Владельцы бизнесов все чаще не просто говорят об ИИ, но и активно внедряют его в работу. Если пару лет назад нейросети использовали в основном для генерации текстов и картинок, то теперь речь идет уже о полноценных цифровых сотрудниках: ИИ-агентах, которые умеют работать с документами, собирать отчеты, анализировать данные, писать код, вести коммуникацию и даже принимать часть операционных решений.
Пока одни обсуждают, заменит ли искусственный интеллект человека, другие уже выстраивают вокруг него целые системы. Все больше бизнесменов собирают собственные системы агентов минимальными средствами: через Claude Codex, Perplexity Computer, OpenClaw, API, локальные модели и телеграм-ботов.
За красивой картинкой «бизнеса будущего» быстро вскрывается другая сторона: ИИ-агенты нужно настраивать, контролировать, тестировать и буквально воспитывать. Они ошибаются, теряют контекст, могут удалить важные файлы или выдать бесполезный ответ. А еще требуют от владельца бизнеса совершенно нового навыка: умения строить процессы не только для людей, но и для машин.
Редакция о’смысле.екб (пока состоящая только из семи человек и одного бота) узнала у основателя приложения для учета финансов МЕА и студии ИИ-разработки E12A3 Егора Землянова и у маркетолога-аналитика Сергея Пастухова, как они выстраивают рабочую среду с помощью искусственного интеллекта, с какими трудностями сталкиваются и не боятся ли доверять чувствительные данные машинам.
Пока одни обсуждают, заменит ли искусственный интеллект человека, другие уже выстраивают вокруг него целые системы. Все больше бизнесменов собирают собственные системы агентов минимальными средствами: через Claude Codex, Perplexity Computer, OpenClaw, API, локальные модели и телеграм-ботов.
За красивой картинкой «бизнеса будущего» быстро вскрывается другая сторона: ИИ-агенты нужно настраивать, контролировать, тестировать и буквально воспитывать. Они ошибаются, теряют контекст, могут удалить важные файлы или выдать бесполезный ответ. А еще требуют от владельца бизнеса совершенно нового навыка: умения строить процессы не только для людей, но и для машин.
Редакция о’смысле.екб (пока состоящая только из семи человек и одного бота) узнала у основателя приложения для учета финансов МЕА и студии ИИ-разработки E12A3 Егора Землянова и у маркетолога-аналитика Сергея Пастухова, как они выстраивают рабочую среду с помощью искусственного интеллекта, с какими трудностями сталкиваются и не боятся ли доверять чувствительные данные машинам.
«ГЛАВНАЯ ЦЕННОСТЬ — НЕ В РАЗОВЫХ ЗАПРОСАХ, А В ПОВТОРЯЮЩИХСЯ ПРОЦЕССАХ»
Егор Землянов начал экспериментировать с искусственным интеллектом задолго до нынешнего бума. По его словам, интерес к машинному обучению появился еще до массового распространения современных моделей, но именно последние два года показали, что ИИ перестал быть инструментом только для технических специалистов.
«Сначала я использовал его как помощника для отдельных задач: что-то структурировать, написать, проверить, найти. Довольно быстро стало понятно, что главная ценность — не в разовых запросах, а в повторяющихся процессах», — говорит Егор.
Со временем увлечение выросло в полноценную систему ИИ-агентов. Землянов принципиально не воспринимает их как чат-ботов «на все случаи жизни». У каждого агента — своя роль, инструкция, контекст и зона ответственности. Названия соответствующие: продакт-маркетолог, SEO-специалист, копирайтер, тестировщик, дизайнер, разработчик, ассистент.
Это важно не только с точки зрения порядка, но и для самой логики работы. Предприниматель говорит, что агент начинает работать заметно лучше, когда у него есть понятная функция внутри процесса, а не абстрактная задача «помогать бизнесу».
