расписание. Он выполняет задачи сам, передаёт работу другим агентам и возвращается к человеку только тогда, когда действительно требуется решение.
Я смотрел на всё это и в какой-то момент поймал себя на довольно забавной мысли.
А мы ведь примерно такую хрень уже построили.
Только не называли её always-on agent.
Не рисовали красивого цифрового человечка.
И не выпускали пресс-релиз о новой эре труда.
Нам просто нужно было решить две совершенно приземлённые задачи.
Первая — автоматически вести сеть контентных проектов.
Вторая — автоматизировать маркетинг бизнеса.
И пока мы решали эти задачи, у нас постепенно появились оркестраторы, специализированные ИИ, цепочки принятия решений, автоматические проверки, повторные запуски и даже процессы, которые сами начинают работать при наступлении определённого события.
То есть практически весь тот набор, который сегодня индустрия начинает называть агентными системами.
Самое интересное, что две наши системы сейчас находятся на разных ступенях этой эволюции.
И на них очень хорошо видно, чем вообще чат-бот отличается от настоящего цифрового работника.
Всё началось с очень простой проблемы
Я веду несколько проектов.
Есть Telegram.
Дзен.
Сайты.
Маркетинг.
Продажи.
Реклама.
Исследования.
Контент.
И очень быстро выясняется неприятная вещь.
ИИ действительно умеет выполнять почти каждую отдельную операцию.
Написать статью?
Легко.
Исследовать конкурентов?
Можно.
Сделать рекламные объявления?
Да.
Проанализировать клиента?
Тоже.
Но если между каждым действием должен сидеть человек и говорить:
— Теперь сделай следующий шаг.
то никакой настоящей автоматизации не произошло.
Мы просто заменили одну кнопку другой.
Вот, например, обычная генерация статьи
Можно открыть ChatGPT и написать:
— Сделай статью на такую тему.
Получить текст.
Потом:
— Отредактируй.
Потом:
— Проверь факты.
Потом:
— Исправь стилистику.
Потом загрузить картинку.
Потом поставить публикацию.
ИИ участвует почти во всём.
Но процессом по-прежнему управляет человек.
Он является клеем между этапами.
А значит, если человек ушёл спать — производство остановилось.
Вот эту часть мне хотелось убрать.
Так появился Авто-Дзен
Изначально задача была вообще не про «агентов».
Нужно было сделать систему, которая способна регулярно выпускать нормальные материалы для нескольких Дзен-каналов без постоянного ручного участия.
Не нейросеть, которая один раз написала статью.
А редакцию.
То есть у неё должен быть контент-план.
Очередь тем.
Правила конкретного канала.
Своя стилистика.
Генерация.
Редактура.
Проверка.
Решение, можно ли публиковать.
И только потом готовый материал.
Когда начинаешь разбирать такую задачу, довольно быстро понимаешь: одной моделью её лучше вообще не решать.
Потому что хороший автор и хороший редактор — разные роли
Если одной и той же модели сказать:
— Напиши великолепный текст, а потом беспощадно найди в нём все проблемы,
она часто относится к собственному творчеству подозрительно нежно.
Человек делает примерно то же самое.
Поэтому Авто-Дзен постепенно превратился в цепочку специализированных ролей.
Схема сейчас выглядит примерно так:
контент-план → черновик → редактура → проверка → арбитр → готовый материал.
Один ИИ пишет.
Другой смотрит уже как редактор.
Следующий проверяет результат.
Отдельный этап решает, достаточно ли материал хорош, чтобы двигаться дальше.
Причём разные этапы могут выполняться разными моделями.
Не потому что «мультиагентность модно звучит».
Просто одна модель лучше подходит для одного типа работы, другая — для другого.
Над ними сидит оркестратор
Вот здесь система уже перестаёт быть просто цепочкой промптов.
Кто-то должен понимать:
какая задача сейчас выполняется;
какой этап завершён;
что получилось;
куда передавать результат;
что делать при ошибке;
можно ли двигаться дальше.
Этим занимается оркестрационный слой.
То есть модель сама по себе не управляет всей системой.
Она получает конкретную работу.
Выполняет.
Отдаёт результат.
Следующий участник получает уже подготовленный контекст.
Получается маленькая цифровая редакция.
Автор не решает, когда запускать редактора.
Редактор не ищет вручную, где лежит черновик.
Арбитр не ждёт, когда ему кто-нибудь напишет в Telegram.
