От заводских ERP
до AI, который работает по-настоящему

Я пришёл на Балтийский завод в Санкт-Петербурге в октябре 2017 года инженером первой категории. На бумаге это было «планирование судостроительных проектов в Primavera P6». На практике — многоуровневые сетевые графики на корабли, которые строятся 5–7 лет, спецификации на десятки тысяч позиций материалов, и перенос данных между Excel, Primavera и Infor LN, который пришлось писать самому, потому что «штатного решения нет».

Через четыре года меня перевели ведущим инженером-программистом — на этот момент уже писал собственные сеансы в Infor LN Studio на BAAN 4gl, оптимизировал многоэтажные SQL-запросы для сводных отчётов по нескольким цехам и учил цеха, как загружать прогресс в Progress Reporter. Параллельно — отчётность в IBM Cognos для финансового блока.

Что значит «production», когда у тебя на цеху десять тысяч материалов и одна опечатка в SQL стоит дня простоя? Я узнал это не из книжки. Production — это режим, в котором каждая твоя строчка прямо влияет на людей, которые сейчас стоят у станка и ждут, пока ты починишь.

Уроки, которые я унёс с собой — и которые до сих пор применяю в AI-системах 2026 года:

• · Любая ошибка имеет адрес. На заводе ты не можешь спрятаться за «конфликт при слиянии веток» — конкретный сварщик стоит и ждёт. Сегодня я так же отношусь к сбоям в работающих AI-системах: за каждым стоит конкретный пользователь.
• · Логирование важнее красоты. Если что-то сломалось ночью — у тебя должна быть запись, по которой можно восстановить цепочку. С тех пор я не запускаю ни одного AI-агента без структурированных логов.
• · «Работает» — это вопрос времени. Любая система деградирует. Завод научил меня закладывать механику самоочистки и регулярных проверок.

Сейчас на конференциях я часто слышу «у меня production-AI» от человека, который запустил чат-бота в Streamlit. Production — это когда вы готовы получить звонок в 03:47 ночи о том, что ваш агент в очередной раз застрял.

В ноябре 2022 я переехал в Турцию — работать в IPL Consulting на западноевропейских и ближневосточных заказчиков. Через год — Болгария, Asertiva Solutions, рынок ЕС. За эти два с половиной года я увидел, как одну и ту же систему управления предприятием (ERP) — Infor LN — дорабатывают под автопром (включая Ferrari и Aston Martin), химию, фармацевтику, атомную энергетику (АЭС «Козлодуй», Росатом) и судостроение (ОСК + десятки заводов по разным странам).

Звучит как красивый пункт в презентации. На практике — это сотни заявок от компаний из разных стран и отраслей, каждая из которых требовала понимания, что «стандартный функционал» Infor LN — это лишь скелет. Реальная производственная логика клиента всегда обитает в собственных 4GL-сеансах (BAAN), в переопределениях на VB.NET в Mongoose, в трёхъярусных Birst-отчётах, где половина DAX-формул — это «потому что в 2007 году так договорились».

Та же платформа. Те же таблицы. И — совершенно разные сценарии отказа. На Ferrari заявка превращалась в полтонны написанного под клиента кода, потому что у него были особые требования к прослеживаемости компонентов. На «Козлодуе» то же поле использовалось для отчётности перед регулятором — по местным аналогам нашего 187-ФЗ о критической информационной инфраструктуре (КИИ). Одна ошибка в одной формуле — и ты получаешь либо неполную поставку запчастей в Маранелло, либо запрос от регулятора.

Это — главный урок больших внедрений: рабочие системы не «работают» сами по себе. Они выживают через постоянную доработку под реальность. Они меняются маленькими корректировками, потому что реальность меняется быстрее, чем твоё техническое задание. Если твоя ERP «просто работает» — значит, у тебя нет команды, которая её поддерживает, и через 18–24 месяца ты будешь делать тяжёлую миграцию или менять систему целиком.

Когда технический директор мне сегодня говорит «мы внедрили AI-агента, он работает» — я не верю. «Работает» — это статика. AI в постоянной работе — это непрерывный процесс, в котором кто-то каждый день смотрит на логи, на результаты проверок качества и на расходы. Без этого через полгода у тебя работает совсем не то, что ты запускал в марте.

