Многие команды в арбитраже уже ввели AI в свои процессы и пользуются им ежедневно: генерируют тексты, создают крео, ускоряют разработку, анализируют данные, готовят тесты и пробуют собрать вокруг AI полноценные процессы. Но до сих пор такие внедрения чаще всего остаются точечными.
В преддверии выступления Влада, овнера Kadam, 26 мая на MAC мы поговорили с ним об AI-агентах в арбитраже. Разобрали, почему без инфраструктуры агенты быстро упираются в потолок, где AI уже помогает операционке, разработке и баингу, какие ошибки совершают команды при внедрении и почему ответственность за результат все равно остается на человеке.
Ты выходишь на конференцию с темой AI-first компаний и AI-агентов. Почему решил говорить именно об этом, а не поднять, например, тему про очередные AI-инструменты для рынка?
Для меня AI-агенты и инструменты — это, в общем-то, одно и то же. Я хотел поговорить о более глобальном: о том переходе в мир AI-first, который сейчас происходит. Не про отдельные кусочки и инструменты, а про то, как это должно работать целиком.
Сейчас почти каждая команда так или иначе пробует нейросети. По каким признакам ты понимаешь, что компания уже не просто тестит AI в отдельных задачах, а начинает перестраивать под него процессы?
Честно говоря, я почти не вижу компаний, которые реально перестраивают процессы. Если брать разработку, признак перехода — это появление AI-инфраструктуры. Критерий простой: когда без AI уже что-то не едет, когда нет пути назад, когда какой-то блок решается целиком на AI — вот тогда можно говорить, что компания перестраивается. Но глобально процессы меняются не сильно — меняется инструментарий для работы с ними. Хотя при полноценном внедрении, когда задачу целиком решают агенты, процессы действительно сильно упрощаются.
В докладе заявлены операционка, разработка и баинг. Почему ты объединил именно эти направления? Что между ними общего с точки зрения внедрения AI-агентов?
Операционка — это в целом все, что происходит в компании. Разработка и баинг — то, где мы видим наибольший потенциал от нейронок. Это генерация кода плюс продуктовые требования, там AI закрывает очень многое. А почему баинг — приходите на доклад, там расскажу подробно.
Если брать операционку, где AI-агенты могут быстрее всего дать пользу affiliate-команде: в отчетах, коммуникации, контроле задач, аналитике, саппорте или где-то еще?
Тут все упирается в инфраструктуру. Если ее нет, AI-агенты мало что могут сделать — ну заполнит табличку, и все. Откуда ему брать данные? Нужна интеграция с системами. Когда она есть — буст очень сильный.
Коммуникация, кстати, на мой взгляд, самое худшее место для агентов. Когда вместо людей в мессенджерах начинают общаться агенты — это выглядит очень плохо. А вот аналитика, контроль задач, креативы — там польза есть уже сейчас. И в этом, собственно, цель моего доклада: показать, как выглядит AI-first мир и где реально есть точки входа.
Многие команды в арбитраже растут в ручном режиме: задачи и контроль держатся на конкретных людях, а не на системе. Как AI-агенты могут помочь такой команде, если процессы еще не описаны идеально?
AI-агенты могут помочь выстроить процессы, но заменять ими процессы — плохая идея. На текущий момент агент может подтянуть навыки project-менеджмента, помочь с регулярным менеджментом, вести роадмап, выставлять точки контроля. Но почему нет процессов? Как правило, потому что не хватает базовых академических знаний: что такое регулярный менеджмент, как выстраивать процессы. AI может помочь с обучением, хотя я лично тут все равно предпочитаю книги.
В разработке AI уже используют многие, но часто это выглядит как помощь конкретному специалисту. Что меняется, когда компания начинает встраивать AI в сам процесс разработки?
По сути, AI в разработке и есть помощь конкретному специалисту — просто на другом уровне. Раньше был длинный цикл: продакт решает, что делать, бизнес-аналитик пишет требования, системный аналитик описывает кейсы, разработчик пишет код, тестировщик проверяет, DevOps деплоит, техсаппорт поддерживает. Самое важное, что дает AI, — это возможность объединить функции. Разработчик сам может быть и продактом, и бизнес-аналитиком, сам покрывать тестами и деплоить. То есть сокращается количество людей в цикле. Границы между ролями становятся менее жесткими, а ценность разработчиков с сильным продуктовым мышлением растет.
