Разработка с ИИ
С ИИ начать стало почти бесплатно. Закончить — всё ещё дорого
С ИИ-агентами команды начинают больше задач, чем раньше, а выпускают примерно столько же. Начать стало дёшево, а проверить, встроить и выпустить — нет. Выход давно известен: ограничить незавершённую работу и считать только законченные задачи.
Никогда ещё новую работу не было так дёшево начать. Ещё один чат с агентом, ещё одна идея, ещё один эксперимент в фоне. Начать что-то теперь почти ничего не стоит: ИИ-агент сразу возьмётся за любую задачу, в любое время суток.
А вот закончить дешевле не стало. Проверка, интеграция, ревью, деплой — всё, что нужно, чтобы код заработал в продакшене и начал окупаться, стоит почти столько же, сколько раньше.
Вот и выходит, что команды начинают больше прежнего, а выпускают столько же. Доски забиты недоделанными задачами. Агенты работают весь день, счёт за токены растёт, а список изменений в релизе почему-то не длиннее, чем в прошлом квартале.
Проблема старая, новые инструменты её только обострили. И решение тоже старое: ограничьте число задач в работе и считайте успехом только законченные. Запускать теперь умеет каждый, а выигрывает тот, кто больше всех доводит до конца. Ниже разберу почему: сначала на деньгах, потом на механике.
Сколько стоит работа с ИИ и как это посчитать
Десятилетиями стоимость отдельной задачи никто не видел: она растворялась в зарплатах. Месяц разработчика стоит одинаково, сделал он функцию с трёх попыток или с тридцати, поэтому попытки никто и не считал. У ИИ-агента цена есть у каждого действия, и счёт сразу оказывается на виду.
На практике это выглядит так. Агент сделал 40 попыток, потратил $15 на токены, а работающей функции так и нет. Умножьте это на все задачи команды за месяц. Кто запускал агентов на реальной работе, знает этот цикл. Попытка. Почти работает. Ещё попытка. Чуть лучше. Потом что-то ломается, контекст уплывает, вы начинаете чинить, и выходит только хуже. Где-то тут вы и понимаете, что одна «задача» почти никогда не бывает одним действием. Это десятки итераций: попытки, исправления, тупики. И платите вы за каждую, в том числе за выброшенные.

Чтобы узнать, во что вам обходится разработка, достаточно посчитать три вещи:
- сколько задач дошли до работающего результата,
- сколько итераций на это ушло,
- и сколько эти итерации стоили.
Разделите все расходы на число законченных задач, и получится главное число: стоимость успешной задачи. Столько вам стоит одна законченная задача.
Главный плюс в том, что оптимизация перестаёт быть гаданием. Помогает ли новый промпт? Окупаются ли тесты вокруг агента? Дала ли что-нибудь перестройка процесса? По ощущениям всегда «стало лучше». А числу ваши ощущения безразличны: после любого изменения стоимость успешной задачи либо снизилась, либо нет.
Одно предупреждение, прежде чем вы возьмётесь её снижать. Команды, которые начинают следить за этой метрикой, обычно первым делом берутся за цены токенов и тарифы моделей и не замечают, куда уходят основные деньги. Цель — как можно больше успешных результатов на каждый доллар. Экономия токенов тут дело второе. Сильнее всего стоимость законченной задачи раздувает работа, которую начали и бросили. Цена отдельной итерации рядом с ней — мелочь.
Метрики разработки работают и с ИИ
Если вы читали, как я диагностирую разработку, подход здесь тот же. Все метрики, которыми описывали команду из людей, работают и дальше. Изменилось только одно:
| Метрика | Что меняется с ИИ-агентами |
|---|---|
| Throughput — сколько задач выпущено за период | Ничего. Считается только то, что дошло до продакшена. |
| Time to Market — путь от идеи до работающего результата | Ничего. Время всё так же отсчитывают до продакшена. |
| Качество — работой можно пользоваться без переделок | Ничего. Больше всего сил всё так же уходит на переделки. |
| NPS — приносит ли результат пользу | Ничего. Всё делается ради той же пользы. |
| Стоимость успешной задачи — все расходы ÷ законченные задачи | Всё. Раньше её не было видно за зарплатами. Теперь у каждой задачи свой счёт. |
Можно выпускать быстро, но дорого. Можно дёшево, но тонуть в переделках. Можно много, но того, что никому не нужно. Экономика при этом незаметно перестаёт сходиться.
Система измерений осталась прежней. Поменялось место, где копится работа.
Почему ИИ-агент работает хуже с каждой параллельной задачей
Выигрыш съедают два механизма. Оба известны давно, и оба ИИ усилил.
Первый — ожидание. В большинстве систем почти все задачи в любой момент просто ждут, над ними никто не работает. С ИИ это выглядит так: вы ждёте агента (генерация, тесты, деплой), потом агент ждёт вас (ответа, решения, следующей инструкции). Пока задача ждёт, вы берётесь за другую: начать ведь почти ничего не стоит. Но каждая новая задача удлиняет очередь для всех остальных. Закону Литтла (Lead Time = WIP / Throughput) всё равно, кто работает, люди или агенты. Если начинать больше, а заканчивать столько же, каждая задача просто дольше живёт.