Сейчас часть агентов помогает ему в личной работе — например, с планированием и организацией задач. Но основной сценарий использования все же связан с бизнесом: отчеты, коммуникации, аналитика, презентации, маркетинг, разработка и тестирование.
«Если сотрудник тратит много времени на рутину, он меньше занимается развитием своей зоны ответственности. Агент снимает повторяющиеся действия, а человек может использовать свое время эффективнее», — объясняет Землянов.
Сергей Пастухов описывает это еще проще: часть задач теперь действительно быстрее сделать самому через ИИ, чем долго объяснять подрядчику, что именно нужно получить на выходе.
При этом оба предпринимателя считают: ИИ пока не заменяет человека полностью. Скорее наоборот — делает заметнее разницу между механической работой и навыками специалиста.
«Сначала я использовал его как помощника для отдельных задач: что-то структурировать, написать, проверить, найти. Довольно быстро стало понятно, что главная ценность — не в разовых запросах, а в повторяющихся процессах», — говорит Егор.
Со временем увлечение выросло в полноценную систему ИИ-агентов. Землянов принципиально не воспринимает их как чат-ботов «на все случаи жизни». У каждого агента — своя роль, инструкция, контекст и зона ответственности. Названия соответствующие: продакт-маркетолог, SEO-специалист, копирайтер, тестировщик, дизайнер, разработчик, ассистент.
Это важно не только с точки зрения порядка, но и для самой логики работы. Предприниматель говорит, что агент начинает работать заметно лучше, когда у него есть понятная функция внутри процесса, а не абстрактная задача «помогать бизнесу».
Сейчас часть агентов помогает ему в личной работе — например, с планированием и организацией задач. Но основной сценарий использования все же связан с бизнесом: отчеты, коммуникации, аналитика, презентации, маркетинг, разработка и тестирование.
«Если сотрудник тратит много времени на рутину, он меньше занимается развитием своей зоны ответственности. Агент снимает повторяющиеся действия, а человек может использовать свое время эффективнее», — объясняет Землянов.
Сергей Пастухов описывает это еще проще: часть задач теперь действительно быстрее сделать самому через ИИ, чем долго объяснять подрядчику, что именно нужно получить на выходе.
При этом оба предпринимателя считают: ИИ пока не заменяет человека полностью. Скорее наоборот — делает заметнее разницу между механической работой и навыками специалиста.
Компания Microsoft заявила о полной поддержке OpenClaw в Windows 11 на недавней конференции Build 2026. Фото: Microsoft
СКОРОСТЬ ВМЕСТО БЕСКОНЕЧНЫХ СОГЛАСОВАНИЙ
Особенно эта разница заметна в работе с MVP (минимально жизнеспособными продуктами) и гипотезами. Сейчас Сергей Пастухов может за несколько вечеров собрать прототип простого продукта без команды — только с помощью ИИ-инструментов и агентов.
«Раньше на создание MVP уходило гораздо больше времени: нужно было подключать людей, объяснять идею, обсуждать реализацию. Сейчас я могу быстро собрать рабочий прототип, показать его команде, получить обратную связь и понять, стоит ли вообще развивать эту идею дальше».
В итоге часть гипотез отсеивается еще до полноценного запуска, что экономит не только деньги, но и ресурсы команды.
Главное изменение, о котором говорят оба собеседника, — скорость. Причем не написания текста или генерации картинки, а принятия решений.
Землянов приводит простой пример: презентацию, на которую раньше уходило два-три дня, теперь можно собрать примерно за двадцать минут. ИИ не делает все идеально, а снимает бо́льшую часть ручной работы и помогает быстрее перейти от идеи к первым наброскам.
«Ты начинаешь мыслить не категориями „когда я найду время это сделать“, а категориями „как быстро я могу это протестировать“», — говорит Егор.
За этим ускорением стоит довольно объемная инфраструктура. У Землянова в рабочем стеке одновременно используются ChatGPT, Claude, Perplexity, Codex, API-интеграции с другими сервисами, телеграм-боты и локальные модели. Выбор инструмента зависит не только от качества модели, но и от того, насколько удобно встроить ее в процесс.
