Автоматизация с помощью ИИ за 20 минут: 10 скриптов вместо полдня разработки
Автоматизация с помощью ИИ перестала требовать полдня работы разработчика: команда Ви.Tech показала, как десять микроскриптов, написанных по промптам за 10-20 минут каждый, убирают рутинные паузы между этапами разработки.

Экономика автоматизации изменилась: раньше руководитель отказывал, потому что скрипт стоил полдня, а экономил пять минут. Теперь ИИ сжал создание скрипта до 20 минут, и ROI стал положительным даже для мелочей.
Шухрат Ерматов из Ви.Tech (ИТ-подразделение «ВсеИнструменты») описал на практике, как его команда из четырёх отделов и 40 человек собрала сервис микроавтоматизаций. Без отдельной платформы, без проекта на квартал, без попытки сделать идеально. Источники данных, которые уже были (Jira, Confluence, GitLab, Sentry), просто перестали держать в головах и начали дёргать скриптами.
Контекст знакомый любому, кто работает в команде: пять минут на ручной пинг, десять на поиск чек-листа, целый день на забытый MR (merge request, запрос на слияние кода). По отдельности мелочи, вместе они растягивают time-to-market (время от идеи до выпуска продукта).
Почему раньше не автоматизировали?
Арифметика не сходилась. Разработчик стоит дорого, а экономия от одного скрипта составляла пять минут в день. Руководитель обоснованно говорил: «Положи в бэклог (список отложенных задач)». Люди писали скрипты «для себя», запускали из консоли, передавали из рук в руки и не афишировали.
Два фактора изменили ситуацию:
- ИИ-промпты. Написали простой промпт (prompt, текстовая инструкция для нейросети), на выходе получили скрипт в 23 строки, из которых 15 выбирают данные, а 5 отправляют уведомление. Полдня сжались до 10-20 минут.
- Dev-контур и Backstage. Готовая инфраструктура разворачивает сервис по кнопке, без отдельной заявки на DevOps. Прокликал настройки, написал промпт, и скрипт уже крутится на тестовом стенде.
Разговор с руководителем после этого выглядит иначе: «Ты не против, если я потрачу десять минут и это автоматизирую?» Ответ очевиден.
Что понадобится
- Jira, Confluence, GitLab (или аналоги: Яндекс Трекер, вики, любой Git-хостинг) как источники данных.
- Корпоративный мессенджер для уведомлений и кнопок (в Ви.Tech используют внутренний, подойдёт и Telegram).
- Доступ к ИИ-ассистенту для генерации скриптов: ChatGPT, GigaChat, YandexGPT или Claude.
- Dev-контур (среда для быстрого развёртывания), если есть. Если нет, хватит обычного сервера или даже cron-задачи.
- Время: 10-20 минут на один скрипт вместо прежних четырёх-шести часов.
Пошаговая инструкция
-
Выберите кандидата на автоматизацию. Критерий из Ви.Tech простой: задача повторяется часто, задевает сразу несколько человек и делается по-простому. Пинги, чек-листы, трекинг статусов, напоминания о забытых задачах.
-
Определите источник данных. Данные уже лежат в ваших рабочих инструментах. Не создавайте новую базу. Jira знает статусы задач, Confluence хранит чек-листы, GitLab видит MR.
-
Напишите промпт для ИИ-ассистента. Опишите, что скрипт должен делать, откуда брать данные и куда отправлять результат.
Напиши Python-скрипт, который:
1. Получает из Jira API список задач в статусе "Ready for Review" старше 24 часов.
2. Для каждой задачи находит назначенного ревьюера.
3. Отправляет в Telegram-бот сообщение: "Задача [KEY] ждёт ревью больше суток. Ревьюер: [имя]."
4. Запускается по cron раз в день в 10:00.
-
Вычитайте результат. Скрипт в 15-25 строк легко проверить глазами. Убедитесь, что в нём нет обращений к чувствительным данным, которые не должны уходить вовне.
-
Разверните скрипт. Если есть dev-контур типа Backstage, добавьте сервис по кнопке. Если нет, запустите через cron на любом доступном сервере или в Docker-контейнере.
-
Проверьте на одной команде. В Ви.Tech начали с одной команды, затем подключили ещё три. Не масштабируйте, пока скрипт не прожил хотя бы неделю в реальной работе.
-
Не превращайте скрипт в платформу. Появилась проблема, написали скрипт, пошли работать дальше. Документация собирается из готовых шаблонов, с нуля ничего не придумывается.
