А. Качан
Назад к блогу
management

ИИ сломал главную парадигму сопротивления

AI-агентыУправлениеКомандная работа

ИИ сломал главную парадигму сопротивления

Есть задача, которую невозможно решить силами одной команды. Нужно передать эстафету — и тут всё встаёт.

Не потому, что задача сложная. А потому, что следующий человек на линии отказывается её брать.

AI-агенты научились делать то, что людям даётся с трудом: передавать контекст так, чтобы следующий исполнитель не потерял мысль.

Почему люди сопротивляются

Суть проблемы проста. Человек получает задачу, начатую кем-то другим, и видит только часть картины. Ему кажется, что контекста недостаточно, что он не понимает замысла, что проще сделать с нуля.

Это ощущение знакомо каждому руководителю. Инженер ушёл в отпуск, и его проект замирает — не потому, что следующий не способен, а потому, что не хочет. На курсах по программированию, когда просят проверить чужой код, комментарии заполняются жалобами: «Ненавижу, проще самому написать».

На самом деле это преувеличение. Люди склонны думать, что чужая задача сложнее, чем она есть на деле — даже не открывая её.

Что я увидел в агентах

Когда я начинаю работу с AI-агентом, каждый новый диалог — это абсолютно новый «сотрудник». Он ничего не знает о предыдущих шагах. Ему передают только то, что написано в контексте.

И именно здесь происходит магия.

Агент умеет уложить контекст в 40–50 строк так, что следующий подхватывает и двигается дальше без потерь. Структурирование — не украшение, а рабочий инструмент. Агент не жалуется, не ноет, не говорит «я не понимаю, что тут делал предыдущий». Он берёт саммари и работает.

Но есть нюанс: контекстное окно ограничено. Когда оно заполняется на 50–60%, агент начинает терять нити, повторяться, съезжать с темы. Решение — при достижении порога весь предыдущий контекст саммаризируется, открывается новое окно, и агент продолжает с чистого листа, но с пониманием того, что было сделано до.

Как поршни ломают систему

Двигатель внутреннего сгорания — это четыре поршня, которые работают как единый механизм. Один промахнулся — весь мотор трясёт, теряет мощность, глохнет. Ни один поршень не может сказать: «Моя проблема — моя проблема. Остальные как-нибудь разберутся».

В проекте ровно то же самое. Человек берёт задачу, делает её кое-как — и думает, что это его личное дело. Что его просроченный черновик, неточная спецификация, невнимательно прочитанное ТЗ затронут только его участок. Но на деле — как прогоревший поршень — он ломает весь цикл. Следующий исполнитель получает бракованную входную, тратит время на исправление, сдвигает графики, теряет доверие к команде.

Агенты работают иначе. Каждый из них — новый «сотрудник», который получает только то, что передали. Но передают они так чётко, что следующий подхватывает без потерь. Структурированный контекст в 40–50 строк — и двигатель едет дальше.

Что это значит для руководителя

Мне нужна унификация. Я не могу выстраивать индивидуальный подход к каждому сотруднику — и в этом нет ничего зазорного. Без единых правил передачи контекста невозможно масштабироваться.

Агенты показали: контекст для точечных задач не должен быть исчерпывающим. Достаточно 40–50 строк структурированного описания. Человеку кажется, что нужно рассказать всё. На деле — нужно рассказать главное.

Люди боятся браться за чужое, думая, что им нужно много времени на погружение. Но контекст — это не знание всей истории. Это понимание текущего состояния и следующего шага.


ИИ не заменил людей. Он показал, как правильно работать с контекстом. И это, возможно, самое ценное, чему он нас научил.

Читайте также

management

Невидимый департамент: как я перестал нанимать людей

Как за год я собрал департамент из AI-агентов, который параллельно ведёт 4 проекта: Edge AI для котельных, систему управления департаментом АСУ ТП, генеративное проектирование и этот сайт. И почему люди в команде не сопротивляются.

AI-агентыУправлениеIndustrial AIПромышленность
engineering

ML в котлостроении: прогнозирование загрязнения на реальных данных

Как мы применили ML для прогнозирования загрязнения конвективных поверхностей котла на основе данных режимной наладки. Сочетание классической теплотехники и современных методов анализа данных.

Machine LearningКотлыРежимная наладкаПрогнозирование
engineering

Как мы автоматизировали расчёт шкафов автоматики

Разбор модуля автоматического расчёта стоимости шкафов по спецификации из Eplan Platform 2025. Как мы убрали человеческий фактор из ценообразования и сократили срок согласования КП с 2 дней до 5 минут.

EplanАвтоматизацияКалькуляторШкафы управления