Начну с вывода: если одну и ту же скучную операцию я делаю руками второй раз, где-то в мире грустит один AI-агент. А если третий — вероятно, уже и Python-скрипт.
Я довольно долго воспринимал AI в основном как ещё один интерфейс к языковой модели: задать вопрос, получить ответ, попросить что-то переписать, объяснить код или помочь с формулой. А потом начал пользоваться AI-агентами и довольно быстро понял, что разница между ними и обычным чатом куда менее магическая, чем иногда кажется.
Обычный чат в основном рассказывает, что можно сделать. Агент может сам открыть файл, написать небольшой скрипт, запустить его, проверить результат, исправить ошибку и положить готовый файл туда, где он нужен. После этого часть привычных задач внезапно начинает восприниматься примерно как ручное копирование файлов на флешку. Технически можно. Но уже как-то неловко.
Ниже — пять типов задач, которые после знакомства с агентами мне особенно не хочется снова делать руками.
1. Разбирать большие Excel и CSV
Одна из самых типичных задач выглядит так: приходит выгрузка на несколько десятков тысяч строк, и сначала нужно вообще понять, что в ней происходит. Раньше значительная часть времени уходила ещё до собственно анализа. Я открывал Excel, изучал листы, искал ключевые идентификаторы, проверял пропуски и дубли, собирал сводные, писал формулы и только потом добирался до выводов.
Самое неприятное случалось, когда спустя полчаса выяснялось, что расчёт сделан не на том уровне сущности, знаменатель выбран не тот или один и тот же объект встречается в нескольких строках. В этот момент аналитика временно превращалась в практику принятия неизбежного.
С агентом я обычно начинаю иначе:
Изучи структуру файла, определи ключевые идентификаторы, проверь пропуски и дубли, а потом предложи план анализа.
Дальше агент может использовать Python, pandas, openpyxl, DuckDB и другие обычные инструменты. И здесь для меня важен один принцип: модель не должна сама считать числа «в голове». Нормальный сценарий — когда AI понимает задачу, формулирует логику, пишет код, а сами расчёты выполняются обычным детерминированным способом.
То есть вместо «мне кажется, здесь примерно 18%» получается куда более скучный, но полезный вариант: вот фильтр, вот знаменатель, вот код, вот результат. Математика по-прежнему работает лучше, когда её считает математика, а не уверенный в себе текстовый генератор.
Есть и ещё один бонус — воспроизводимость. Если завтра приходит новая выгрузка того же формата, не нужно снова проходить весь путь вручную. Можно повторить уже готовую последовательность и сосредоточиться на том, что действительно изменилось в данных.
2. Перекладывать информацию из одного формата в другой
Есть отдельный класс задач, которые почти не требуют сложных решений, но отлично съедают время. Например, нужно превратить PDF в таблицу, собрать Word из нескольких источников, преобразовать Markdown в HTML, привести хаотичный документ к единой структуре или сформировать итоговый Excel из промежуточных файлов.
По сути, человек в этот момент работает дорогим преобразователем форматов. Такой enterprise-конвертер с кофе, календарём встреч и периодическими попытками понять, почему в одном документе опять съехала таблица.
AI-агент в подобных задачах полезен не потому, что он «понимает документы лучше человека», а потому, что у него есть доступ к обычным инструментам: pandoc, python-docx, PyMuPDF, openpyxl, pypdf и другим библиотекам. Он может не просто подсказать, чем решить задачу, а реально выполнить преобразование.
Например, вместо ответа «для этого можно использовать Pandoc» агент может сам запустить:
pandoc input.md -o output.docx
посмотреть на результат, заметить, что часть структуры потерялась, поправить исходник или параметры и повторить операцию.
Для меня это одна из самых недооценённых возможностей агентов. Не магический интеллект и не очередной чат с красивыми формулировками, а отсутствие необходимости самому быть клеем между десятью форматами и инструментами.
3. Писать одноразовые утилиты
Вот здесь у меня произошёл, пожалуй, самый заметный сдвиг. Раньше, если для какой-то задачи требовалась маленькая программа, я сначала оценивал, насколько мне вообще хочется ради неё открывать IDE и писать код. Очень часто ответ был: не настолько.
Теперь порог сильно снизился. Если нужно сравнить две выгрузки, переименовать тысячу файлов, собрать простой интерфейс над Excel, сделать локальный поиск по документам, автоматически сформировать отчёт или проверить набор данных по правилам, сначала я думаю не «стоит ли это разработки», а «можно ли быстро отдать это агенту».