Всё это делает система.
И вот здесь появляется важное свойство настоящего агента
Человек больше не стоит между этапами.
Это, на мой взгляд, намного важнее разговоров о том, насколько хорошо модель умеет рассуждать.
Если я должен после каждого действия нажать кнопку «Продолжить», передо мной очень умный инструмент.
Если система сама доводит процесс от начала до конца — уже что-то значительно интереснее.
Авто-Дзен как раз умеет это делать.
Пришла очередь темы.
Дальше конвейер начинает движение.
Черновик.
Редактура.
Проверка.
При необходимости повтор проблемного этапа.
Готовый результат.
Причём система знает, что бывают ошибки
Вот это ещё одно отличие реальной автоматизации от красивой демонстрации.
На презентации всё всегда работает.
В реальной жизни модель не ответила.
API отвалился.
Задача зависла.
Внешний сервис вернул ошибку.
Результат не прошёл проверку.
Контекст оказался слишком большим.
Рабочая система должна уметь жить в мире, где что-нибудь обязательно сломается.
Поэтому у нас появились статусы задач, контроль выполнения, механика перезапуска, восстановление зависших процессов.
Иногда, конечно, всё равно приходится заходить на сервер и материться на Celery.
До полного AGI человечество ещё не дошло.
Но уже достаточно близко к тому, чтобы ругаться на цифрового сотрудника точно так же, как на обычного.
Самое интересное: Авто-Дзен уже почти автономен
Для человека его работа выглядит довольно просто.
Есть утверждённый контент-план.
Есть расписание.
Дальше система сама берёт следующую тему и запускает редакцию.
То есть это уже не:
«помоги мне написать статью».
А:
«вот твоя зона работы, вот правила — дальше разбирайся».
Человек подключается в основном тогда, когда произошло что-то необычное.
И именно здесь я понял, что по современной терминологии Авто-Дзен уже вполне можно назвать агентной системой.
Только есть одно важное ограничение.
Пока Авто-Дзен в основном живёт по часам
Наступило нужное время.
Система проснулась.
Взяла следующую задачу.
Отработала.
Это schedule-driven automation.
Автоматизация, управляемая расписанием.
И она уже может быть очень автономной.
Но Grok Bot, dots и другие новые системы показывают следующий уровень.
Не часы говорят агенту, что пора работать.
Мир говорит.
Произошло событие — агент проснулся
Вот это уже event-driven.
Например, появился важный инфоповод по теме канала.
В идеальном будущем Авто-Дзен мог бы сам его заметить.
Оценить.
Сравнить с запланированной статьёй.
Понять:
— Сегодня эта новость намного сильнее.
Запустить внеочередное исследование.
Передать тему автору.
Прогнать через редактора.
Проверить.
Поставить в очередь.
И всё это без моего:
— Чатик, срочно меняем сегодняшний материал.
Вот тогда цифровая редакция действительно становится always-on.
Ещё интереснее работать не только с новостями, но и с результатами
Допустим, система видит статистику канала.
Несколько статей про гуманоидных роботов внезапно дали заметно лучший CTR.
А материалы другого типа аудитория почти игнорирует.
Сегодня человек смотрит отчёт и говорит:
— Так, давайте усилим роботов.
А теперь представим, что система сама замечает изменение.
Не тупо копирует вчерашний успех двадцать раз.
А отправляет статистику аналитическому агенту.
Тот проверяет, действительно ли это тренд.
Сравнивает темы.
Предлагает корректировку следующих публикаций.
Это уже не контентный конвейер.
Это саморегулирующаяся редакция.
Вот туда, на мой взгляд, всё постепенно и движется.
Market GPT мы строили совсем с другой стороны
Там изначальная задача была не контент.
Нужно было взять маркетинг малого бизнеса и попытаться собрать в одной системе весь путь:
понять продукт;
разобрать нишу;
посмотреть конкурентов;
найти слабые места;
собрать предложение;
подготовить рекламу;
привести лидов;
помочь их обработать.
То есть задача значительно менее линейная.
Статья движется примерно от начала к концу.
Маркетинг так не работает.
Там всё постоянно возвращается назад.
Получили плохие лиды — надо понять почему
Это реклама?
Семантика?
Оффер?
Лендинг?
Сам продукт?
Менеджер плохо отвечает?
Цена?
Сезонность?
Конкурент вышел с более сильным предложением?
Одной кнопкой «сгенерировать маркетинг» такую систему не построить.