«Я выбираю не самый модный инструмент, а тот, который лучше всего встраивается в конкретный процесс».
Сергей тоже говорит о постепенном усложнении системы. Если осенью прошлого года на ИИ у него уходило около 10−15 долларов в месяц, то сейчас расходы перевалили за сотню долларов. Он воспринимает это как траты на рабочую инфраструктуру.
«Раньше на создание MVP уходило гораздо больше времени: нужно было подключать людей, объяснять идею, обсуждать реализацию. Сейчас я могу быстро собрать рабочий прототип, показать его команде, получить обратную связь и понять, стоит ли вообще развивать эту идею дальше».
В итоге часть гипотез отсеивается еще до полноценного запуска, что экономит не только деньги, но и ресурсы команды.
Главное изменение, о котором говорят оба собеседника, — скорость. Причем не написания текста или генерации картинки, а принятия решений.
Землянов приводит простой пример: презентацию, на которую раньше уходило два-три дня, теперь можно собрать примерно за двадцать минут. ИИ не делает все идеально, а снимает бо́льшую часть ручной работы и помогает быстрее перейти от идеи к первым наброскам.
«Ты начинаешь мыслить не категориями „когда я найду время это сделать“, а категориями „как быстро я могу это протестировать“», — говорит Егор.
За этим ускорением стоит довольно объемная инфраструктура. У Землянова в рабочем стеке одновременно используются ChatGPT, Claude, Perplexity, Codex, API-интеграции с другими сервисами, телеграм-боты и локальные модели. Выбор инструмента зависит не только от качества модели, но и от того, насколько удобно встроить ее в процесс.
«Я выбираю не самый модный инструмент, а тот, который лучше всего встраивается в конкретный процесс».
Сергей тоже говорит о постепенном усложнении системы. Если осенью прошлого года на ИИ у него уходило около 10−15 долларов в месяц, то сейчас расходы перевалили за сотню долларов. Он воспринимает это как траты на рабочую инфраструктуру.
За последние полгода своих ИИ-агентов анонсировали Google, Microsoft и Anthropic. Фото: Google
ПОЧЕМУ ПРЕДПРИНИМАТЕЛИ ВСЕ ЕЩЕ НЕ ДОВЕРЯЮТ ИИ ПОЛНОСТЬЮ
Оба эксперта подчеркивают: выстроить работающую систему агентов — не равно просто купить подписку на очередной сервис.
Самая сложная часть начинается после первых тестирований. Агентов приходится обучать, проверять, переписывать инструкции к ним и постоянно следить, как они работают в реальных процессах.
«Автономность не означает отсутствие контроля», — говорит Егор.
По его словам, большинство сбоев происходят именно на старте: ломаются API, теряются доступы, неправильно выстраивается логика, агент начинает путаться в задачах или неверно интерпретирует инструкции. Поэтому внутри его системы есть отдельный агент, который следит за работой других агентов и помогает находить ошибки.
Сергей рассказывает о более бытовых проблемах. Например один раз ИИ «забыл» об ограничениях и попытался удалить важные данные: «Была ситуация, когда агент практически успел это сделать, но его вовремя остановили».
Из-за этого оба крайне осторожно относятся к чувствительным данным. Паспортная информация, банковские аккаунты, API-ключи, внутренние документы и критически важные переписки либо не попадают в открытые модели вообще, либо обрабатываются в локальном закрытом контуре.
Именно локальные модели Егор и Сергей называют одним из главных направлений развития ИИ. Возможность обучать систему на собственных данных и не отправлять информацию внешним сервисам постепенно становится важнее, чем очередная «самая умная» публичная модель.
Самая сложная часть начинается после первых тестирований. Агентов приходится обучать, проверять, переписывать инструкции к ним и постоянно следить, как они работают в реальных процессах.
