Кейс · на себе

AI-агенты вместо системного аналитика

−1 позиция в штате, +4 автоматизированные функции за 47 дней. Флагманский кейс бюро, сделанный на собственной компании — с полными цифрами, включая провалы «до».

~80%роли закрыто за 1,5 месяца

½ года → 10 секпубликация документации

4 → 0аналитиков сменилось / решений выпущено за год

Проблема: одна роль — четыре функции, и ни одной закрытой

Клиент — наша собственная «Студия CRM», интегратор с 12-летней историей: разработка и поддержка модулей для CRM. Должность системного аналитика здесь — узкое горлышко компании. Одна роль закрывает сразу четыре функции:

Техзадания разработчикам
Диагностика сложных случаев
Приёмка и финальные тесты
Документация модулей

Что было за год на этой позиции:

Через позицию прошло 4 человека
200+ собеседований, сотни часов на онбординг
0 выпущенных решений при норме 20–25 в год
70 готовых идей лежали мёртвым грузом в беклоге

Проблема структурная, а не в конкретных людях: работа требует одновременно глубокого знания продукта, инженерной аккуратности и скорости — и плохо ложится на найм. Развилка была простой: нанимать пятого — или перестроить процесс. Мы выбрали второе: 47 дней внедрения AI-агентов по каждой из четырёх функций.

Решение: агент на каждую функцию роли

📄 Документация — автоматизирована на 100%

git push с тегом new → агент анализирует изменения кода и интерфейса → через MCP обновляет сайт и базу знаний.
Было: до полугода от релиза до описания. Стало: меньше 10 секунд.

🔍 Диагностика — с недели до 5 минут

AI читает сквозные логи каждого запроса и указывает причину сбоя. За неделю после запуска — десяток обращений, каждое разобрано за минуты вместо 1–2 часов разработчика.

🧪 Тестирование — 60% на AI

Включая финальные тесты. План на следующий месяц — 90%.

🔀 Маршрутизация проблем — ML на потоке логов

Классификация в реальном времени: ошибка настроек → поддержка, упал сервис → мониторинг, ошибки 500 → разработчик. Первые же тесты нашли десятки реальных проблем: истёкшие токены, зависшие процессы.

Что на самом деле было работой: подготовка данных, а не «подключить нейросеть»

Это главная мысль кейса и суть нашего подхода. Модули были написаны на старом SDK, данные — на массивах. AI физически не мог понять, что происходит внутри. Бо́льшая часть из 47 дней ушла не на агентов, а на инженерную подготовку инфраструктуры:

перевод модулей на DTO — прозрачные структуры данных вместо сырых массивов;
сквозное логирование каждого этапа обработки;
единый мониторинг;
сервис очередей.

Универсальное правило: AI-агент эффективен ровно настолько, насколько прозрачны данные, которые вы ему даёте. Без подготовки инфраструктуры агент так же беспомощен, как аналитик без доступа к логам.

Именно поэтому мы не берёмся за проекты, где нет систем, в которые можно встроить решение. Сначала — процесс и данные, потом — AI. Это 20+ лет интеграторского опыта, применённые к искусственному интеллекту: мы умеем не только строить агентов, но и готовить под них живой контур бизнеса.

Результат

Функция роли	Было	Стало
Документация	до полугода	<10 секунд (100% авто)
Диагностика	неделя / 1–2 ч разработчика	5 минут
Тестирование	вручную	60% на AI (план 90%)
Маршрутизация проблем	вручную	ML на потоке логов

Итог

Роль системного аналитика закрыта на ~80% за 1,5 месяца.

−1 позиция в штате, +4 автоматизированные функции, беклог из 70 идей разморожен. Мы не верим в «AI заменит всех». Мы показали на себе другое: AI закрывает штатную роль на 80% — если сначала кто-то грамотно подготовил данные и процесс. Первое умеет любой, кто освоил промпты. Второе — то, за что платят бюро.

Где в вашей компании роль-узкое место, которую не закрыть наймом?

Мы посмотрим на процесс и данные, найдём функцию, где AI-ядро окупится первым, и покажем результат на ваших системах — не на слайдах.

Обсудить AI-ядро вашего бизнеса

First-AI — AI-бюро Сергея Ткаченко. За бюро — 12 лет и 1000+ внедрений интеграторского бренда «Студия CRM».