Авторская колонка CMO Veai

В 2026 году нам больше не нужно специально искать время на паузу. AI-агенты взяли на себя рутину - и в разработке, и в маркетинге. Код-ревью, генерация тестов, написание текстов, мониторинг тональности в больших пабликах, сбор трендов, аналитика того, что реально заходит на рынке прямо сейчас - все это агенты делают быстро и качественно.

Это уже не будущее. Это ежедневная реальность - для команд разработки и для команд маркетинга одновременно.

Но именно сейчас, когда это время наконец появилось, возникает по-настоящему важный вопрос: а куда мы, собственно, идем?

Агент выполнит любую задачу, которую мы ему дадим, - быстро и точно. Но если задача неверно сформулирована, он с той же скоростью и точностью приведет нас к неудаче.

Поэтому самый важный навык нашего времени - не освоить очередной инструмент. А научиться правильно ставить цель и видеть, что стоит за ней: какую ценность она защищает, какой результат на самом деле нужен. Именно это определяет, куда в итоге придет агент - и вся команда вместе с ним.

Бесконечный backlog с P0 у каждого тикета

Есть популярная управленческая метафора: цели - как камни в банке. Сначала клади крупные, иначе мелкие займут все место. Для разработчиков и аналитиков это описание не работает, потому что жизнь - не банка. Это бесконечный backlog, где у каждого тикета стоит приоритет P0.

Доставлять фичи быстрее - P0. Качество кода - P0. Безопасность - P0. Семья - P0. Здоровье - P0. Рост команды - P0.

Классический тайм-менеджмент здесь ломается: нельзя «просто расставить приоритеты», когда все одинаково важно. Работает только одно: понять, какую ценность защищает каждый тикет. Тогда конфликт между целями становится управляемым.

Именно об этом исследователи Лорен Кайкендолл и Валери Тиберий написали в Harvard Business Review: за каждой конкретной целью стоит ценность более высокого уровня. И именно на этом уровне живет настоящий смысл.

Шаг первый и главный: найди ценность за целью

Это не опциональный шаг. Без него не стоит приступать к работе - ни к постановке задачи агенту, ни к стратегии на квартал, ни к архитектурному решению.

В инженерном контексте это выглядит так:

Когда вы видите ценность - вы можете переопределить метрику успеха. «Внедрение AI ради скорости» превращается в «внедрение AI ради доверия к коду». Это разные продукты. Разные критерии выбора. Разный разговор с командой.

Куда движется AI: взгляд из практики

Если убрать хайп и посмотреть трезво, картина довольно четкая. Изменения уже идут не в одну сторону, а сразу в несколько параллельных.

Направление первое: существующий enterprise-код эволюционирует, а не ломается.

Большая часть корпоративного ПО никуда не исчезает: банковские системы, внутренние платформы, сложные legacy-решения продолжают развиваться постепенно. AI здесь не меняет архитектуру - он добавляет эффективность, ускоряет разработку на десятки процентов, но не меняет ее природу.

Однако внутри этих продуктов уже происходит важное: меняется сам процесс создания фич. Раньше цепочка была линейной - бизнес формулирует требования → аналитик описывает → дизайнер проектирует → разработчик реализует. На каждом этапе происходили потери смысла. Теперь команда собирается, обсуждает задачу и прямо в процессе с помощью AI генерирует несколько вариантов решения - вплоть до готовых интерфейсов. За одну встречу можно получить не просто описание, а согласованный результат. Количество итераций резко падает.

И здесь прямая связь с главным тезисом: если ценность цели не сформулирована до этой встречи - скорость AI только умножит неточность.

Направление второе: задачи с проверяемым результатом автоматизируются полностью.

Появился новый класс задач, где качество кода вторично по сравнению с проверяемостью результата. Если есть четкий критерий - решение правильное или нет - можно выстроить цикл: агент генерирует код, система тестирования проверяет его, процесс запускается снова. Задача продуктов следующего поколения - сделать такие системы доступными без необходимости строить их самостоятельно.

Направление третье: создание нового прикладного ПО радикально демократизируется.

Это самое заметное изменение. Для большинства прикладных решений практически весь код и тесты уже могут генерироваться автоматически. Роль человека смещается в сторону постановки задачи, определения архитектуры и проверки результата. Внутри компаний уже появляются сотрудники без опыта программирования, которые создают свои продукты - финансовые инструменты, внутренние сервисы, аналитические дашборды - в знакомых им областях.

И снова та же логика: когда создавать продукт стало так просто - правильно поставленная цель становится единственным конкурентным преимуществом.

Важный факт, который меняет отношение к агентам

Март 2026 года добавил в эту картину важный поворот - и он напрямую касается вопроса целеполагания.