Он пишет код, запускает его, ловит ошибку, исправляет и снова запускает. Иногда это напоминает очень быстрого стажёра, которому не нужен сон, но зато нужен хороший постановщик задачи. Если нужен простой интерфейс, к этому можно добавить Streamlit, HTML или небольшой локальный веб-сервис.
В результате утилита, которую раньше было лень делать ради задачи на пару часов в месяц, внезапно становится вполне оправданной. AI снижает стоимость не только создания сложных продуктов, но и маленькой автоматизации, которая раньше просто не окупалась по времени.
4. Разбираться с незнакомым окружением методом тыка
Кто хоть раз настраивал что-нибудь в Linux, знает прекрасный цикл:
команда
→ ошибка
→ поиск
→ статья
→ другая команда
→ другая ошибка
→ ещё одна статья
→ команда из 2019 года
→ стало хуже
Особенно весело, когда проблема находится где-то между PATH, сертификатами, SSH, Python-окружением, правами, зависимостями и корпоративной сетью. В какой-то момент ты уже не устраняешь проблему, а проходишь побочный квест, который случайно оказался внутри рабочего дня.
С агентом это превращается скорее в совместную диагностику. Вместо хаотичного перебора команд можно сначала посмотреть, какой именно Python используется:
which python
which pip
затем проверить окружение:
pip list
а дальше уже изучать логи, структуру каталогов, переменные среды и постепенно локализовать проблему.
Это не значит, что агент никогда не ошибается. Ошибается ещё как. Иногда он с огромной уверенностью предлагает именно ту команду, после которой хочется закрыть терминал и сделать вид, что ничего не происходило.
Но ценность для меня в другом: мне больше не нужно держать в голове синтаксис двадцати инструментов одновременно. Я могу удерживать более высокий уровень — что именно я хочу получить, — а технические детали раскручивать уже вместе с агентом.
5. Повторять один и тот же процесс второй раз
Наверное, это главный эффект. Если я один раз сделал задачу руками вместе с агентом, второй раз почти автоматически возникает вопрос: а почему вообще это снова делаю я?
Допустим, каждый месяц нужно положить новую выгрузку в папку, проверить структуру, посчитать показатели, найти аномалии, сформировать итоговый Excel и написать короткое резюме. После первого прохода становится понятно, где нужны проверки, какие поля обязательны, что считать ошибкой и какой результат должен получиться.
В этот момент процесс уже можно оформить как команду, скрипт или отдельный сценарий. Например:
/analyze-report
и спрятать за ней всю последовательность.
Тогда AI становится не только исполнителем отдельной задачи, но ещё и способом зафиксировать рабочий процесс. Причём автоматизация больше не обязана начинаться с полноценной разработки. Раньше первый вопрос часто звучал как «стоит ли заводить на это задачу разработчикам?». Теперь можно начать намного дешевле: сначала автоматизировать процесс локально, проверить, действительно ли он полезен, а уже потом решать, стоит ли превращать его в нормальный сервис.
Где здесь подвох
Конечно, агент — не волшебная кнопка. Хотя временами очень старается выглядеть именно так. Я бы не отдавал ему без контроля финансовые расчёты, изменение или удаление важных данных, действия в боевых системах и любые решения, где цена ошибки заметно выше стоимости сэкономленных десяти минут.
Отдельная история — чувствительная информация. Если агент получает доступ к внутренним документам, клиентским данным или корпоративным системам, нужно понимать, куда уходят данные, какие у агента права и что именно он способен сделать от имени пользователя.
И чем ближе задача к реальному бизнес-процессу, тем важнее становятся уже совсем не AI-вопросы: права доступа, журналирование, безопасность, инфраструктура, мониторинг и ответственность за ошибку. Локально собрать полезную штуку сегодня действительно стало очень просто. Сделать из неё надёжный сервис для сотен людей — всё ещё отдельная инженерная задача.
Kubernetes не исчез только потому, что мы научились красиво разговаривать с моделью.
Вместо вывода
Хотя вывод уже был в первом абзаце — оптимизация добралась даже до структуры статьи.
Самая полезная мысль, которую я вынес из работы с AI-агентами, довольно скучная: не обязательно искать задачу, где AI сделает что-то невероятное. Гораздо практичнее посмотреть на свой обычный рабочий день и заметить операции, которые повторяются, требуют много механических действий и каждый раз проходят примерно по одному сценарию.
Я всё чаще задаю себе простой вопрос:
Какую тупую повторяющуюся операцию я сегодня уже делал второй раз?
Очень часто именно там и находится лучший первый кейс для агента.
И если после этого он заберёт у меня очередной Excel, конвертацию PDF или настройку окружения — я совершенно не против.
Автор: Nilfgaardian
