Как я пришёл от заводских систем учёта
к собственным ИИ-сервисам

В октябре 2017 года я пришёл на Балтийский завод в Санкт-Петербурге инженером первой категории и планировал судостроительные проекты в Primavera P6. Это многоуровневые сетевые графики для кораблей, которые строятся 5–7 лет, и спецификации на десятки тысяч позиций материалов. Данные между Excel, Primavera и Infor LN я переносил своими средствами: готового решения не было. Заодно учил сотрудников цехов отмечать выполненные работы в Progress Reporter.

В июле 2021 года меня перевели ведущим инженером-программистом. Я писал собственные сеансы в Infor LN Studio на BAAN 4gl: так в этой системе называются программы с экранными формами. Ускорял сложные SQL-запросы для сводных отчётов по цехам и делал отчёты в IBM Cognos для финансовой службы.

На заводе я понял, что значит отвечать за работающую систему. Когда в учёте десятки тысяч позиций, одна опечатка в SQL-запросе может остановить цех на день. Каждая строчка кода сразу касается людей у станка: они стоят и ждут, пока ты починишь.

С завода я вынес три правила и пользуюсь ими до сих пор, уже в ИИ-сервисах:

• · У каждой ошибки есть адрес. На заводе за ошибкой стоит конкретный сварщик, который ждёт. Так же я отношусь к сбоям в ИИ-сервисах: за каждым сбоем стоит конкретный человек.
• · Журналы нужны с первого дня. Если что-то сломалось ночью, утром нужна запись, по которой можно восстановить события. С тех пор я не запускаю ни одного ИИ-агента без подробных журналов.
• · Любая система со временем портится. Завод научил меня сразу закладывать регулярные проверки и чистку старых данных.

Для меня система работает по-настоящему, когда за неё кто-то отвечает: если она застрянет в 03:47 ночи, я готов встать и разобраться.

В ноябре 2022 года я переехал в Турцию и стал работать в IPL Consulting на заказчиков из Западной Европы, России и с Ближнего Востока. Через год перешёл в болгарскую Asertiva Solutions, которая работает на рынок ЕС. За эти два с небольшим года я увидел, как одну и ту же систему управления предприятием (ERP) Infor LN дорабатывают под автопром, включая Ferrari и Aston Martin, под атомную энергетику (АЭС «Козлодуй», Росатом) и под судостроение (ОСК и десятки заводов в разных странах).

Звучит как строчка из презентации. За ней стоят десятки заявок от компаний из разных стран и отраслей, и каждая напоминала одно и то же: стандартные возможности Infor LN — только основа. Настоящая логика производства у каждого клиента живёт в доработках: в сеансах на BAAN 4gl, в правках на VB.NET в Mongoose, в отчётах Birst, где половина формул написана «потому что в 2007 году так договорились».

Платформа одна, таблицы те же, а ломается у всех по-разному. У Ferrari простая заявка обрастала большим объёмом кода под клиента: там особые требования к прослеживаемости каждого компонента. На «Козлодуе» те же данные уходили в отчётность перед атомным регулятором. Одна ошибка в одной формуле — и ты получаешь либо неполную поставку запчастей в Маранелло, либо запрос от регулятора.

Это главный урок больших внедрений: рабочая система живёт, пока её постоянно подстраивают под реальность. Её меняют небольшими правками, потому что жизнь меняется быстрее технического задания. Если систему никто не сопровождает, через год-два её обычно приходится долго и дорого переносить или менять целиком.

Поэтому фраза «мы внедрили ИИ-агента, он работает» меня не успокаивает. Слово «работает» описывает один момент. Чтобы ИИ работал и дальше, за ним нужно следить каждый день: смотреть журналы, результаты проверок качества и расходы. Без этого через полгода у вас будет работать совсем не то, что вы запускали.

Второй урок: требования регулятора — это инженерная задача. На атомной станции должно прослеживаться каждое изменение. В России закон о персональных данных (152-ФЗ) напрямую касается кода, архитектуры и журналов, а для объектов критической информационной инфраструктуры (КИИ) к нему добавляется 187-ФЗ. Если не заложить эти требования с первого дня, потом придётся переделывать.

Летом 2021 года, уже ведущим инженером на заводе, я записался на курс iOS-разработки App Brewery и параллельно смотрел презентации WWDC21. Я хотел научиться делать собственные продукты. Когда продукт твой, ты сам отвечаешь за всё: за удобство, за серверную часть и за то, чтобы человеку было легко тебе заплатить.

За год я написал больше двадцати приложений на Swift, SwiftUI и UIKit. Большинство были учебными, и в App Store ушли не все. Но за каждым стояла конкретная задача: распознавание на CoreML, дополненная реальность на ARKit, встроенные покупки через StoreKit, версия для macOS через Catalyst, хранение данных в CoreData и Firebase, push-уведомления.

Главное, что дал этот опыт: знание продукта приходит только с живыми пользователями. Можно прослушать 40 часов курса и знать, что такое @StateObject. Что делать с ошибкой StoreKit, когда покупка у пользователя не проходит, а проверка чека зависла на 30 секунд, не объяснит ни одна лекция. Это узнаёшь, когда приложение теряет деньги на живых пользователях.

