Фабрика софта на ИИ выглядит убедительно, пока не посмотришь, что она умеет

Идея полностью автономной «фабрики софта», где агенты исследуют рынок, проектируют, пишут код и продают продукт, стала главным аргументом в пользу массовых сокращений. Разбираемся, почему такая схема обречена на короткий срок жизни и что из этого следует для разработчиков.

Автономная «фабрика софта» умеет воспроизводить продукты, которых уже много, — но не создавать то, чего ещё не было. Это делает её не заменой разработчика, а массовым производителем дешёвых клонов.

Откуда взялись «фабрики софта»

Последние месяцы курсы и консалтинговые «лаборатории» активно продают одну и ту же схему: цепочка ИИ-агентов без человека в цикле. Research Agent изучает рынок и находит прибыльные идеи, Design Agent превращает идею в спецификацию интерфейса, Coding Agent собирает продукт, Marketing Agent запускает продвижение. Реальные реализации добавляют промежуточные шаги — валидацию требований, ревью кода, A/B-эксперименты, — но архитектура остаётся той же: конвейер автономных агентов, между которыми передаётся артефакт.

Идея выглядит утилитарно привлекательно. Если каждый этап от идеи до релиза автоматизирован, то компания может закладывать в план сокращение штата — и именно это трансформацию сейчас и объясняют публично: мол, функции, которые выполняли команды, теперь закрывает автоматизированная цепочка. Симметрично и личная мотивация: собрать такую фабрику для себя и получать продукты «сами собой».

Где именно ломается модель

Главная проблема не в качестве кода — код агенты пишут всё лучше. Проблема в том, на чём они обучены. LLM (большие языковые модели) статистически усваивают корпус текстов и практик из прошлого: кейсы, стратегии, шаблоны продуктов, каналы дистрибуции. То есть система воспроизводит среду, которой больше нет.

Классический пример — дистрибуция через поисковый трафик. Десять лет назад валидная стратегия была простой: сделать полезный контент, попасть в органическую выдачу, получить бесплатный трафик. Сегодня эта механика разрушена дважды: сначала изменениями ранжирования и доминированием крупных агрегаторов, затем режимом AI-ответов, которые отвечают прямо в выдаче и не дают перехода. Агент, обученный на кейсах 2018–2023 годов, уверенно предложит вчерашний playbook — и это будет не ошибка реализации, а систематическое свойство модели.

Тот же эффект работает в продуктовом дизайне и монетизации. Агент, попрошенный «сделать продукт, который заработает», будет опираться на распределение успехов в обучающих данных. На практике это означает повторение уже освоенных категорий: трекеры привычек, генераторы текстов, дашборды, утилиты с подпиской. Конкурировать в этих категориях стали именно поэтому: их проще всего описать и воспроизвести. Получается замкнутый круг — автоматизация массово штампует продукты в сегментах, где маржинальность уже близка к нулю.

Важно добавить методическую оговорку: утверждение «модели не знают нового мира» — упрощение. Модели дообучаются, подключаются к поиску и инструментам, могут работать с актуальными данными. Но фундаментальное ограничение остаётся: они хорошо экстраполируют накопленное и плохо генерируют парадигмы, которых в данных не было. Свежий факт модель может прочитать; новую бизнес-логику рынка — нет.

Что стоит проверить в громких обещаниях

Те, кто продаёт концепцию «фабрики», редко озвучивают параметры, без которых оценка невозможна:

• Доля автоматического кода в проде. Генерация — не то же самое, что поддерживаемая система. Кто чинит баги через шесть месяцев и во сколько это обходится?
• Стоимость инференса на цикл. Полный конвейер из нескольких агентов с длинными контекстами и ретраями — это десятки и сотни долларов на итерацию. При массовом производстве расходы складываются в статью бюджета.
• Кто отвечает за результат. Юридически, репутационно, технически. Автономный цикл без контроля — это готовый источник инцидентов с данными и безопасностью.
• Метрика качества, а не скорости. «Продукт собран за выходные» — про скорость. Вопрос в удержании пользователей, и на него фабрика ответов не даёт.

Отсутствие этих цифр — типичный признак маркетинговой упаковки. Автоматизация действительно снижает стоимость прототипа на порядок. Но прототип никогда и не был основной затратой: основные затраты — это поиск работающей идеи, доверие пользователей и дистрибуция.

Почему фабрика работает, но недолго

Есть сценарий, где конвейер агентов даёт эффект: переходный период, когда спрос на типовые решения всё ещё существует, а предложение автоматизированных клонов его ещё не насытило. Ранний участник успевает забрать маржу до того, как цена кастомизированного решения упадёт до стоимости подписки на ИИ. Это честная арбитражная стратегия, но она самоликвидируется: как только все получают доступ к одинаковому конвейеру, дифференциация исчезает вместе с прибылью.

Это ровно та динамика, которую мы уже видели с шаблонами, конструкторами сайтов и no-code: инструмент снимает технический барьер и переносит конкуренцию на уровень идей и дистрибуции. «Фабрика софта» делает то же самое, только быстрее и масштабнее. Ускорение дешёвого производства не создаёт ценности — оно обнуляет ценность производства как такового.

Что из этого следует

Практический вывод не в том, что ИИ-агенты бесполезны, а в том, где они разумно размещаются в архитектуре процесса. Их сильная сторона — рутинная работа: рефакторинг, написание тестов, разбор документации, миграции, черновые макеты, варианты формулировок. Это задачи с известным критерием правильности, где человек задаёт направление и проверяет результат. Автоматизация тут даёт реальный выигрыш по времени, и отказываться от неё бессмысленно.

Слабая сторона агентов — там, где нужна ответственность за неопределённость: выбор рынка, определение продукта, решение о том, чего вообще делать. Если эта часть отдается конвейеру, результат статистически предсказуем — репликация того, что уже есть. Поэтому целесообразна асимметрия: решение — за человеком, исполнение — за автоматикой. Стратегия «нанять агентов вместо команды» переносит слабое звено в тот участок, где ошибка стоит дороже всего.

Стоит признать и сильный аргумент в пользу скептицизма: логика «модели обучены на прошлом» формально применима и к человеку — решения тоже принимаются на основе прошлого опыта. Разница в том, что человек способен реагировать на изменение среды в моменте и осознанно отбрасывать устаревшие модели, тогда как агент воспроизводит их с высокой уверенностью. Это различие не абсолютное, но оно достаточно велико, чтобы держать стратегическую функцию вне автономного цикла.

Итог

Построение полностью автономной фабрики софта — задача с коротким сроком окупаемости и нарастающим внутренним противоречием: чем она успешнее, тем быстрее обесценивает собственный вывод. Инвестиции в неё стоит рассматривать как игру на переходный период, а не как устойчивую модель. Долгосрочное преимущество остаётся там, где появляются идеи, продуктовые решения и каналы дистрибуции, которых ещё нет в обучающих данных. Рутину при этом надо автоматизировать — не спорить с очевидным, — но самоустранение из процесса мышления превращает компанию и специалиста в потребителя статистического среднего.