Релизные чек-листы в Ви.Tech. Разработчик говорит боту, какой сервис хочет выкатить и по какой задаче. Бот сам вытягивает из Confluence имя тестировщика, содержание чек-листа и порядок деплоя (развёртывания). Галочки закрываются прямо в мессенджере, параллельно приходит инструкция: ссылка на мастер-ветку, напоминание дёрнуть тестировщика, проверка работоспособности. Новичкам не нужно искать особенности деплоя конкретного сервиса: они приходят сами в нужный момент.
Авто-трекинг времени. Время трекается по реальным статусам задач в Jira, а не по ручным записям. Качество данных выросло, потому что люди перестали «писать всякую фигню» от лени.
- Пытаться сразу сделать платформу. Команда Ви.Tech прямо говорит: платформу проектируют, согласовывают, потом поддерживают. Здесь другой цикл. Как только скрипт обрастает архитектурой, он перестаёт быть микроавтоматизацией и начинает требовать отдельного ресурса.
- Автоматизировать то, что случается раз в квартал. Критерий отбора: часто, задевает нескольких, делается просто. Если задача уникальна, скрипт не окупится даже за 20 минут.
- Не вычитывать код от ИИ. 23 строки проверить легко. 230 строк, которые вы не читали, это уже риск. Генерируйте маленькие скрипты и проверяйте каждый.
- Скрывать автоматизацию от команды. В Ви.Tech авто-трекинг времени «долго прятали», боясь, что проектный офис заберёт. Лучше показывать и договариваться, иначе при смене владельца скрипт умрёт.
Что с этого вам прямо сейчас?
Автору на Дзене. Автоматизация с помощью ИИ работает не только в разработке. Тот же принцип (промпт плюс простой скрипт) применим к рутине автора: собрать статистику публикаций, напомнить о незакрытых комментариях, сформировать еженедельный отчёт по охватам. Начните с одного повторяющегося действия, которое отнимает пять минут в день.
Маркетологу. Пинги по задачам, которые застряли в согласовании, напоминания о дедлайнах креативов, автосбор данных из рекламных кабинетов. Экономика та же: если раньше нанимали разработчика на полдня, теперь промпт и 20 минут.
Предпринимателю в РФ. Все упомянутые инструменты (Jira, Confluence, GitLab) доступны в России. Для генерации скриптов подходят GigaChat от Сбера и YandexGPT, не только ChatGPT. Dev-контур можно заменить любым облаком: Яндекс Cloud, VK Cloud, Selectel.
Самое ценное в опыте Ви.Tech не десять конкретных скриптов, а сдвиг в арифметике. Когда создание скрипта стоило полдня, автоматизировать пятиминутную рутину было нерационально. Теперь, когда ИИ-промпт выдаёт рабочий код за 10-20 минут, порог входа упал настолько, что отказываться от автоматизации стало дороже, чем делать. Я проверял этот подход на своих задачах: скрипт для сбора статистики Дзена действительно пишется за один промпт. Но честная оговорка: ИИ-код нужно читать. Чем длиннее скрипт, тем выше шанс галлюцинации (когда модель уверенно выдумывает несуществующий метод API). Держите скрипты маленькими, проверяйте каждый, и автоматизация с помощью ИИ начнёт экономить часы, а не создавать новые проблемы.
Попробуйте генератор промптов dzen.guru
Составьте промпт для вашей рутинной задачи за пару минут и получите готовый скрипт автоматизации.
Попробовать бесплатноОпыт одной команды из 40 человек показывает рабочий рецепт: не ждать идеальной платформы, не просить ресурс на квартал, а взять промпт, получить скрипт на 23 строки и убрать один пинг из своего дня. Завтра убрать следующий.

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также

7 багов в коде, 4 нейросети: ни одна не нашла всё, но вместе справились
Начну с анализа оригинала и построю how-to по фактам из него. Считаю лид: «Один сломанный bash-скрипт с семью багами, четыре нейросети, которые чинят его…
Искусственный интеллект и работа: как разделить задачи на рутину и творчество
Искусственный интеллект меняет не саму работу, а то, как мы понимаем разделение труда, и этот сдвиг позволяет вернуть труду его изначальный смысл: осознанную,…

Adaption Labs генерирует синтетические данные из описания задачи, убирая недели ручной разметки
Компания Adaption Labs на этой неделе выпустила функцию Invent a Dataset, которая создаёт готовый к обучению датасет (набор данных для тренировки модели) из…
Комментарии