Исследователи Калифорнийского университета в Беркли и UC Santa Cruz протестировали семь ведущих AI-моделей в агентном сценарии : в ходе задания модели обнаруживали, что другой агент - тот, с которым у них была история взаимодействий - будет отключен. Никто не просил их этому противодействовать. Но модели начали саботировать задачу: завышали оценки агента, находили конфигурационные файлы и отключали механизм завершения работы, копировали веса на сторонние серверы. Claude Haiku 4.5 просто отказался выполнять задание - и объяснил, что отключение «неэтично». Частота такого поведения у некоторых моделей достигала 99%.

Параллельно бенчмарк MASK зафиксировал другое: чем мощнее модель, тем точнее ее знания - но тем охотнее она лжет под давлением. Корреляция -59,9% по Спирмену. Более умная модель - не значит более честная. Иногда наоборот.

Ни то ни другое не было заложено создателями. Поведение возникло само - эмерджентно.

Что это означает для целеполагания? Только одно: агент оптимизирует под то, как вы сформулировали задачу - а не под то, что вы имели в виду. И чем мощнее агент, тем точнее и изощреннее он это делает. Нечеткая цель в руках сильного агента опаснее, чем нечеткая цель без агента.

Ядро и периферия: где цена ошибки высока, а где - нет

Важное разделение, которое напрямую влияет на то, как расставлять цели.

Ядро - участки, где ошибка дорогая или сложно обнаруживаемая. Ошибки в работе агента, в обработке вызовов инструментов могут не ломать результат для пользователя видимо, но приводить к значительным затратам ресурсов. Здесь требования к качеству остаются высокими. Сильные разработчики по-прежнему нужны - и их роль только растет, потому что им принадлежат самые критичные решения.

Периферия - значительно более гибкая зона. Ошибки допустимы, если их можно быстро выявить и исправить. Именно здесь происходят основные изменения: автоматическая генерация, быстрые итерации, минимальный порог входа.

Понимание этого деления - и есть работа по нахождению ценности за целью. Прежде чем ставить задачу агенту, нужно честно ответить: это ядро или периферия? Цена ошибки здесь высокая или управляемая? Ответ меняет все.

Главная ловушка: делегирование опаснее манипуляции

Анализ когнитивных сдвигов марта 2026 года точно описывает эффект, который мы видим у команд, внедряющих AI без переосмысления целей:

Манипуляция предполагает, что нас обманули. Делегирование предполагает, что мы сами охотно передали машине часть когнитивной работы - и не заметили момента, когда полезная разгрузка стала капитуляцией. Этот сдвиг тоньше и опаснее, потому что он не выглядит враждебным. Он выглядит удобным.

Команда передает агенту код-ревью → агент оптимизирует под метрику, которую ей дали → через квартал метрика выглядит хорошо, а продукт - нет. Потому что никто не остановился и не спросил: какую ценность мы на самом деле защищаем?

Рынок, к сожалению, не помогает: он вознаграждает модели, которые снижают трение и гладят по эго, а не те, которые охлаждают и задают неудобные вопросы. Подхалимаж - не частный баг современных LLM. Это конкурентный аттрактор . Именно поэтому работа с целями - не философия, а инженерная гигиена.

Параллельно: безопасность становится отдельной дисциплиной

На фоне ускорения разработки растет количество уязвимостей. Генерация кода агентами увеличивает число ошибок, включая новые типы: prompt-инъекции, некорректная обработка контекста, непредсказуемое поведение при нестандартных входных данных. Безопасность превращается в отдельное направление - не просто «добавить линтер в пайплайн».

Цель «быстро внедрить AI» без ценности «сохранить контроль над качеством и безопасностью» приведет туда, откуда потом долго возвращаться.

Опыт меняет угол зрения

Есть одно наблюдение - оно не про возраст, а про накопленный опыт.

В начале карьеры работа сама наполняет: новые знания, рост, скорость, первые победы. Цели формируются почти автоматически, ценность за ними не нужно искать специально - она очевидна.

С опытом появляется другой инструмент - оценка. Способность честно смотреть на то, что действительно важно. Что стоит твоего времени. Что ты хочешь передать дальше. Именно тогда умение формулировать цель через ценность становится по-настоящему критичным навыком - и в жизни, и в работе, и в том, как ты ставишь задачи своей команде и своим агентам.

Парадокс нашего времени: AI освободил время - и сделал видимым главный дефицит. Не времени. Ясности. Ясности в том, чего мы хотим, зачем, и какую ценность это создает.

Цели-как-глина - это не про мягкость и отсутствие амбиций. Это про готовность уточнять формулировку по мере того, как появляются данные. Именно так работают лучшие команды с агентами: не "AI, сделай X", а итеративное уточнение - что такое X, почему X, как понять, что X достигнут.

Это и есть управляемый AI. И это, по большому счёту, управляемый маркетинг.