«Автономность не означает отсутствие контроля», — говорит Егор.
По его словам, большинство сбоев происходят именно на старте: ломаются API, теряются доступы, неправильно выстраивается логика, агент начинает путаться в задачах или неверно интерпретирует инструкции. Поэтому внутри его системы есть отдельный агент, который следит за работой других агентов и помогает находить ошибки.
Сергей рассказывает о более бытовых проблемах. Например один раз ИИ «забыл» об ограничениях и попытался удалить важные данные: «Была ситуация, когда агент практически успел это сделать, но его вовремя остановили».
Из-за этого оба крайне осторожно относятся к чувствительным данным. Паспортная информация, банковские аккаунты, API-ключи, внутренние документы и критически важные переписки либо не попадают в открытые модели вообще, либо обрабатываются в локальном закрытом контуре.
Именно локальные модели Егор и Сергей называют одним из главных направлений развития ИИ. Возможность обучать систему на собственных данных и не отправлять информацию внешним сервисам постепенно становится важнее, чем очередная «самая умная» публичная модель.
КАК «ПРИРУЧИТЬ» ИИ?
При этом сами предприниматели довольно спокойно относятся к скепсису вокруг ИИ. Скорее наоборот — считают, что многие до сих пор недооценивают масштаб изменений. Но оба делают важную оговорку: искусственный интеллект не исправляет плохие процессы.
Если внутри компании хаос, нет структуры, непонятны зоны ответственности и отсутствует логика работы, ИИ этот хаос лишь удвоит. Поэтому начинать, по мнению Егора, нужно не с выбора сервиса, а с попытки понять, какая задача регулярно отнимает у команды больше всего времени.
Сергей советует входить в тему еще проще — через практику. Общаться с агентами, просить объяснять механики, спорить с ними, проверять ответы и учиться видеть ошибки.
«Можно буквально учиться вместе с ИИ: сначала решить задачу, потом попросить его раскритиковать результат, а потом разобрать, где ошибся уже сам агент».
В этом и заключается главный парадокс нынешнего этапа развития ИИ: чем умнее становятся машины, тем важнее человеку понимать, как устроены социальные процессы, ответственность и контроль.
Пока ИИ-агенты действительно не похожи на полноценную замену сотрудникам. Скорее — на очень быстрых стажеров, которым нужны инструкции, ограничения и постоянная проверка. Но даже в таком виде они уже меняют бизнес: ускоряют запуск гипотез, убирают часть рутины и позволяют предпринимателям быстрее принимать решения. И, судя по тому, как быстро такие системы появляются даже в небольших командах, этот переход уже сложно назвать просто экспериментом.
Если внутри компании хаос, нет структуры, непонятны зоны ответственности и отсутствует логика работы, ИИ этот хаос лишь удвоит. Поэтому начинать, по мнению Егора, нужно не с выбора сервиса, а с попытки понять, какая задача регулярно отнимает у команды больше всего времени.
Сергей советует входить в тему еще проще — через практику. Общаться с агентами, просить объяснять механики, спорить с ними, проверять ответы и учиться видеть ошибки.
«Можно буквально учиться вместе с ИИ: сначала решить задачу, потом попросить его раскритиковать результат, а потом разобрать, где ошибся уже сам агент».
В этом и заключается главный парадокс нынешнего этапа развития ИИ: чем умнее становятся машины, тем важнее человеку понимать, как устроены социальные процессы, ответственность и контроль.
Пока ИИ-агенты действительно не похожи на полноценную замену сотрудникам. Скорее — на очень быстрых стажеров, которым нужны инструкции, ограничения и постоянная проверка. Но даже в таком виде они уже меняют бизнес: ускоряют запуск гипотез, убирают часть рутины и позволяют предпринимателям быстрее принимать решения. И, судя по тому, как быстро такие системы появляются даже в небольших командах, этот переход уже сложно назвать просто экспериментом.
