ИИ-агенты это не ускорение, если нет процесса: пилот Авито на 100 инженерах не показал роста

Андрей Бровко, руководитель тестирования Авито Авто, описал путь команды от первых экспериментов с ИИ-агентами до масштабирования на всю компанию в 2026 году. Главный вывод: качество продукта определяется не скоростью генерации кода, а тем, что происходит до первой строки кода и после неё. Ниже разберём пошагово, как выстроить этот процесс на практике.

Что понадобится?

• Доступ к агентному инструменту. Бровко использует Claude Code и Codex (ChatGPT), потому что их модели занимают верхние строчки бенчмарков, а подписки дают приемлемую стоимость токенов (токен, это минимальная единица текста, которую модель «видит»: примерно одно слово или его часть)
• Модель с большим контекстным окном. Малые и локальные модели (например, Qwen с 32 млрд параметров и 32 тысячами токенов контекстного окна) плохо слушаются инструкций и генерируют непредсказуемый результат. По словам Бровко, с ними агентская разработка не работает
• MCP-серверы. MCP (Model Context Protocol, протокол контекста модели) позволяет агенту взаимодействовать с внешним миром: забирать данные из баг-трекера, документации, кодовой базы
• Централизованная база навыков. В Авито создали skills-hub для хранения, проверки качества и ранжирования навыков агентов, чтобы не скатиться в хаос, когда каждая команда собирает собственный набор промптов
• Время на J-кривую. Модель DORA предполагает четыре этапа до начала роста: обучение, валидация, адаптация процессов, показательный рост. Без терпения на первых двух этапах результатов не будет

Вайб-кодинг или агентская инженерия?

Прежде чем переходить к шагам, стоит разобраться в ключевом различии. Термин vibe coding (вайб-кодинг) ввёл Андрей Карпаты, сооснователь OpenAI, экс-директор по ИИ в Tesla. Суть: вы просите модель что-то сделать и не смотрите в код. Спустя год Карпаты предложил agent engineering (агентская инженерия): агенты пишут код, но внутри понятной методологии, результат предсказуем и масштабируем.

По словам Бровко, вайб-кодинг плохо контролируем и не подходит для серьёзных продакшн-систем. Агентская инженерия требует мастерства, но именно она позволяет масштабировать внедрение в компании.

Пошаговая инструкция

1. Разделите вайб-кодинг и агентскую инженерию. Определите, для каких задач допустим неконтролируемый подход (прототипы, внутренние скрипты), а где нужен полный контроль. Для продакшн-систем выбирайте только агентскую инженерию
2. Выберите модель и инструмент. Убедитесь, что модель показывает высокие результаты на SWE-bench (Software Engineering Benchmark, набор реальных инженерных задач с GitHub). По данным Бровко, в 2023 году модели решали 2% задач бенчмарка, к 2025 году больше 70%, а в 2026 году уже больше 80%
3. Настройте MCP-серверы для доступа к инфраструктуре. Агент должен видеть контекст: требования из баг-трекера, документацию, кодовую базу. Без этого он работает вслепую
4. Создайте централизованный хранилище навыков. В Авито это skills-hub. Каждый навык проходит проверку качества и безопасности, прежде чем попасть в общий доступ. Это предотвращает хаос, когда десятки команд дублируют промпты
5. Запустите пилот и замерьте метрики ДО старта. В Авито взяли 100 инженеров и сравнили объективные метрики эффективности разработки с контрметриками качества. Без базовой линии вы не поймёте, работает агент или нет
6. Не паникуйте на J-кривой. Отсутствие роста метрик на старте это нормально. В Авито метрики остались на том же уровне при том, что инженеры субъективно отмечали ускорение. Бровко назвал это позитивным сигналом: обычно при внедрении нового метрики проседают
7. Масштабируйте через платформизацию. Когда пилот пройден, централизуйте управление: общая база навыков, контролируемые MCP-серверы, безопасный автономный запуск агентов. В Авито для этого создали AVIDA (Avito Developer Assistant), сервис для запуска агентов на удалённом сервере по расписанию или запросу

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. ИИ-агенты это не волшебная кнопка «напиши за меня». Если у вас нет редакционного процесса (план, структура, факт-чек), агент ускорит производство некачественного контента. Выстройте процесс, потом подключайте агента. Используйте Claude Code или Codex для черновиков, но проверяйте каждый факт.

Маркетологу. Опыт Авито показывает, что субъективное ощущение ускорения не равно объективному результату. Если вы внедряете ИИ-агента в воронку (генерация писем, анализ данных), замерьте базовые метрики до старта, иначе не докажете ROI руководству.

Предпринимателю в РФ и СНГ. Claude Code и Codex доступны с ограничениями. Из российских альтернатив для экспериментов с агентами можно смотреть на YandexGPT и GigaChat, хотя их агентные возможности пока скромнее. Главное из опыта Авито: не экономьте на размере модели и закладывайте время на J-кривую, первые месяцы метрики не вырастут.

Главный урок из Авито: скорость генерации кода агентом ничего не значит без выстроенного процесса вокруг него. Начните с малого пилота, замерьте метрики до старта, не паникуйте на J-кривой и централизуйте навыки, когда будете масштабироваться. Это работает и для кода, и для контента.