Второй — контекст. Любая система может держать в работе ограниченный объём задач. У человека предел — внимание и память. Исследование прерываемой работы показало, что люди компенсируют переключения: они работают быстрее. Но платят за это заметно большей нагрузкой, стрессом и раздражением (Mark, Gudith & Klocke, 2008). Эта цена тоже настоящая, просто её несут люди, а в счёте её нет.
У агента предел — контекстное окно, и тут ухудшение видно прямо в результатах. Исследование веб-агентов на задачах с длинным контекстом (Chung et al.) показало, что качество обваливается, когда в контексте копится нерелевантная история. Именно это и происходит в чате, где решают несколько задач сразу. Когда шум дорастал примерно до 150 тысяч токенов, доля успешных решений у некоторых моделей падала с 40–50% до единиц процентов: у GPT-4.1 — примерно с 45% до 2,7%.
Люди теряют фокус, агенты теряют контекст, но сбой у них один и тот же. Когда незавершённой работы слишком много, исполнитель работает хуже, будь он из нейронов или из токенов.
Один чат — одна задача: WIP-лимиты для работы с ИИ
Дисциплина, которая это лечит, известна десятки лет. С ИИ она стала обязательной: соблазн начать что-то ещё никогда не обходился так дёшево.

- Для агентов: один чат — одна задача. У чата должен быть один результат. Если по ходу всплывает побочное — замеченный баг или рефакторинг, который стоит сделать, — запишите его в список или отдайте другому агенту, но в этот чат не добавляйте. Чат с одной задачей доходит до конца, перегруженный ходит по кругу.
- Для вас: сначала закончите, потом начинайте. Прежде чем открыть новую задачу, посмотрите, что можно закрыть. Агент, который ждёт вашего ревью, — это незавершённая работа. Три таких агента — уже очередь, и узкое место в ней вы.
- Для команды: одни WIP-лимиты и для людей, и для агентов. Важно одно число: сколько незаконченной работы лежит в системе. Ни счётчик начатых задач, ни активность агентов его не заменят. Длинный список активных чатов — это склад незавершёнки.
Труднее всего привыкнуть к тому, что изменился сам признак прогресса. Раньше начатая работа была редкостью, и уже само начало чего-то стоило. Теперь начинать почти бесплатно, и выигрывает тот, кто больше всех доводит до конца. Меньше задач в работе, больше сделанных.
Узкое место сместилось: ищите его на новом месте
Если вы согласны, что заканчивать важнее, чем начинать, из этого следует ещё один вывод. Для стартапов, которые много работают с ИИ, он самый важный.
У соло-основателя или маленькой команды, которая работает с ИИ дисциплинированно, код почти перестал быть ограничением. Итерации дёшевы по сравнению с ценой незаконченной работы, а генерирует агент быстро. В дефиците теперь умение решить, что делать, зачем и для кого, и умение доводить работу до конца. В продуктовой команде из 5–50 инженеров код пока не бесплатный, но движение то же: узкое место уходит из написания кода в решения и доведение задач до конца.
Это азы теории ограничений: когда ограничение сместилось, оптимизировать старое бессмысленно. Ещё 10% скорости в генерации кода ничего не дадут, если работа умирает в ожидании проверки, ревью и решения.
ИИ не отменяет системного мышления. Он делает системные ошибки дороже: счёт за них теперь приходит сразу, с разбивкой по статьям, в долларах. Если ваша разработка теряет задачи между «начали» и «выпустили», агенты с готовностью масштабируют эти потери. (Если вы в такой ситуации с продуктом, собранным с помощью ИИ, о том, как его вытащить, я писал отдельно.)
Частые вопросы
Почему ИИ-агент работает хуже, когда я даю ему несколько задач сразу?
Рабочая память агента — его контекстное окно, и она жёстко ограничена. Исследования показывают, что доля успешных решений резко падает, когда в чате копится нерелевантный контекст. Пять задач в одном чате — это размытые детали и забытые решения. Ведите один чат на задачу, а побочную работу отдавайте в другие: с тем же агентом вы выпустите больше.
Стоит ли в первую очередь экономить токены?
Обычно нет. При базовой гигиене токены — небольшая статья расходов. Дорого обходится незаконченная работа: задачи, которые съели итерации и умерли до продакшена, и очереди, где почти готовые задачи ждут ревью. Сначала добейтесь, чтобы до конца доходило больше задач. Цены на токены — потом, если это вообще понадобится.
Делает ли ИИ WIP-лимиты ненужными?
Наоборот. WIP-лимиты придумали, потому что начинать соблазнительно, а заканчивать трудно. ИИ сделал начало почти бесплатным: соблазн стал сильнее, а лимит — ценнее. И теперь он нужен вашим агентам так же, как команде.