Поэтому Market GPT тоже начал постепенно распадаться на отдельные специализированные контуры.
Исследование.
Распаковка бизнеса.
Поиск потерь.
Реклама.
Работа с лидами.
ИИ-продавец.
CRM.
Каждый решает свою часть задачи.
Но здесь автономность пока другая
Большую часть серьёзных действий всё ещё инициирует человек.
Я нажимаю:
— Исследовать нишу.
И система работает.
— Найти потери.
Работает.
— Подготовить рекламный набор.
Работает.
То есть внутри может происходить довольно сложная агентная работа.
Но момент запуска процесса пока в основном человеческий.
Поэтому Market GPT я бы сегодня честно назвал полуавтоматической агентной системой.
Это уже сильно больше чат-бота.
Но ещё не тот самый always-on маркетолог, который сам наблюдает за бизнесом.
Хотя отдельные куски уже живут по событиям
Самый наглядный пример — лиды.
Приходит новый человек.
Система получает событие.
Создаётся лид.
Запускается нужный процесс.
ИИ-продавец может начать работу.
Дальше появляются автоматические шаги.
То есть здесь уже не нужно заходить утром и говорить:
— Так, а появились ли у нас новые клиенты?
Событие само запускает систему.
Вот этот маленький кусок на самом деле очень важен.
Потому что именно из таких кусочков потом собирается настоящий always-on агент.
Представим следующий этап Market GPT
Сегодня я открываю рекламу и вижу:
— Чёрт. Конверсия просела.
Дальше начинается расследование.
Что произошло?
Изменилась стоимость клика?
Пошёл мусорный трафик?
Просела посадочная?
Изменилось поведение определённого сегмента?
Вышел сильный конкурент?
Сейчас инициатор расследования — человек.
А теперь переворачиваем систему.
Market GPT сам следит за показателями.
Видит аномалию.
Запускает диагностику.
Сравнивает периоды.
Проверяет рекламные группы.
Смотрит качество лидов.
Находит наиболее вероятные причины.
И приходит ко мне:
— У нас просадка. Вот три вероятные причины. Вот изменения, которые я предлагаю внести.
Вот это уже настоящий цифровой маркетолог.
Причём совершенно не обязательно позволять ему сразу всё менять
Мы как раз недавно писали про hard constraints для ИИ.
Очень хороший принцип.
Пусть агент самостоятельно:
наблюдает;
анализирует;
исследует;
готовит решения.
Но, например, повышение рекламного бюджета на 300 тысяч рублей требует подтверждения.
Изменение оффера — тоже.
Остановка очевидно неэффективной группы на маленьком бюджете, возможно, когда-нибудь будет разрешена автоматически.
То есть автономность можно наращивать постепенно.
Это не:
«включили ИИ — отдали ему фирму».
Это лестница полномочий.
Другой кусок будущего — исследования конкурентов
Сейчас Market GPT умеет довольно много вытаскивать из открытого интернета.
Сайты.
Предложения.
Цены.
Условия.
Позиционирование.
Но есть огромная слепая зона.
Социальные сети.
Закрытые разделы.
Комментарии.
Отзывы.
Группы, которые видны только авторизованному пользователю.
А ведь именно там часто лежит самое вкусное.
Не то, что компания рассказывает о себе.
А то, что о ней говорят клиенты.
Вот там находится настоящий язык рынка
Сайт конкурента пишет:
— Высокое качество и индивидуальный подход.
Очень полезная информация. Прямо потрясение.
А клиент в комментарии пишет:
— Три раза переносили монтаж, потом две недели не брали трубку.
Вот это уже интересно.
Другой:
— Сделали хорошо, но цену назвали только после выезда.
Ещё интереснее.
Третий:
— У конкурента дороже, зато сразу дали смету.
Вот вам уже материал для оффера.
Поэтому логичный следующий исследовательский агент должен уметь работать и в авторизованных средах — безопасно заходить туда, где есть реальные отзывы и обсуждения, собирать их и превращать в нормальную аналитику.
Это уже почти цифровой маркетинговый разведчик.
И вот здесь две наши системы неожиданно сходятся
Авто-Дзен и Market GPT вообще решают разные задачи.
Один делает контент.
Другой занимается маркетингом.
Но архитектурно движение одинаковое.
Сначала:
человек → запрос → модель → результат.
Потом:
человек → большая задача → несколько специализированных моделей → результат.
