«Внедрили ИИ» в разных компаниях означает разное: у одного инженера продуктивность выросла в разы, а остальная команда ещё не перестроила процессы. Борис Черный предлагает шкалу, которая наводит порядок в этой каше. Ниже — её пересказ нашими словами, с примерами из того, как мы в MILAGPT строим сеть ИИ-операторов.
Ступень 0: ИИ «есть», но под замком
Знакомая картина: компания купила доступ к чат-боту, обвесила его согласованиями, пропустила через корпоративный шлюз и порезала до старых моделей. Агентов — ноль. Результат живёт в окне чата и умирает там же.
Диагноз точен: узкое место здесь не технологии, а процессы. Компания считает стоимость токенов вместо стоимости результата, а за столом, где принимают решения, нет никого, кто реально работал с агентами. Выход — не технический, а организационный: договориться с теми, кто платит, и снести блокеры.
Ступень 1: один инженер, один агент
Первый настоящий шаг: у человека появляется агент-напарник. Правка, на которую уходило полдня, делается между встречами. Но работа синхронная — вы сидите и вычитываете каждую строчку, потому что агент сам себя не проверяет.
Дальше пускает не более умная модель, а цикл самопроверки, которому вы доверяете.
Тесты, сборка, линтер, прогон на реальном окружении — чтобы агент проверял себя сам, до того как вы увидите результат. Пока этого цикла нет, наращивать число агентов бессмысленно: вы просто умножите объём вычитки.
Ступень 2: оркестратор десяти агентов
Здесь один инженер дирижирует 5–10 агентами, у каждого — своя изолированная ветка, чтобы они не толкались локтями. Автоматическое ревью кода и безопасности включены по умолчанию. Вы смотрите итоговые диффы, а не процесс. Бэклог на недели укладывается в полдня.
Мы в MILAGPT живём ровно так: панель из нескольких агентов-аналитиков разбирает задачу веером, синтезирует выводы — и человек читает результат, а не тридцать промежуточных экранов.
Ступень 3: автономия под присмотром
Переломная ступень. Агент больше не ждёт задачу — он сам следит за источниками (каналы, почта, данные) и сам заводит работу. Вопрос «ты код прочитал?» сменяется вопросом «какого контекста модели не хватило и как дать его в следующий раз?».
У нас так работают ИИ-операторы: утренние кроны сами проверяют системы и флагят проблемы, а оператор travel-компании сам читает переписку с клиентами и утром приносит владельцу «пульс»: сколько человек ждут ответа, кто остывает. Никто не ставил ему эти задачи — он их нашёл.
Ловушка ступени, в которую наступили и мы: нарастить агентов раньше, чем цикл самопроверки заслужил доверие. Получаете уверенные отчёты о том, чего агент не перепроверил. Лечится одним правилом: агент обязан доказать результат прогоном, а не рассказом.
Ступень 4: AI-native
Цикл замкнут: большинство агентов запускает сам ИИ, человек задаёт намерение и вмешивается там, где что-то пошло не так. Миграция, занимавшая квартал, превращается в workflow, который достаточно запустить и иногда проверять. Сюда добрались единицы — но лестница уже видна целиком.
Как понять, что ИИ реально приносит пользу
Лучшая мысль фреймворка — про метрику. Не считайте токены. Считайте ручной эквивалент:
Сделала бы ваша команда эту работу руками — и сколько часов и денег это бы стоило?
Правка-полдня, бэклог-недели, миграция-квартал — вот единицы измерения. И обратный фильтр: «а инженер вообще стал бы это делать?» Если нет — вы автоматизируете мусор.
С какой ступени начинаете вы
Если каждый ответ агента вычитываете лично — вы на ступени 1, и следующий шаг не «больше агентов», а цикл самопроверки. Если агенты работают, но задачи им носите вы — ступень 2, пора отдать им источники контекста.
Проходить эту лестницу можно год, а можно быстрее — с тем, кто уже прошёл. Наши ИИ-операторы — это готовая ступень 3: агент, который сам находит работу, сам себя проверяет и приносит результат, а не процесс.
Источник фреймворка: Boris Cherny (Anthropic, создатель Claude Code) — гайд о ступенях внедрения ИИ в компаниях. Пересказ и примеры MILAGPT — наши; сам фреймворк ступеней 0–4 принадлежит автору.