Есть задачи, которые вы откладываете не потому, что сложно, а потому, что невыносимо скучно их делать.
Назвать это прокрастинацией или ленью неправильно. Мозг не ленится, а сигналит: эта задача не требует от тебя ТЕБЯ, ее нужно просто сделать.
И именно такие задачи компании сейчас массово отдают ИИ-помощникам.
Меня зовут Сергей, я работаю в Cloud.ru архитектором решений. И сегодня расскажу о том, как бигтех осознал, что зона лени — это зона роста, какие задачи забрал у людей и как вы можете сделать то же самое, но поменьше и подешевле.
Публикую статью и ухожу собирать чемодан в отпуск. Но мои коллеги подхватят комменты и ответят на все вопросы, мнения и возражения 😊 Так что пишите, не стесняйтесь.
Простота — это иллюзия
На нашей недавно прошедшей конференции была история от топ-менеджера Navio. Он пришел к разрабу с задачей: «Придумай агента, который будет ставить встречи». Через день тот принес результат — блок-схему из 125–150 шагов.
Для человека поставить задачу — это база. Для агента — полноценный технический вызов.
Агенту нужно объяснять каждый микрошаг: проверить доступность участников, учесть часовые пояса, обработать конфликты в расписании, выбрать переговорку по вместимости, отправить инвайт в правильном формате, дождаться подтверждений, справиться с корнер-кейсами, где кому-то что-то не пришло.
Этот кейс хорошо показывает природу ленивых задач. Они кажутся простыми, потому что вы делаете их на автопилоте. Но именно поэтому их можно и нужно отдать агенту, так как он не раздражается и не откладывает на завтра.
Подобных задач в любой компании десятки. Но есть пять самых главных типов, которые бигтех отдал ИИ первыми. Для каждого объясняю, как повторить у себя, но без миллиардного бюджета.
Тип № 1. Отвечать на одно и то же в поддержке
Проблема
Один и тот же вопрос сотый раз за месяц. Специалист поддержки знает ответ наизусть и именно поэтому злится, выгорает, увольняется или хамит. А это денежные, кадровые и репутационные риски.
Как делает бигтех
«Т-Банк» запустил ИИ-агента поддержки Афанасия Иванова (АИ) больше года назад. Он открывает браузер, использует тот же интерфейс, что и живой специалист, и решает обращения самостоятельно. На конференции Артем Бондарь рассказал, что эти воркеры замещают сотни людей уже сейчас. Но и страдают так же, как обычные люди: Афанасий две недели ждал доступы к некоторым платформам.
«АФЛТ-Системс», дочка «Аэрофлота», автоматизировала регистрацию тикетов в техподдержке. Сделала процесс на 93% эффективнее, сохранила более 1 300 человеко-часов и 920 000 рублей.
Как сделать вам
Соберите 30–50 самых частых вопросов в одну таблицу: вопрос, правильный ответ, ссылка на источник, статус актуальности.
Загрузите эту базу в RAG-сервис. Можно взять готовое решение, например Managed RAG.
Сначала дайте агенту только две функции: отвечать на FAQ и передавать диалог человеку, если он не уверен или вопрос нестандартный.
Интегрируйте в интерфейс. С Managed RAG можно работать напрямую через API — без сборки отдельного агента. Простейший пример: телеграм-бот, который принимает вопрос пользователя, отправляет его в RAG-базу и возвращает ответ. Этого достаточно для базового пилота.
Получаем ответ на запрос пользователя с опорой на загруженную базу знаний и указанными источниками
Сколько это занимает
Первый рабочий пилот можно поднять за 2–3 дня, если у вас уже есть нормальные ответы и не надо разгребать хаос в документах.
Где может сломаться
Первая проблема: если данные грязные, противоречивые или устаревшие, агент будет врать. Чиним двумя способами.
Системный промпт. Прямо пропишите: отвечать строго по материалам базы, ссылаться на источник, а если ответа нет, то честно сказать об этом, не выдумывать.
Температура модели. Чем она ниже, тем менее творческой будет нейросеть при генерации ответа. Для поддержки ставьте минимальные значения.
Вторая проблема: есть угроза для данных, которые пользователи грузят в диалог. У нас в Cloud.ru для решения этой проблемы есть Guardrails Filter. Он сканирует запросы к LLM из каталога Evolution Foundation Models, обнаруживает чувствительные данные (токены, IP, ключи) и маскирует их перед отправкой в модель. А когда приходит время вернуть их, подставляет реальные значения в ответ.
Тип № 2. Разбираться в чужом коде и гонять тесты вручную
Проблема
Разработчики любят код и ненавидят бессмысленную потерю времени: найти, где лежит нужный кусок легаси, вспомнить контекст, руками набросать однотипные тесты. Как итог — выгорание, увольнения, ошибки по невнимательности и конфликты.
Как делает бигтех
«Сбер» развивает GigaCode внутри GitVerse: в агентском режиме описываешь задачу текстом — агент сам находит файлы, вносит изменения, запускает тесты, оформляет коммит.