Дальше:
расписание → система → несколько агентов → результат.
Следующая ступень:
событие → система сама понимает, что надо сделать → агенты выполняют → человек получает результат или запрос на решение.
И вот это уже почти определение always-on агентной организации.
По сути, можно нарисовать очень простую лестницу
В самом низу — чат-бот.
Он отвечает.
Дальше — AI-инструмент.
Он умеет выполнять отдельную работу.
Следом — workflow.
Несколько операций связаны между собой.
Потом — агентная система.
Разные ИИ получают роли, взаимодействуют через оркестратор и способны самостоятельно доводить процесс до результата.
Дальше — schedule-driven автономность.
Система сама начинает работу в нужное время.
И вершина сегодняшнего движения — event-driven always-on.
Система наблюдает за миром и сама понимает, когда появилась работа.
Авто-Дзен находится где-то между двумя последними ступенями.
Market GPT — между агентной системой и event-driven автоматизацией отдельных процессов.
И вот после выхода Grok Bot мне стало особенно смешно
Потому что xAI сейчас показывает команду ботов.
Один занимается одной областью.
Другой — другой.
Можно поставить координатора.
Есть routines.
Есть события.
И я смотрю на это и думаю:
— Ну да.
У нас автор.
Редактор.
Ревьюер.
Арбитр.
Оркестратор.
Только у Grok красивые аватарки.
А у меня Docker Compose.
Жизнь несправедлива.
Хотя есть одно принципиальное отличие
Большие платформы строят универсального агента.
Мы строим узкие системы.
Grok Bot должен уметь работать почти с чем угодно.
Авто-Дзен должен делать одну вещь:
нормально выпускать контент.
Market GPT — заниматься маркетинговыми задачами.
И я вообще не уверен, что универсальность всегда преимущество.
Чем уже область, тем больше можно заранее определить.
Правила.
Контекст.
Допустимые действия.
Форматы результатов.
Проверки.
То есть специализированного агента зачастую проще сделать действительно надёжным.
Это примерно как сотрудник
Можно нанять человека:
— Ты теперь занимаешься вообще всем.
Маркетингом.
Бухгалтерией.
Кодом.
Закупками.
Юридическими вопросами.
И иногда поливай цветы.
Очень универсальный специалист.
Результат предсказуем.
А можно дать человеку конкретную роль, инструменты и понятную ответственность.
С агентами будет то же самое.
Поэтому я думаю, что будущее состоит не из одного гигантского AI, который управляет всей фирмой.
Скорее из набора специализированных цифровых сотрудников, связанных общим оркестратором.
И человек постепенно поднимается на уровень выше
Это особенно заметно на Авто-Дзене.
Если раньше моя работа выглядела:
— придумать тему;
— написать;
— отредактировать;
— проверить;
— подготовить к публикации,
то в автоматизированной системе человеческая задача становится другой:
— определить направление канала;
— выбрать правила;
— оценить стратегию;
— вмешаться в исключение;
— посмотреть на результаты и изменить систему.
То есть человек перестаёт выполнять работу конвейера.
Он проектирует конвейер.
Это очень серьёзное изменение профессии.
То же самое происходит с Market GPT
Раньше предприниматель должен был лично сидеть в нескольких кабинетах.
Смотреть рекламу.
Аналитику.
CRM.
Конкурентов.
Читать отзывы.
Думать, что поменять.
Следующая модель работы:
система постоянно всё это наблюдает;
выделяет важное;
проводит первичный анализ;
готовит варианты;
а человек принимает решения, которые действительно требуют ответственности.
Не:
— Какая сегодня стоимость клика?
А:
— Стоит ли нам менять позиционирование продукта?
Машина должна забирать цифры и рутину.
Человек — выбор.
По крайней мере пока.
Кстати, именно поэтому я не верю в революцию через «один идеальный промпт»
Несколько лет назад было много курсов:
— Вот секретный промпт, после которого ChatGPT сделает ваш бизнес.
Нет.
Промпт — это маленькая часть.
Настоящая автоматизация начинается с архитектуры.
Кто запускает процесс?
Как передаётся контекст?
Кто проверяет результат?
Что происходит при ошибке?
Что агенту разрешено?
Когда нужен человек?
Что происходит после завершения работы?
Как система понимает, что вообще пора что-то делать?
Вот эти вопросы значительно скучнее.
И значительно полезнее.
