The post has been translated automatically. Original language: Russian
A year ago, I decided that AI would help us write code faster. Today, Alakris has a chain of agents running on dozens of different models, and my role has changed beyond recognition. An honest account of what happened, what broke, and what I realized too late.
A year ago, I was sure that I was using artificial intelligence to write code faster. Now, looking back, I realize that all this time I was not rebuilding the development process, but the company itself.
I have been engaged in entrepreneurship for many years: I sold software, did promotions, ran an agency business, and launched technology projects. I know the model of a small company from the inside. The founder simultaneously sells, designs, programs, responds to customers, writes documentation, and fixes what broke on Friday night. If you want to grow, hire people. Staff is growing, costs are rising, and management complexity is increasing. This math seemed inevitable.
Over the past year, we have implemented dozens of AI agents into Alakris workflows. They research the architecture of the system, write code, conduct code review, look for bugs and vulnerabilities, write autotests, check staging, prepare documentation, analyze the interface, conduct market research, prepare hypotheses for sales and marketing, help with customer onboarding, capture solutions and knowledge that were previously simply lost in correspondence.
On some days, the agent system creates and verifies hundreds of changes and commits. But I'll tell you right away: this figure does not mean anything by itself. Volume is not equal to quality. A thousand lines of code written overnight can be a step forward, or it can be a week of fixes.
The most important thing we've learned this year is that one universal agent you tell to "do everything" doesn't work. The chain is working. Our task goes through several roles: one agent orchestrates the process, the second forms a contract — a formal description of what exactly should happen and by what criteria it will be accepted, the third conducts an audit of the decision, the fourth writes the code, the fifth checks this code. And these are fundamentally different models from different providers: the system routes tasks between 507 models, selecting the one that handles it best for each role. The provider does not control the entire chain, as in a normal company, where the contractor and the verifier cannot be one person.
The second lesson is that the context needs to be narrowed, not expanded. Intuitively, I want to give the agent all the information about the project. In practice, this is the worst solution: the broader the context, the more confident the agent is in making mistakes. Each agent gets only its own role, its own narrow area of the task, its own tools and access rights. Plus, strict status control: the system knows at any moment which agent is at which stage, what has already been accepted and what has been rejected. Without this, five parallel agents turn not into a team, but into five sources of conflicting changes.
My role has changed radically. I used to do a lot of the work myself. Now I formulate tasks, design processes, assign roles to agents, make architectural decisions, verify results, and am responsible for the final quality. I stopped being just a developer and a leader of people. I became the manager of a system that employs both humans and digital employees.
The most difficult part was not at all where I expected. Connecting a neural network is a matter of one evening. It takes months to make the agent system work reliably. Agents are sure to make mistakes: they give a plausible but incorrect answer with the same persuasiveness as the correct one. Without processes, they create chaos faster than any human, simply because they work faster. We had to build something that beautiful articles about AI usually don't write about: separation of roles, rules for accessing code and data, working through separate Git branches and worktree, automatic checks, staging environment, logging, budget constraints, acceptance procedures. And there is a strict rule: no agent rolls out untested code in production. Never.
The responsibility has not gone away. To be honest, she has only become more focused: I make decisions, and I am also responsible for the result in front of the client, not the model.
The main conclusion of the year is that the advantage is not given to those who open a chat with a neural network more often. It's awarded to anyone who turns working with AI into a reproducible system—with roles, contracts, memory, quality control, constraints, and measurable results. It is the system, not the number of subscriptions, that distinguishes a company that really scales from a company that simply generates a lot of text.
The Alakris product line grew out of this internal experience. We didn't start creating digital employees because it's a trendy topic. At first, we had to build them for ourselves, because otherwise we couldn't grow. Now our task is to make this approach available to other companies that need sales, marketing, analytics, support and development, but which cannot indefinitely increase their staff.
I do not consider this path completed. The system is breaking down, processes have to be reviewed, and I would make some decisions differently today. But I know one thing for sure: there is no turning back. The question now is not whether to use AI, but whether you know how to manage a company in which some of the employees are digital.
Audience question:
If you had to build AI agents as a team - with roles, contracts, and mutual verification—which role would you entrust to the system first, and which one would you leave to the person last?
#AstanaHub #Alakris #AIagents #entrepreneurship #automation
Год назад я решил, что AI поможет нам быстрее писать код. Сегодня внутри Alakris работает цепочка агентов на десятках разных моделей, а моя роль изменилась до неузнаваемости. Честный рассказ о том, что получилось, что сломалось и что я понял слишком поздно.
Год назад я был уверен, что использую искусственный интеллект, чтобы быстрее писать код. Сейчас, оглядываясь назад, я понимаю: всё это время я перестраивал не процесс разработки, а саму компанию.