Второй урок: требования регулятора — это инженерная задача. На атомной станции у тебя есть конкретные требования к прослеживаемости каждого изменения. В РФ 2026 — ФЗ-152 на персональные данные и 187-ФЗ на КИИ — это твой код, твоя архитектура, твои логи. Если ты этого не закладывал с первого дня — у тебя проблема.

Летом 2021, пока я был ведущим инженером на заводе, я записался на iOS Bootcamp от App Brewery и параллельно смотрел презентации WWDC21. Я хотел научиться делать собственные продукты. Свой продукт — это другой режим работы: ты сам отвечаешь и за удобство для пользователя, и за серверную часть, и за то, чтобы человеку не было больно платить тебе деньги.

В течение года я написал больше двадцати iOS-приложений на Swift / SwiftUI / UIKit. Не все ушли в App Store — большинство были учебными, но за каждым стояла конкретная задача: интеграция с CoreML, ARKit для сцен дополненной реальности, StoreKit для встроенных покупок, Catalyst для версии под macOS. CoreData, Firebase, push-уведомления через APNs.

Что мне дал этот трек — кроме самого Swift? Понимание того, что настоящее продуктовое знание нельзя купить. Можно прослушать 40 часов курса, и ты будешь знать что такое @StateObject. Но что делать с обработкой ошибок StoreKit, когда у пользователя истёк AppleID, а проверка чека зависла на 30 секунд — этому не научит никакая лекция. Это узнаётся только когда твоё приложение начинает терять реальные деньги на живых пользователях.

Это та же самая логика, что и с AI-агентами сегодня. Курсы тебе скажут, что такое RAG — поиск по вашим документам, из которых модель берёт ответ. Но что делать, когда поиск возвращает «нейтральный» кусок текста в ответ на критический запрос пользователя — этому не научат. Этому учит только собственная работа с живыми пользователями.

В ноябре 2024 я ушёл из Asertiva и присоединился к крупной команде по закупке интернет-рекламы в Москве (название под NDA) — Middle Media-buyer. Затем — Senior Media-buyer во второй такой команде с сентября 2025, её название тоже под NDA. За шестнадцать месяцев через мои руки прошло $1,34 млн рекламного бюджета в крупнейших соцсетях, из которых ~$379 тыс. — чистая прибыль. Рентабельность колебалась от 25% до 37% в зависимости от ниши и периода.

Цифры — приятные, но не в них дело. Закупка рекламы переучила меня архитектурно. Когда ты запускаешь A/B-тест с дневным бюджетом $2–5 тыс., каждая лишняя секунда на загрузку лендинга — это минус 2% конверсии и реальные деньги, которые ты сжигаешь. Не «теоретически». Сейчас. На твоих глазах. В отчёте Ads Manager.

Я начал смотреть на скорость и стоимость как специалист по рекламе. Большая разница:

• · Инженер думает: «оптимизирую — потому что это правильно».
• · Специалист по рекламе думает: «оптимизирую — потому что 200ms = $400 в день потерянной маржи».

Я начал писать собственные инструменты: автоматический запуск кампаний через FB Graph API, сбор рекламы конкурентов и её разбор с помощью GPT, интеграции с Keitaro через CAPI. Всё это писалось потому, что запустить вручную 300 рекламных макетов за сезон — значит потерять две недели бюджета. Настольная программа из тех первых скриптов потом выросла в бота в Telegram и веб-приложение — разбор этой платформы.

И вот тут произошло переключение. Я понял, что лучшие инженеры, которых я видел в жизни, выходят оттуда, где расход денег виден каждый день: если ты сегодня не сделал — завтра нечем платить. Биржевая торговля, закупка рекламы, операции интернет-магазина, небольшие онлайн-сервисы. Эти люди другой формации.

Сейчас я применяю это к AI. Когда я строю систему для клиента, первые мои вопросы — «сколько эта система съест долларов в OpenAI в месяц при текущем трафике» и «какая у неё окупаемость». Если вложение не возвращается за полтора года, я не запускаю: у клиента маржа тоньше, чем в рекламе, и такая система съест её целиком. Как эта проверка выглядит на конкретных сметах — в разборе о стоимости внедрения.