Нам пришлось прийти к этому через собственные грабли
Авто-Дзен не появился красивой схемой на бумаге.
Конвейер зависал.
Задачи терялись.
Одни этапы считали себя законченными, а другие не запускались.
Возникали осиротевшие процессы.
Приходилось разбираться, почему одна статья пошла дальше, а соседняя осталась висеть.
То есть реальная разработка AI-агента внезапно оказалась очень похожа на разработку любой распределённой системы.
Никакой магии.
Очереди.
Состояния.
Логи.
Ошибки.
Повторные попытки.
И местами крепкие русские слова.
Это хороший холодный душ после презентаций про цифровых сотрудников.
Агент — это в первую очередь софт
Модель внутри действительно важна.
Но без инфраструктуры вокруг неё она остаётся очень талантливым собеседником.
Настоящий рабочий агент требует памяти.
Состояния.
Инструментов.
Разрешений.
Триггеров.
Оркестрации.
Наблюдаемости.
Восстановления после ошибок.
Когда всего этого нет, автономность заканчивается на первой нестабильности API.
Именно поэтому я сейчас смотрю на новые продукты xAI, OpenAI и Google совсем иначе.
Не:
— Ого, нейросеть сама открывает браузер.
Это мы видели.
Интереснее:
— Как вы храните состояние через сутки?
— Как агент понимает, что задача завершена?
— Что происходит после падения?
— Кто разрешает критическое действие?
— Как работают несколько агентов одновременно?
Вот там находится настоящий продукт.
И самое забавное: мы ещё даже не дошли до следующей стадии
Наш Авто-Дзен пока в основном работает по расписанию.
Market GPT пока в основном ждёт человека перед крупными задачами.
То есть сейчас я смотрю на них скорее как на первое поколение наших цифровых систем.
Следующий шаг уже хорошо виден.
Авто-Дзен должен начать реагировать на события.
Market GPT — наблюдать за бизнесом.
Не просто делать то, что попросили.
А замечать:
здесь требуется моя работа.
Вот тогда всё станет значительно интереснее.
И, подозреваю, значительно страшнее для моего свободного времени, потому что новых идей после этого разговора у меня уже появилось слишком много.
Но кое-что уже понятно
Мы вступаем в этап, где главный вопрос об искусственном интеллекте меняется.
Раньше он звучал:
«Что эта модель умеет?»
Потом:
«Какими инструментами она может пользоваться?»
Теперь:
«Какую область работы ей можно полностью поручить?»
Вот это очень большая разница.
Потому что инструмент экономит минуты.
Процесс экономит часы.
А автономная зона ответственности начинает менять уже устройство бизнеса.
И именно это мы сейчас наблюдаем у себя
Авто-Дзен — цифровая редакция, которая умеет сама проходить практически весь производственный цикл.
Market GPT — пока полуавтоматический маркетинговый контур, где часть процессов уже запускается событиями, а большие задачи ещё инициирует человек.
Оба проекта начинались вообще без мысли:
— Давайте срочно создадим AI-агентов.
Мы просто последовательно убирали места, где человеку приходилось делать тупую промежуточную работу.
Сначала один шаг.
Потом другой.
Потом оказалось, что между ними нужен оркестратор.
Потом — контроль.
Потом — автоматический запуск.
А дальше внезапно выяснилось, что индустрия идёт точно туда же.
И, наверное, это самый хороший признак
Когда новая технология существует только в презентации компании, можно спорить, действительно ли она кому-то нужна.
Но когда разные люди независимо начинают строить похожую архитектуру, просто потому что она решает реальные задачи, значит направление довольно естественное.
Мы не пытались повторять Grok Bot.
Grok Bot ещё не существовал, когда мы строили большую часть своей системы.
Мы не пытались сделать OpenAI dots.
Нам просто надоело вручную таскать работу между этапами.
В итоге пришли к той же базовой идее:
дать искусственному интеллекту не отдельный вопрос, а кусок ответственности.
И теперь становится интересно, насколько далеко это можно довести.
Пока моя цифровая редакция просыпается по расписанию.
Маркетолог ждёт команды.
Но следующий шаг уже очевиден.
Они должны научиться смотреть на происходящее вокруг и самостоятельно говорить:
— Здесь появилась работа. Я займусь.
Вот тогда у меня действительно появятся сотрудники, которым не нужно платить зарплату.
Правда, судя по счетам за API и сервера, слово «бесплатные» я бы всё-таки не употреблял.
