Будущее программирования с ИИ — взгляд инженера Anthropic Thariq Shihipar

Коротко: ИИ в разработке уже не сводится к подсказкам в редакторе. Меняется сама операционная модель: агент получает цель, читает контекст, пишет код, проверяет себя и возвращается с рабочим результатом. Инженер Anthropic Thariq Shihipar описывает сдвиг, который бизнесу стоит заметить: модели уже умеют больше, чем многие команды успели встроить в свои процессы.

Thariq Shihipar — инженер Anthropic, один из людей, связанных с развитием Claude Code и практикой агентной разработки внутри компании. В интервью он формулирует сильный тезис: даже если заморозить развитие моделей прямо сейчас, у команд останется ещё 6–12 месяцев, чтобы раскрывать уже накопленный запас возможностей. Значит, дело не только в качестве моделей. Бизнес часто продолжает работать старыми ритуалами: ТЗ на пять страниц, ручная постановка задач, созвоны, ожидание разработчика и правки по кругу.

Для владельца бизнеса это не техническая новость, а управленческая. Раньше разработка упиралась в часы программиста, а сейчас всё чаще — в качество контекста, архитектуру процессов и правильный доступ для агента. В Эпоха ИИ мы видим тот же сдвиг на внедрениях: результат даёт не «чат с моделью», а связка модели, данных, CRM, мессенджеров, API и контроля.

1. Что именно меняется в программировании с ИИ?

ИИ-разработка уходит от режима «помоги написать кусок кода» к режиму «возьми задачу и доведи её до проверяемого результата». Это меняет и уровень доверия к модели, и управление работой команды.

Раньше разработчик сам держал в голове почти всё: архитектуру, ограничения, зависимости, баги, стиль проекта, договорённости с продуктом. ИИ в такой схеме был быстрым помощником: подсказать функцию, сгенерировать тест, объяснить ошибку. Польза есть, но сам процесс остаётся тем же.

Теперь схема другая. Агент получает репозиторий, задачу, инструкции, историю изменений, тесты и критерии приёмки. Дальше он не просто печатает код, а работает как исполнитель: читает файлы, ищет связанные места, меняет несколько частей системы, запускает проверки, исправляет ошибки после первого прогона. Человек остаётся владельцем цели и качества, но ему уже не нужно вручную тащить каждый мелкий шаг.

Thariq Shihipar отдельно говорит, что многие внутри Anthropic стали реже пользоваться отдельным режимом планирования, потому что модель начала «думать правильно» прямо по ходу работы. Это не значит, что планирование умерло. Часть микропланирования просто переехала внутрь агента. Команде нужно не расписывать каждую команду, а задавать рамку: что меняем, где границы, какие проверки обязательны, что нельзя трогать.

Для бизнеса это ускоряет не только программирование, но и всю цепочку от идеи до MVP. Прототип лендинга, CRM-модуль, парсер, внутренний дашборд или бот для отдела продаж можно собрать быстрее, если агенту дать контекст и не держать его в режиме «напиши мне фрагмент».

2. Почему модель может быть сильнее, чем её используют команды?

Сильная модель не раскрывается, если держать её как автодополнение. Запас возможностей появляется, когда агент получает контекст, инструменты и право сделать несколько шагов подряд.

Фраза «capability overhang» звучит технически, но для бизнеса это очень практичная штука. Компания уже платит за модель, а забирает 10–20% её пользы. Сотрудники просят ИИ: «напиши текст кнопки», «сделай SQL-запрос», «проверь ошибку». Вместо этого агенту можно отдавать целые микропроцессы: собрать отчёт, разобрать входящие заявки, подготовить карточки товаров, обновить базу знаний, проверить воронку, найти расхождения в CRM.

В разработке это видно особенно ярко. Агент может:

• прочитать несколько файлов проекта и понять связи между ними;
• найти место, где меняется бизнес-логика;
• написать код в стиле соседних модулей;
• добавить тесты или обновить существующие;
• запустить проверку и исправить результат;
• объяснить, что изменил и какие риски остались.

Но если команда просит только «напиши функцию», она получает функцию. Модель не виновата, что её поставили на роль печатной машинки.

Похожая ошибка встречается в продажах. Бизнес подключает чат-бота, но не даёт ему CRM, историю клиента, базу знаний, правила эскалации и доступ к каналам. Потом делает вывод: «ИИ не продаёт». На деле продавал не ИИ, а пустой чат без процесса. Поэтому в Эпоха ИИ мы не продаём «чат в браузере»: ИИ-сотрудник должен быть встроен в CRM, мессенджеры, API и контроль качества.