С ИИ-агентами сегодня то же самое. На курсах объяснят, что такое RAG: поиск по вашим документам, из которых модель берёт ответ. Что делать, когда на важный вопрос поиск возвращает бесполезный кусок текста, узнаёшь только в работе с живыми людьми.

С ноября 2024 года я работал специалистом по закупке рекламы в крупной московской команде, а с сентября 2025 года — старшим специалистом во второй такой команде. Названия обеих под NDA. За шестнадцать месяцев через мои руки прошло $1,34 млн рекламного бюджета в крупнейших соцсетях. Чистая прибыль — около $379 тыс., средняя рентабельность — 28%.

Главное, что дала мне закупка рекламы, — другой взгляд на архитектуру. Когда идёт A/B-тест (сравнение двух вариантов) с дневным бюджетом $2–5 тыс., каждая лишняя секунда загрузки посадочной страницы снижает конверсию. Деньги сгорают прямо сейчас, у тебя на глазах, в отчёте рекламного кабинета.

Раньше я оптимизировал код, потому что так правильно. Теперь я смотрю на скорость и стоимость глазами специалиста по рекламе: считаю, сколько маржи каждый день съедает лишняя доля секунды.

Тогда же я начал писать собственные инструменты: автоматический запуск кампаний через Facebook Graph API, сбор рекламы конкурентов и её разбор с помощью GPT, связку с трекером Keitaro через CAPI: так события о заявках и покупках уходят с сервера прямо в рекламный кабинет. Всё это я писал, чтобы не запускать вручную каждый из примерно 300 роликов. Настольная программа из первых скриптов потом выросла в бота в Telegram и веб-приложение. Как устроена эта платформа.

Отсюда важный для меня вывод. Лучше всего инженера учат занятия, где расход денег виден каждый день, а промедление сразу бьёт по кассе: биржевая торговля, закупка рекламы, работа интернет-магазина, небольшие онлайн-сервисы.

Теперь я применяю это к ИИ. Когда я строю систему для клиента, первым делом задаю два вопроса: сколько она будет тратить в месяц на обращения к модели при нынешнем потоке клиентов и когда окупится. Если вложения не окупаются за полтора года, я за проект не берусь: такая система может съесть всю маржу. Как я считаю окупаемость на примерах смет — в разборе о стоимости внедрения.

С 2025 года я веду собственные ИИ-сервисы. Они работают круглосуточно, тратят и зарабатывают деньги. За ними следят сторожевые процессы: замечают отклонения, при сбое сами останавливают систему и сразу присылают мне сообщение в Telegram.

Что работает сейчас:

• · Торговые боты. Работают круглосуточно, подробности я не раскрываю. У них подробные журналы, автоматическая остановка при сбое и разбор каждого инцидента. Как устроена их надёжность — в отдельном разборе.
• · Автоматизация рекламы. На моей платформе 327+ рекламных кампаний в Facebook. Бот в Telegram следит за показателями кампаний, присылает сводку и предупреждает, если цифры резко меняются.
• · Генератор промо-страниц. Настольная программа собирает страницу из шаблона и описания или по ссылке на готовую страницу и сама выкладывает её на хостинг.
• · Разведка по открытым источникам (OSINT). Методика из 12 шагов для разбора конкурента по открытым данным. Автоматический браузер сам восстанавливает сессии после сбоя.
• · Общая память между проектами. База SQLite, куда записываются все правки файлов и команды из моих сессий с Claude Code, и журнал решений с копией в Discord.

Всё это работает на арендованных серверах VPS. Они связаны защищённой сетью WireGuard, оповещения приходят в Telegram и Discord, базы SQLite раз в квартал сжимаются.

Главный урок: самое трудное начинается после запуска. Нужно знать, что делать, когда OpenAI ночью ограничивает доступ, когда проверки качества бракуют новую версию модели, когда регулятор спрашивает, где хранятся персональные данные.

Поэтому всё, что я предлагаю клиентам, я сам проектирую, запускаю и сопровождаю.

Это самая полезная глава. Если вы технический директор, основатель или руководитель, который собирается потратить на ИИ заметные деньги, прочитайте хотя бы её. Здесь собраны неудобные вещи, о которых лучше знать до того, как платить.

1. ИИ-агент не работает сам по себе. Ему нужна продуманная система вокруг, в которой он только помогает. «Автономные агенты», которые я видел в работе в 2025–2026 годах, в основном состоят из обычного кода с предсказуемым поведением: проверка данных, повторные попытки, запасной сценарий, журналы. Обращения к языковой модели занимают меньшую часть. Если у вас соотношение обратное, это пока демонстрация.

2. Слово «ИИ-агент» размылось. Сейчас так называют почти всё, что обращается к языковой модели, включая обычную роботизацию процессов (RPA) и чат-ботов. Gartner относит ИИ-агентов к пику завышенных ожиданий и в июне 2025 года предсказал, что больше 40% таких проектов отменят к концу 2027 года. Поэтому при выборе смотрите на результаты проверок качества и на структуру расходов.