С 2025 года я веду собственный парк AI-систем. Это системы, которые работают круглосуточно, тратят и зарабатывают деньги. Если они падают, я узнаю об этом в Telegram за 60 секунд: за ними следят сторожевые процессы, которые отслеживают отклонения и при сбое сами останавливают систему.

Что в нём прямо сейчас:

• · Торговая инфраструктура на Base CTF и Polygon CLOB — собственные боты на Limitless / Polymarket / Bybit, которые круглосуточно торгуют криптовалютой. Со сквозным логированием, автоматической остановкой при сбое и регулярным разбором инцидентов; как устроена эта надёжность — в отдельном разборе.
• · Автоматизация маркетинга на 327+ рекламных кампаний в FB — собственный бот в Telegram, который следит за показателями CAPI, присылает сводку и предупреждает, когда цифры уходят в сторону.
• · Генератор лендингов с интеграцией Keitaro API и Cloudflare — настольное приложение на Tkinter поверх AI-генерации: за 10 минут собирает лендинг под конкретный язык и рынок.
• · Разведка по открытым источникам (OSINT) — методика из 12 шагов для проверки контрагентов в рекламе. Автоматизация браузера сама восстанавливает упавшие сессии.
• · Общая память между проектами — база SQLite со всеми правками файлов и запущенными командами из моих сессий с Claude Code, плюс журнал принятых решений с напоминаниями в Discord.

Всё это работает на пяти собственных серверах в Финляндии, Швейцарии, Австрии, Германии и Нидерландах, связанных защищённой сетью WireGuard, с оповещениями в Telegram и Discord и ежеквартальным сжатием баз SQLite.

Главный урок, который я вынес: я не «учу» AI. Я его запускаю. И между этими двумя глаголами — гигантская пропасть, которую большинство людей не пересекли. Запустить — это значит знать, что делать, когда OpenAI в полночь ограничивает тебе доступ, что делать, когда проверки качества забраковали новую версию модели, что делать, когда регулятор в Москве спрашивает, где хранятся персональные данные.

Это и есть позиция «senior tech operator»: я не консультант с PowerPoint, я человек, который держит руки на штурвале.

Это самая полезная глава в этом эссе. Если вы технический директор, основатель бизнеса или просто человек, который собирается потратить много денег на AI в 2026 году — прочитайте именно её. Я скажу неудобные вещи, которые редко произносят на конференциях.

1. AI-агенты не автономны. Они — вспомогательная сила в правильно построенной системе. Все «автономные агенты», которых я видел в реальной работе в 2025–2026 году, на 80% состоят из обычного кода с предсказуемым поведением (проверка данных, повторные попытки, запасной сценарий, логирование) и на 20% — из обращений к языковой модели. Если у вас наоборот — это демонстрация.

2. 95% «AI-агентов» в 2026 — это переименованная роботизация процессов (RPA) или чат-бот. Сама категория «AI-агент» в 2026 размыта до уровня «всё, что использует языковую модель». Gartner, июнь 2025: агентный AI на «пике завышенных ожиданий», 40%+ проектов будут отменены к 2027 году. Смотрите на результаты проверок качества и на структуру расходов.

3. Что РЕАЛЬНО важно, когда AI работает на живых пользователях:

• a. Проверки качества (evals). Воспроизводимые тесты на эталонном наборе примеров. Если их нет — вы летите вслепую.
• b. Полное логирование. Каждое обращение к модели должно попадать в логи: запрос, ответ, стоимость, время ответа. Без этого вы не сможете разобрать, почему агент сегодня сделал глупость.
• c. Ограничение расходов. Атаки, которые искусственно раздувают расход, реальны. Без потолка трат в худшем случае вы получите счёт на $50 тыс. за одну ночь.
• d. Соответствие ФЗ-152 и требованиям по КИИ. Если вы российское юрлицо — посмотрите на действующие составы ст. 13.11 КоАП: за утечку от 3 до 15 млн ₽ в зависимости от размера базы, за несообщение в Роскомнадзор 1–3 млн ₽, а при повторной утечке — от 1 до 3% выручки, но не меньше 20 млн ₽. Разбор со ссылками на статьи закона — в статье о персональных данных и нейросетях. Про запрет иностранного ПО стоит говорить точнее, чем это принято. Вводит его Указ Президента от 30.03.2022 № 166; 187-ФЗ описывает безопасность критической информационной инфраструктуры (КИИ). По Указу: с 31 марта 2022 года заказчики по 223-ФЗ закупают иностранное ПО для значимых объектов КИИ только по согласованию с уполномоченным органом, а с 1 января 2025 года органам государственной власти и тем же заказчикам запрещено использовать такое ПО на принадлежащих им значимых объектах — с апреля 2025 года с оговоркой «если иное не установлено федеральным законом» (Указ № 166 в редакции от 07.04.2025). Запрет идёт за владельцем значимого объекта КИИ; отрасль целиком под него не попадает. В самом 187-ФЗ обязанность применять на значимых объектах ПО из реестра российского появилась с 1 сентября 2025 года (Федеральный закон от 07.04.2025 № 58-ФЗ), а сроки перехода по отраслям Правительство устанавливает отдельными актами. Подпадает ваш объект под это — Cursor, Claude и OpenAI на нём формальное нарушение. Не подпадает — ссылаться на «запрет с 2026 года» не нужно: такой нормы нет.

4. OWASP LLM Top 10 — обязательное чтение, редакция 2025 года. Если у вас AI работает на живых пользователях и вы не читали последнюю редакцию OWASP LLM — отложите все дела и прочитайте. Скрытая подмена инструкций (LLM01), утечка системного промпта (LLM07), избыточные полномочия агента (LLM06), искусственное раздувание расхода токенов (LLM10) — это реальные атаки 2025–2026 годов. CVE-2025-32711 EchoLeak — CVSS 9.3. CVE-2025-53773 GitHub Copilot RCE — CVSS 7.8. Это живая реальность.

5. Подмена инструкций проявляется в самых неожиданных местах. Я лично видел её в RSS-лентах, которые индексировал мой поиск по документам, в подписях к письмам, которые попадали в контекст модели, в комментариях к предложенным правкам кода на GitHub, которые читал Copilot. Если ваш агент читает любые данные, пришедшие от пользователей, — значит, есть и способ его атаковать.

Если у вас сейчас работает AI-агент и вы не знаете ответов на эти пять пунктов — это нормально. Так у большинства команд в 2026 году. Но это значит, что вам нужен взгляд со стороны, который придёт и покажет, где у вас дыры. Я этим занимаюсь: формат и методика — на странице услуги «Защитная диагностика AI-систем», а как такая проверка выглядит на живой системе с учениками — в разборе аудита AI-помощника онлайн-школы.

После всего вышеописанного — что я делаю как услугу? Я разделил свою практику на четыре категории:

• · Связь с клиентами: AI-ассистенты в чатах (WhatsApp / Telegram / сайт), голосовая автоматизация через Vapi / ElevenLabs, AI-помощники по базе знаний компании.
• · Автоматизация процессов: сценарии в n8n и Make, обработка документов, автоматизация маркетинга под FB / Keitaro, интеграция с любыми CRM и ERP.
• · AI-инфраструктура: запуск и сопровождение собственных языковых моделей на вашем оборудовании (vLLM / Ollama / GigaChat — под требования по КИИ), проверки качества, логирование, ограничение расходов. Защита AI-систем по OWASP LLM Top 10.
• · Разработка: серверная часть на Python / Node.js, мобильные приложения (iOS и кроссплатформенные), интерфейс на React / Astro, интеграции с любыми API.

Кому я подхожу больше всего: основателям B2B-сервисов на 20–100 человек, рекламным агентствам с бюджетом от $500 тыс. в месяц, средним интернет-магазинам с поддержкой клиентов на AI, юристам и медицинским клиникам под ФЗ-152. Кому не подойду: компаниям с выручкой меньше 1 млн ₽ в месяц — у вас нет бюджета на мою практику, и я не хочу терять ваше время.

Если вы дочитали до сюда — значит вам интересно. Начните с AI-аудита за 9 900 ₽: за один рабочий день вы получите чёткое понимание того, что внедрять в первую очередь, какая будет окупаемость, и нужен ли вообще AI вашему бизнесу (иногда — нет, и я скажу об этом честно).