3. Что это значит для владельца бизнеса, а не для программиста?

Для владельца бизнеса ИИ-разработка сокращает путь от идеи до результата, который можно проверить. Вместо долгого цикла «поставили задачу → ждём → смотрим → переделываем» появляется короткий: описали цель, дали контекст, получили рабочий вариант и проверили его на данных.

Сильнее всего это видно в задачах, которые раньше зависали между отделами. Маркетингу нужен лендинг, продажам — интеграция с amoCRM, операционке — отчёт по заявкам, руководителю — дашборд по марже, маркетплейс-команде — генерация карточек. По отдельности задачи небольшие, но вместе они съедают месяцы: никто не хочет ставить их в очередь к разработке.

ИИ-агенты меняют экономику таких задач. Не всё становится бесплатным и мгновенным, но порог запуска ниже. Команда быстрее проверяет гипотезу и не нанимает отдельного разработчика под каждую внутреннюю автоматизацию. Вместе с этим появляются новые требования:

• процессы надо описывать точнее, чем раньше;
• знания нужно хранить так, чтобы агент мог их прочитать;
• данные для модели надо отделять от чувствительных полей;
• проверки должны быть встроены в процесс, а не вспоминаться в конце;
• результат должен попадать в рабочие системы, а не оставаться в чате.

Поэтому тема не сводится к Claude Code или любому другому инструменту. Инструмент важен, но бизнес-эффект рождается на уровне системы. Если агент сгенерировал код, а никто не понимает, как его поддерживать, выгода быстро исчезает. Если агент встроен в процесс и его работу проверяют, он экономит часы каждую неделю.

4. Где ИИ-агенты уже дают бизнес-эффект?

ИИ-агенты лучше всего работают там, где процесс повторяется, правила понятны, а результат можно измерить. В разработке это код и тесты, в продажах — скорость ответа и конверсия, в операционке — сортировка, маршрутизация и контроль.

В кейсе B2B-компании по поставке и сервису промышленного оборудования у клиента было около 120 заявок в день и первая линия из четырёх менеджеров. До внедрения ответ мог занимать 2–4 часа. После подключения ИИ-продажника к Avito, Telegram, WhatsApp, виджету на сайте и amoCRM первый ответ стал занимать 3–8 секунд. Количество квалифицированных лидов выросло с 38 до 61 в день, конверсия в счёт поднялась с 18% до 24%, выручка выросла на 18%, а расходы первой линии снизились на 40%.

Это не магия модели. Это агент, подключённый к каналам, CRM и правилам эскалации. Он не заменил всех людей, зато забрал типовые диалоги, быстро квалифицировал обращения и передавал сложные сделки менеджерам.

Похожая логика работает в разработке внутренних инструментов. Если у компании хаос в заявках, агенту мало «просто написать скрипт». Ему нужно понять поток: откуда приходит запрос, какие поля важны, где живёт статус, кто получает уведомление, какие ошибки критичны. Тогда автоматизация встраивается в операционку, а не висит отдельным костылём.

В другом кейсе торгово-производственная компания получала около 10 000 обращений в месяц. Ручная сортировка 150–200 писем в день отнимала время и приводила к потерям заявок. ИИ-агент на n8n, Bitrix24, почте и Telegram начал классифицировать обращения, отделять целевые заявки от спама, ставить категории и этапы, уведомлять ответственных. Компания перестала терять «золотые» заявки и получила около 1 млн ₽ дополнительной прибыли на сохранённых сделках.

5. Почему «нанять разработчика и купить подписку» уже недостаточно?

Подписка на модель сама по себе не делает команду AI-native. Нужны контекст, права доступа, проверка качества и привычка ставить задачи так, чтобы агент понимал цель и ограничения.

Раньше безопасным ходом было нанять больше разработчиков, завести таск-трекер и ждать релиз. Сейчас такой подход часто проигрывает маленькой команде, которая умеет работать с агентами. Thariq Shihipar объясняет это на опыте стартапов: безопасная траектория уже не выглядит такой безопасной. Когда вокруг быстрее собирают продукты, медленная команда рискует не из-за плохого кода, а из-за долгой проверки гипотез.

У этой скорости есть обратная сторона. Агент быстро напишет плохое решение, если задача мутная. Залезет не туда, если ему не задали границы. Уверенно предложит архитектуру, которую потом никто не сможет поддерживать. Поэтому зрелая работа с ИИ — не «пусть модель всё делает», а нормальное разделение ролей.