Важный момент: AI в разработке взлетает только тогда, когда меняется сам подход. Накладывать AI на старый процесс — ошибка, упрешься в старые бутылочные горлышки. Мы сами через это прошли: когда внедряли по-старому, уперлись в код-ревью. Пришлось сильно инвестировать в автотесты и quality gates, чтобы тот огромный объем кода, который генерирует AI, не застревал на старых процессах. Код-ревью стал самым критичным блоком — его нужно максимально автоматизировать, не теряя в качестве.
Мы внедрили дополнительные automated review tools и quality gates — это усложнило ревью в хорошем смысле: ошибки находятся в процессе, а не после деплоя.
Какие задачи в разработке, на твой взгляд, AI-агенты закрывают лучше всего уже сейчас, а где компании все еще нужно быть аккуратнее и не отдавать решение машине?
Очень зависит от состояния продукта и инженерных практик. Если все хорошо — есть автотесты, quality gates, нормальный деплой, инфраструктура описана как код, — буст будет огромным. Если все делается по старинке — AI не раскроется полностью, но зато поможет быстро привести все в порядок. Зависимость от инженерных практик с приходом AI очень сильно выросла. Без них такого буста не получить, и вот там надо быть осторожным.
Баинг — самая болезненная часть темы, потому что там ошибка довольно быстро бьет по карману. Где AI может помочь байеру без потери контроля над тестами и гипотезами?
Для меня AI-агент — это просто инструмент, интерфейс взаимодействия с внешними сервисами. Байер может ошибиться, кликнув по интерфейсу, и точно так же ошибиться, работая через чат. Просто ошибки немного другие. В целом это просто более удобный способ взаимодействия. А эту тему я очень подробно раскрыл в докладе — приходите.
AI-агент может быть полезен только в генерации креативов и текстов? Или в более глубокой работе: анализе связок, поиске закономерностей, подготовке тестов, разборе результатов?
Я считаю, что практически в любой функции компании можно найти полезные сценарии применения AI. Более подробно расскажу в докладе.
Что должен понимать овнер или руководитель команды, если он хочет внедрять AI-агентов, чтобы принести ощутимую пользу бизнесу?
Самое важное — понять, что AI — это инструмент, не человек. Он не несет ответственности за результат. Нужно забыть фразы «агент накосячил», «агент ошибся». Когда бьешь молотком по пальцу — виноват не молоток, а тот, кто его держал. То же самое с AI. Ошибаются люди, которые используют агента, и ответственность должна оставаться на человеке. Вот это понять в первую очередь — и дальше все становится проще. А пробовать нужно везде.
Какие ошибки ты чаще всего видишь у компаний, которые начинают внедрять AI: неправильно выбирают задачи, ждут слишком быстрый эффект, не контролируют качество, не дают агентам нормальный контекст?
Первое — перекладывают ответственность на AI, воспринимают его не как инструмент, а как искусственного человека.
Второе — хотят использовать AI, но не хотят строить под него инфраструктуру: интеграции, дополнительные сервисы.
Третье — страх передавать свои данные моделям. Я постоянно это вижу: «мы не хотим использовать API», «мы не хотим передавать данные в ChatGPT». Но для чувствительных данных важно выстраивать отдельные процессы безопасности: использовать enterprise-решения, анонимизацию, ограничения на передачу данных и внутренние политики работы с AI. Во многих случаях риски можно существенно снизить правильной архитектурой и настройкой инструментов.
Кому в первую очередь стоит прийти на твой доклад: овнерам, хедам, байерам, разработчикам, операционным менеджерам? И что каждый из них сможет забрать для своей работы?
Доклад будет и с фундаментальной частью, и с реальными кейсами, поэтому он будет полезен практически всем. Операционным менеджерам — точно. Разработчикам чуть меньше, в глубину разработки я не углублялся. А байерам, хедам и овнерам — должно зайти сильнее всего: расскажу, как мы работаем внутри, к чему пришли, как внедряли и как внедрять вам.
Что ты хочешь, чтобы человек понял после доклада Kadam: с чего начать внедрение AI-агентов, какие процессы пересмотреть или какие вопросы задать своей команде уже после конференции?
Я хочу, чтобы все осознали, что такое AI-first мир, что это за революция и куда мы придем. Когда это осознание приходит — картина мира меняется очень сильно. И появляются совершенно другие вопросы, чем те, что были до доклада.
AI-агенты работают ровно настолько хорошо, насколько команда готова пустить их в свои процессы. Им нужны данные, доступы, интеграции, правила проверки и человек, который будет отвечать за их действия. Без этого агент остается инструментом для разовых задач и не более.
Полноценное внедрение начинается там, где компания заранее понимает, какую задачу отдает агенту, как проверяет результат и кто принимает финальное решение.
Написать в Telegram 
сайт 
Website 