3. Что действительно важно, когда ИИ работает с живыми пользователями:

• a. Проверки качества (evals). Воспроизводимые тесты на эталонном наборе примеров. Без них вы летите вслепую.
• b. Полные журналы. Каждое обращение к модели записывается: запрос, ответ, стоимость, время ответа. Иначе не разобраться, почему агент сегодня сделал глупость.
• c. Потолок расходов. Бывают атаки, которые нарочно раздувают расход. Без потолка трат счёт за одну ночь может оказаться больше месячного бюджета.
• d. Закон о персональных данных и требования к КИИ. Если вы российская компания, посмотрите статью 13.11 КоАП в действующей редакции. За утечку — от 3 до 15 млн ₽ в зависимости от числа людей в базе, за то, что не сообщили в Роскомнадзор, — 1–3 млн ₽. 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. О запрете иностранных программ важно говорить точно. Его ввёл Указ Президента № 166 от 30.03.2022, а 187-ФЗ описывает безопасность критической информационной инфраструктуры (КИИ). С 31 марта 2022 года заказчики по 223-ФЗ покупают иностранные программы для значимых объектов КИИ только по согласованию с уполномоченным органом. С 1 января 2025 года органам власти и тем же заказчикам запрещено использовать такие программы на своих значимых объектах. С апреля 2025 года запрет действует с оговоркой «если иное не установлено федеральным законом» (Указ № 166 в редакции от 07.04.2025). Запрет касается владельца значимого объекта КИИ, всю отрасль он не охватывает. В самом 187-ФЗ обязанность применять на значимых объектах российские программы из реестра появилась с 1 сентября 2025 года (Федеральный закон от 07.04.2025 № 58-ФЗ), а сроки перехода по отраслям Правительство устанавливает отдельными актами. Если ваш объект под это подпадает, Cursor, Claude и сервисы OpenAI на нём — формальное нарушение. Если нет, ссылаться на «запрет с 2026 года» не нужно: такой нормы нет.

4. Прочитайте OWASP LLM Top 10 в редакции 2025 года. Это общепринятый перечень главных рисков для систем на языковых моделях. Если ваш ИИ работает с живыми пользователями, а последнюю редакцию вы не читали, отложите дела и прочитайте. Подмена инструкций (LLM01), утечка системного промпта (LLM07), лишние полномочия агента (LLM06), искусственное раздувание расхода (LLM10) — реальные атаки 2025–2026 годов. Уязвимость EchoLeak (CVE-2025-32711) получила 9,3 балла по шкале опасности CVSS, удалённое выполнение кода через GitHub Copilot (CVE-2025-53773) — 7,8.

5. Подмена инструкций приходит из неожиданных мест. Из RSS-лент, которые попадают в поиск по документам. Из подписей в письмах, которые оказываются в контексте модели. Из комментариев к правкам кода, которые читает помощник программиста. Если агент читает любые данные от пользователей, его можно атаковать.

Если у вас работает ИИ-агент и по этим пяти пунктам вам пока нечего ответить, это нормально: так бывает у многих команд. Значит, вам нужен взгляд со стороны — человек, который придёт и покажет уязвимости. Такую проверку я и предлагаю. Форматы и цены — на странице услуги «Проверка безопасности ИИ-систем». Все шаги расписаны в готовом решении «Аудит безопасности ИИ-чат-бота». Цифры в нём посчитаны для типичной онлайн-школы.

Свою работу я делю на четыре направления:

• · Общение с клиентами: ИИ-ассистенты на сайте, в Max, на Авито и в Telegram; голосовые роботы для звонков на российских сервисах Voximplant и Яндекса; помощники по базе знаний компании.
• · Автоматизация процессов: сценарии в конструкторах n8n и Make, обработка документов, автоматизация рекламы для Facebook и Keitaro, связка с любыми CRM и системами учёта.
• · ИИ-инфраструктура: запуск и сопровождение языковых моделей на вашем оборудовании (vLLM, Ollama, GigaChat) там, где этого требуют правила КИИ. Проверки качества, журналы, потолок расходов, защита по OWASP LLM Top 10.
• · Разработка: серверная часть на Python и Node.js, мобильные приложения (iOS и кроссплатформенные), интерфейсы на React и Astro, интеграции с любыми API.

Больше всего пользы я могу принести основателям B2B-сервисов на 20–100 человек, рекламным агентствам с бюджетом от $500 тыс. в месяц, средним интернет-магазинам, которым нужна ИИ-поддержка покупателей, юристам и медицинским клиникам, которые работают с персональными данными. Если выручка компании меньше 1 млн ₽ в месяц, вложения в автоматизацию обычно не окупаются, и я скажу об этом на первом созвоне.

Если вы дочитали до этого места, начните с аудита за 5 000 ₽. Это созвон на 60–90 минут и письменный отчёт: что внедрять в первую очередь, когда это окупится и нужен ли вашему бизнесу ИИ вообще. Иногда не нужен, и я скажу об этом честно.