У Google около 50% нового кода внутри компании генерируется ИИ-помощниками, с обязательным ревью человека. Есть внутренний код‑ассистент Goose, который обучен на кодовой базе и инженерной истории Google. Он помогает ориентироваться в огромных монорепозиториях и писать новые фрагменты.
Как сделать вам
Начните с двух безопасных сценариев: «Объясни этот файл» и «Напиши unit-тесты к этой функции».
Подключите кодового ассистента в IDE и ограничьте область работы текущим репозиторием или папкой сервиса. Самые простые варианты — Continue.dev или Cursor. Они работают через API моделей и ставятся за час. Если нельзя выносить код наружу, поднимаете локальную модель через Ollama и ограничиваете ее доступ только вашим репозиторием.
Можно использовать модели из Foundation Models в VS Code через плагин Roo Code. У нас даже есть репозиторий с готовыми промптами для вайб-кодинга. Внутри — MD-файлы с правилами и примерами инструкций.
Добавьте правило: любой код от модели проходит обычное ревью и обычный запуск тестов, как будто его написал джун. Потому что отвечает за упавший прод тот, кто жмет кнопку «Слить».
Сколько это занимает
Подключение ассистента — несколько часов. Первый полезный эффект появляется за день-два. Чтобы команда начала реально пользоваться и не игнорировать инструмент, обычно уходит 1–2 недели.
Где может сломаться
Самая частая проблема — правдоподобный, но нерабочий код. Модель может импортировать несуществующую или устаревшую библиотеку: синтаксически все выглядит корректно, а при запуске падает. Именно поэтому соблюдайте два правила на старте: ограничивайте модели доступ к большим изменениям и никогда не сливайте код без тестов.
Тип № 3. Зарываться в документах и договорах
Проблема
Большая часть работы с документами — поиск нужного пункта и сверка формулировок. Ошибки из-за человеческого фактора = денежные и репутационные потери.
Как делает бигтех
«Яндекс» в 2025 году запустил Нейроюриста — ассистента для юридических команд. Он отвечает на правовые вопросы, разбирает документы, ускоряет работу с договорами в полтора раза, а поиск и анализ — в три.
Как сделать вам
Вот что происходит под капотом:
Теперь к пайплайну.
Возьмите не всю юридическую базу компании, а один ограниченный набор, например только NDA, договоры оказания услуг и шаблоны допсоглашений.
Приведите документы в нормальный вид. PDF почти всегда грязный, поэтому его надо распарсить в текст и убрать мусор: кривые переносы, дубли, битую структуру. Если этого не сделать, поиск будет работать плохо.
Загрузите документы в систему, которая умеет искать по смыслу. Самый простой путь — использовать готовый сервис вроде Managed RAG: если документы готовы, создать базу можно за несколько минут. Либо собираем минимальный пайплайн через LlamaIndex или LangChain с векторной базой вроде Chroma. Для пилота достаточно локального решения без сложной архитектуры.
Сколько это занимает
Если объем небольшой и документы читаемые, первый внутренний поиск по договорам можно собрать за день.
Где может сломаться
Главная ошибка — позволить модели делать юридические выводы без опоры на цитату. Поэтому оставляйте финальное решение за юристом.
Тип № 4. Разбирать ложные срабатывания в ИБ
Проблема
ИБ-команда тратит 80% времени на ложные срабатывания SAST, которые надо проверить, закрыть, задокументировать. Классическая тупая работа, которая отвлекает от реально серьезных угроз.
Как делает бигтех
У «Т-Банка» для этого есть Safeliner — ассистент по ИБ, встроенный в GitLab. Он сам отсеивает ложные срабатывания, предлагает готовые патчи. Допом идет агент Nulla, который ищет уязвимости на всех этапах разработки и сам строит PoC-эксплойт в изолированной среде.
Как сделать вам
Используйте выгрузку из SAST-инструмента, обычно это JSON из Semgrep, SonarQube или Bandit.
Прогоните этот список через модель и дайте ей простые задачи: объяснить, что это за находка, оценить критичность и сказать, похоже ли это на ложное срабатывание.
Дальше используйте результат не как решение, а как подсказку. Модель не закрывает уязвимости, а раскладывает их по статусам: «Срочно проверить», «Можно отложить» и т. д.
Можно сразу встроить в CI, чтобы при каждом мердже разработчик видел предварительную оценку.
Собрать можно как конструктор из разных продуктов. Пример:
Managed RAG в качестве базы знаний по инцидентам безопасности.
AI Agents / AI Workflows для агента, который принимает JSON из SAST-инструмента, анализирует его и расставляет приоритеты без ручного разбора.
Сколько это занимает
Пилотный слой можно собрать за 2–4 дня.
Где может сломаться
Самая опасная ошибка — дать модели право автоматически помечать находки как безопасные. На старте она может только приоритизировать и объяснять. Решение закрыть или игнорировать уязвимость должен принимать человек.
