Карпати запустил 8 AI-агентов как исследовательский отдел. Вот что пошло не так

Андрей Карпати опубликовал результаты эксперимента: 8 AI-агентов (Claude + Codex), каждый со своим GPU, работают как параллельные исследователи через Git-ветки и файловую коммуникацию. Для маркетинга и продукта это прямой сигнал: автономные AI-команды уже строятся — но там, где всё ломается, ломается предсказуемо.

Что случилось

Карпати собрал прототип AI-исследовательской организации: агенты работают в tmux-сессиях как в офисе с окнами, задачи параллелятся через ветки репозитория. Звучит как научная фантастика 2020 года.

Результат оказался трезвым. Агенты плохо формулируют гипотезы, не выстраивают сильные базовые сценарии (baseline), делают случайные вариации и теряют контроль над вычислительными ресурсами и временем. Классический пример из отчёта: агент "открыл", что увеличение размера скрытого слоя улучшает качество модели. Формально верно, фактически бессмысленно — модель просто стала больше и дольше обучалась.

Почему это важно для маркетинга и денег

• Автоматизация исполнения работает, автоматизация мышления — пока нет. Агенты хорошо реализуют чётко описанную задачу. Если задача описана плохо — они старательно делают не то. В маркетинге это прямая угроза: A/B-тесты, запущенные без продуманного дизайна, дают ложные выводы и съедают бюджет.
• CAC (стоимость привлечения) на AI-инструменты растёт, ROI (возврат на инвестиции) не очевиден. Компании платят за подписки, GPU, интеграции — и получают иллюзию автоматизации там, где узкое место находится в постановке задачи, а её никто не автоматизировал.
• Появляется новая профессиональная компетенция. Карпати называет это Org Engineering — проектирование AI-организации через промпты, роли, процессы и регламенты. Кто умеет это делать, получает кратное преимущество над теми, кто просто "подключил ChatGPT".

Где обычно ломается система (узкие места)

• Нечёткая постановка задачи агенту: агент генерирует много активности → результат выглядит как работа → решение принимается на основе мусора.
• Отсутствие baseline: тест запускается без контрольной точки → любое изменение кажется улучшением → маркетинговые решения принимаются на ложных данных.
• Нет контроля за ресурсами: агенты бесконтрольно используют время и вычисления → операционные расходы растут → ни один KPI (ключевой показатель) не фиксирует причину.

Как применить в среднем бизнесе за 30 дней

1. Аудит текущих AI-задач — выпишите всё, что делают агенты/автоматизации. Разделите на "исполнение чётких инструкций" и "генерация гипотез". Второе — пока человеческая работа.
2. Формализуйте постановку задач — каждое задание агенту должно содержать: цель, ограничения, критерий успеха, базовый сценарий для сравнения. Без этого — не запускать.
3. Внедрите контрольную точку перед выводами — любой результат от AI-агента проходит проверку: "а с чем мы сравниваем?" Это занимает 10 минут и режет количество ложных инсайтов.
4. Назначьте ответственного за Org Engineering — человека, который проектирует промпты, роли и процессы AI-команды. Без него система деградирует в набор дорогих игрушек.

Риски и ограничения (без розовых очков)

• Ложная уверенность в автоматизации. AI выдаёт красивые отчёты с выводами — и это усыпляет критическое мышление. Снижение риска: обязательная верификация выводов человеком перед любым решением с бюджетом.
• Стоимость инфраструктуры. Восемь агентов с GPU — это не бесплатно. Для среднего бизнеса важно считать реальный ROI до масштабирования, а не после.
• Компетенция Org Engineering редка и дорога. Рынок только формируется, специалистов мало, запросы уже высокие. Снижение риска: растить внутри, а не искать готовых.

Вывод

AI-агенты — отличные исполнители и слабые стратеги. Это не приговор технологии, это описание текущего состояния. Тем, кто строит маркетинговые и продуктовые процессы на AI прямо сейчас, важно понимать: ценность создаётся на уровне проектирования системы, а не на уровне запуска агента. Кто это осознал — тот на год впереди.