AI разработка платформы за 2,5 месяца: двое ускорили открытие магазинов сети в 4 раза

Разработчик из Европы описал, как он вдвоём с коллегой за 2,5 месяца запустил геоаналитическую платформу для крупной торговой сети, полностью отдав написание кода ИИ-агенту и ни разу не правя его руками.

Проект показывает конкретный случай AI-разработки платформы в реальном бизнесе: система анализирует 13 млн кадастровых участков, 3 млрд GPS-записей и полтора десятка других источников, чтобы подсказать, где строить следующий магазин.

Как интуицию заменили скорингом?

До платформы менеджеры торговой сети выбирали участки под магазины по интуиции и открывали около 5 точек в год. План, выйти на 20. Рынок растёт: в описываемой стране на миллион жителей приходится около 20 магазинов одной сети, тогда как в Германии у Lidl, по данным автора, 39, а в Чехии 29.

Задачу сформулировали как Positive-Unlabeled (когда есть только положительные примеры, а размеченных отрицательных нет): действующие магазины известны, а про отвергнутые участки данных не было. Классическую модель обучать не на чем, поэтому пошли другим путём: придумали признаки, расставили им веса и считали балл для каждого свободного участка, сравнивая его с действующими точками.

Что платформа собирает и считает?

• Полтора десятка источников данных: государственный реестр населённых пунктов, перепись, дорожный граф OpenStreetMap, кадастр, GPS-трафик (около 3 млрд записей за год по стране), объявления о продаже земли, координаты магазинов двух десятков торговых сетей.
• Демография и доступность по каждому городу: население, гендерный баланс, покупательная способность, класс дорог и транспортная доступность (сколько людей доберётся за 15 и 30 минут).
• Двухуровневый скоринг (оценка перспективности): сначала города, потом участки внутри них.
• Парсинг маркетплейсов земли: система следит за новыми объявлениями о продаже участков.
• Встроенная CRM (система управления сделками): комментарии, документы, статусы, уведомления, чтобы вести участок от «модель подсветила» до «клиент подтвердил: строим здесь».

Любопытная деталь: координаты всех населённых пунктов страны не знал даже Google Maps. Автору пришлось сводить их из трёх источников: Mapbox, GeoNames и госреестра.

Как ИИ-агент заменил ручное кодирование?

Автор называет подход spec-driven development (разработка через спецификации). Суть: в проекте две сущности, документация и код. Код является следствием набора спецификаций, а не наоборот.

Документация живёт на двух осях:

• Статическая: актуальная архитектура, компоненты, описание каждой функции. Обновляется после каждого выпуска.
• Временная: лог решений, спецификации, планы. Зачем и почему так решили.

Автор записал 40-минутный созвон, отдал расшифровку языковой модели, и та сгенерировала документ требований (PRD) и диаграммы лучше, чем команда нарисовала за полдня вручную. Структура репозитория опубликована как шаблон agentic-repo-seed.

По мере накопления контекста AI-разработка платформы ускорялась. Автор описывает момент, когда достаточно было сказать «добавь в CRM такую-то сущность», и агент сам создавал таблицу, сервис, контроллеры и интерфейс, вписывая всё в дизайн продукта. Стек: TypeScript и NestJS на бэкенде.

Что делать с этим по ролям?

Автору Дзена. Кейс показывает, как AI-разработка платформы выглядит на практике: идея описывается текстом, агент пишет код. Если вы пишете про технологии, это готовый сценарий для разбора, вашим читателям интересны реальные примеры, а не абстрактные обещания.

Маркетологу. Геоаналитика для ритейла уже не дорогой корпоративный проект, а задача для двух человек и ИИ-агента. Если ваш клиент развивает офлайн-точки, покажите ему, что скоринг участков перестал быть роскошью.

Предпринимателю в РФ и СНГ. Подход переносим: кадастровые данные и GPS-трафик есть и в России, OpenStreetMap покрывает всю страну. Из доступных в РФ инструментов для работы с геоданными и ИИ-агентами: YandexGPT для анализа текстов и расшифровок, GigaChat для генерации документации. Полноценного аналога Claude с агентным режимом (Superpowers) на российском рынке пока нет: для подобного проекта понадобится доступ к зарубежным сервисам через VPN или API.

Частые вопросы

Нужно ли уметь программировать, чтобы повторить такой подход?

Автор заявляет, что не писал код руками. Но его репозиторий и описание процесса показывают глубокое понимание архитектуры: доменная модель, разделение на слои, выбор стека. ИИ-агент выполняет кодирование, однако решения о том, что и как строить, принимает человек с инженерным опытом.

Можно ли использовать такую платформу в России?

Подход переносим, данные доступны. Кадастровая карта России открыта, OpenStreetMap покрывает территорию, GPS-трафик продают агрегаторы. Языковые модели для генерации документации доступны через YandexGPT и GigaChat. Сложность в том, что агентный режим Claude (тот самый Superpowers) из России работает только через обходные пути.

Насколько надёжны результаты скоринга?

Автор описывает эмпирический подход: веса признаков подобраны вручную, а не обучены на размеченных данных. Это значит, что качество скоринга зависит от экспертизы того, кто задаёт признаки и веса. Модель не «угадывает» лучшие участки сама, а оцифровывает логику, которую раньше держали в голове менеджеры.

Для тех, кто хочет попробовать подход «документация первична, код вторичен», автор выложил шаблон репозитория agentic-repo-seed. Начните с малого: опишите задачу текстом, структурируйте контекст и дайте агенту работать по спецификации, а не по отдельным промптам.