Я много лет занимаюсь предпринимательством: продавал программное обеспечение, делал продвижение, вёл агентский бизнес, запускал технологические проекты. Модель небольшой компании я знаю изнутри. Основатель одновременно продаёт, проектирует, программирует, отвечает клиентам, пишет документацию и чинит то, что сломалось в пятницу вечером. Хочешь расти — нанимай людей. Растёт штат, растут расходы, растёт управленческая сложность. Эта математика казалась неизбежной.
За последний год мы внедрили в рабочие процессы Alakris десятки AI-агентов. Они исследуют архитектуру системы, пишут код, проводят code review, ищут ошибки и уязвимости, пишут автотесты, проверяют staging, готовят документацию, анализируют интерфейс, проводят исследования рынка, готовят гипотезы для продаж и маркетинга, помогают с онбордингом клиентов, фиксируют решения и знания, которые раньше просто терялись в переписках.
В отдельные дни агентная система создаёт и проверяет сотни изменений и коммитов. Но скажу сразу: эта цифра ничего не значит сама по себе. Объём не равен качеству. Тысяча строк кода, написанного за ночь, могут быть шагом вперёд, а могут быть неделей исправлений.
Самое важное, что мы поняли за этот год: один универсальный агент, которому говоришь «сделай всё», не работает. Работает цепочка. У нас задача проходит через несколько ролей: один агент оркестрирует процесс, второй формирует контракт — формальное описание того, что именно должно получиться и по каким критериям это будет принято, третий проводит аудит решения, четвёртый пишет код, пятый этот код проверяет. И это принципиально разные модели от разных провайдеров: система маршрутизирует задачи между 507 моделями, подбирая под каждую роль ту, которая справляется с ней лучше. Провайдер не контролирует цепочку целиком — как и в нормальной компании, где исполнитель и проверяющий не могут быть одним человеком.
Второй урок: контекст нужно сужать, а не расширять. Интуитивно хочется дать агенту всю информацию о проекте. На практике это худшее решение: чем шире контекст, тем увереннее агент ошибается. Каждый агент получает только свою роль, свой узкий участок задачи, свои инструменты и права доступа. Плюс жёсткий контроль состояния: система в любой момент знает, какой агент на каком этапе, что уже принято, а что отклонено. Без этого пять параллельных агентов превращаются не в команду, а в пять источников конфликтующих изменений.
Моя роль изменилась радикально. Раньше я сам выполнял значительную часть работы. Теперь я формулирую задачи, проектирую процессы, распределяю роли между агентами, принимаю архитектурные решения, проверяю результаты и отвечаю за конечное качество. Я перестал быть только разработчиком и руководителем людей. Я стал управляющим системой, в которой работают и люди, и цифровые сотрудники.
Самое сложное оказалось совсем не там, где я ожидал. Подключить нейросеть — дело одного вечера. Заставить систему агентов работать надёжно — месяцы. Агенты уверенно ошибаются: выдают правдоподобный, но неверный ответ с такой же убедительностью, как верный. Без процессов они создают хаос быстрее, чем любой человек, просто потому что работают быстрее. Пришлось построить то, о чём в красивых статьях про AI обычно не пишут: разделение ролей, правила доступа к коду и данным, работу через отдельные Git-ветки и worktree, автоматические проверки, staging-среду, журналирование, ограничения бюджета, процедуры приёмки. И жёсткое правило: ни один агент не выкатывает непроверенный код в production. Никогда.
Ответственность при этом никуда не делась. Она, если честно, стала только концентрированнее: решения принимаю я, и за результат перед клиентом отвечаю тоже я, а не модель.
Главный вывод года: преимущество получает не тот, кто чаще открывает чат с нейросетью. Его получает тот, кто превращает работу с AI в воспроизводимую систему — с ролями, контрактами, памятью, контролем качества, ограничениями и измеримыми результатами. Именно система, а не количество подписок, отличает компанию, которая реально масштабируется, от компании, которая просто генерирует много текста.
Из этого внутреннего опыта и выросло продуктовое направление Alakris. Мы начали создавать цифровых сотрудников не потому, что это модная тема. Сначала мы были вынуждены построить их для самих себя — потому что иначе не могли расти. Теперь наша задача — сделать такой подход доступным другим компаниям, которым нужны продажи, маркетинг, аналитика, поддержка и разработка, но которые не могут бесконечно увеличивать штат.
Я не считаю этот путь завершённым. Система ломается, процессы приходится пересматривать, некоторые решения я бы сегодня принял иначе. Но одно я знаю точно: обратного пути уже нет. Вопрос теперь не в том, использовать ли AI, а в том, умеешь ли ты управлять компанией, в которой часть сотрудников — цифровые.
Вопрос аудитории:
Если бы вам пришлось выстроить работу AI-агентов как команду — с ролями, контрактами и взаимной проверкой, — какую роль вы доверили бы системе первой, а какую оставили бы за человеком в последнюю очередь?
#AstanaHub #Alakris #AIагенты #предпринимательство #автоматизация
Share