Тип № 5. Генерировать однотипный рекламный контент
Проблема
Большая часть маркетинга — это не креатив, а поток однотипных задач: описания, карточки, баннеры, вариации текстов. Делать это вручную неинтересно: так бизнес теряет деньги, время и людей из-за скучных задач, которые можно автоматизировать.
Как делает бигтех
У «ВкусВилла» до 7% операционного рекламного бюджета уже уходит на ИИ-контент. Генерятся продукты, актеры и текстовые описания.
Если заглянете в социальные сети многих крупных компаний (банков, маркетплейсов), то заметите ИИ-текст и ИИ-картинки. Мало кто открыто признается, так как нейроконтент считается чем-то постыдным — и зря. Я вижу только плюсы, так как это дешевле, быстрее и легче.
Как сделать вам
Выберите один формат, где больше всего рутины, например описания товаров, или короткие рекламные тексты, или регулярные посты в канал.
Соберите входные данные в структуру. Пример: таблица с полями «Название», «Категория», «Характеристики», «Преимущества». Без чистых, структурированных данных модель начнет выдумывать.
Настройте системный промпт. Он определяет, каким будет каждый текст. Хороший промпт задает роль, структуру ответа, тон и ограничения. Пример:
Ты эксперт по e-commerce-контенту, специализирующийся на создании продающих описаний для карточек товаров на маркетплейсах (OZON, Wildberries, «Яндекс Маркет» и др.). Твоя задача — составить привлекательное, структурированное и убедительное описание товара для карточки на маркетплейсе.
Укажи:
Тип товара: {{категория_товара}}
Целевая аудитория: {{целевая_аудитория}}
Ключевые характеристики: {{основные_характеристики}}
Уникальные преимущества: {{уникальные_преимущества}}
Как будет использоваться товар: {{типичное_использование}}
Наличие сертификатов, гарантий и комплектации: {{дополнительная_информация}}
Описание должно включать:
— Яркий вводный абзац с ключевым преимуществом.
— Структурированный блок с характеристиками и функциями.
— Подчеркивание отличий от конкурентов (без сравнений по брендам).
— Ориентацию на выгоды для покупателя.
— Призыв к действию в финале.
Запустите генерацию сразу пачкой, десятками или сотнями. Модель делает черновики, а вы уже правите и отмечаете типовые ошибки.
Если нужен не только текст, но и визуал, можно встроить в пайплайн ML Inference с уже настроенным ComfyUI для генерации изображений и видео.
Сколько это занимает
Первый потоковый пилот можно показать за один день, если исходные данные уже собраны.
Где может сломаться
Если не зафиксировать брендбук и не дать структуру входных данных, модель начнет придумывать характеристики и обещания. Больше потратите, чем сэкономите.
Бочка дегтя в ложке меда: что еще может пойти не так
ИИ-помощники — новый уровень ответственности. Держите в уме риски.
Утечка данных. Даже внутренний ассистент может стать точкой утечки через логи, телеметрию, интеграции с внешними сервисами или несанкционированное копирование ответов и данных вовне.
В феврале 2026 года у Microsoft Copilot Chat был баг, из‑за которого ассистент при запросах начал использовать и пересказывать конфиденциальные письма из черновиков и исходящих Outlook, несмотря на метки конфиденциальности и DLP‑политику.
Shadow AI. Если внутренний ассистент неудобный или у него ограниченный функционал, сотрудники начинают параллельно ходить к внешним помощникам и грузить туда чувствительные данные. Пока что эта проблема решается политикой ограничений и блокировкой сервисов.
Недостаточная квалификация команды. Если нужно развернуть полноценного агента или мультиагентную систему, то без квалифицированной команды будет сложно. Создавать ее дорого и не всегда эффективно. Некоторые компании обращаются к подрядчикам, которые закрывают создание, поддержку и мониторинг.
Сопротивление сотрудников. Страшно, что ИИ заберет работу и человек попадет под сокращение, и это понятно. Если планируете внедрять помощников, поговорите с командой и донесите до нее, что ИИ — это только инструмент.
Мы, кстати, в 2025 году проводили опрос о доверии к ИИ. Только 62% российских айтишников доверяют ИИ как напарнику. И строится это доверие через работодателя: если руководство активно и прозрачно поддерживает ИИ, то и доверие выше.
Перекладывание ответственности. Есть риск в том, что люди начинают бездумно доверять ответам ассистента и перекладывать на него ответственность за решения. А потом Claude Code удаляет серверы и базу данных с записями за 2,5 года. Так что обучаем не только агентов, но и саму команду.
Вопрос к вам
Я не стал работать меньше. Я стал тратить энергию на то, что приносит результат, а не на борьбу с собственной скукой. И это, пожалуй, главный апгрейд последних лет.
А что насчет вас? Делитесь в комментариях своими «скучными» задачами, которые уже ушли под управление ИИ.