Человек отвечает за:

• цель и бизнес-критерий результата;
• доступы и границы безопасности;
• приоритеты и то, что нельзя ломать;
• финальную проверку;
• решение, внедрять ли результат в процесс.

Агент берёт на себя черновую работу: поиск, сборку, переписывание, тестирование, перенос данных, генерацию вариантов, проверку гипотез. Когда роли смешиваются, начинается хаос. Когда роли разделены, скорость растёт без потери контроля.

6. Как бизнесу внедрять ИИ-разработку без хаоса?

Начните не с выбора модели, а с процесса, где уже понятны входные данные, нужный результат и цена ошибки. Так агент быстрее принесёт пользу и не превратится в эксперимент ради эксперимента.

Рабочая схема выглядит так:

1. Выберите один узкий процесс. Например, обработка заявок, генерация коммерческих предложений, отчёт по маркетплейсам, обновление карточек товаров, сбор лидов, проверка CRM.
2. Опишите вход и выход. Что агент получает, что должен вернуть, в каком формате, куда положить результат.
3. Дайте базу знаний. Скрипты продаж, Tone of Voice, FAQ, правила скидок, ограничения, примеры хороших ответов.
4. Подключите инструменты. CRM, таблицы, мессенджеры, почту, API, личный кабинет, если это нужно для задачи.
5. Поставьте контроль. Логи, тестовые сценарии, правила эскалации, регулярный просмотр ошибок.
6. Масштабируйте только после проверки. Если агент сработал на одном процессе, переносите подход на соседний.

В Эпоха ИИ мы часто начинаем с бесплатного аудита: смотрим, где теряются деньги, какие заявки остаются без обработки, где менеджеры снова и снова делают одно и то же руками, какие системы уже стоят. Потом выбираем, что быстрее даст эффект: ИИ-продажник, интеграция CRM, агент на n8n, маркетплейс-аналитика, контент-машина или кастомная автоматизация.

По условиям внедрения ИИ-продажника и близких ИИ-сотрудников запуск под ключ начинается от 50 000 ₽, оплата 50/50. Сопровождение — от 10 000 ₽ в месяц. Срок запуска под ключ — 2–4 недели, первый рабочий MVP обычно появляется за 7–10 дней. Точный состав зависит от каналов, CRM, базы знаний и требований к безопасности.

7. Какие риски есть у ИИ-разработки?

Главный риск — спутать скорость генерации с готовым продуктом. Код, текст или сценарий могут появиться быстро, но бизнесу нужен результат, который работает на реальных данных и выдерживает ошибки.

Есть четыре типовые зоны риска.

Первая — плохой контекст. Агент не знает правил компании, старых решений, юридических ограничений, структуры CRM. Поэтому начинает угадывать. На демо это выглядит бодро, но в работе быстро ломается.

Вторая — отсутствие проверки. Без тестов, логов и человека на приёмке агент может внести ошибку в важный процесс. В разработке это баг, в продажах — неверное обещание клиенту, в маркетплейсах — неправильная цена или описание.

Третья — безопасность данных. Нельзя бездумно отправлять в модель имена, телефоны, суммы, медицинские сведения, банковские данные. В наших решениях мы учитываем 152-ФЗ: базы клиентов и переписки хранятся на серверах в России, чувствительные поля маскируются, для крупных компаний возможен on-premise запуск на серверах клиента.

Четвёртая — ожидание полной замены людей. ИИ закрывает большую часть типовых задач, но сложные сделки, спорные обращения и нестандартные решения должны уходить человеку. В продажах мы ориентируемся на то, что ИИ закрывает около 80% диалогов, а сложное передаёт менеджеру. Отдел сокращается в 2–3 раза, но не исчезает.

8. Что будет с разработчиками и командами через год?

Разработчики не исчезнут, но их работа сместится от ручного набора кода к управлению системами, агентами и качеством результата. Сильнее будут те, кто умеет ставить задачи, читать чужой код, проверять гипотезы и быстро связывать инструменты между собой.

В интервью Thariq Shihipar отдельно говорит о неопределённости: она становится нормой. Для стартапа и для бизнеса это неприятно, потому что старые гарантии хуже работают. Уже нельзя один раз выбрать стек, процесс и команду на три года вперёд. Придётся жить в режиме регулярной пересборки: модели меняются, инструменты меняются, способы работы тоже.

Но это не повод бросаться за каждым новым релизом. Практичный подход другой: строить процессы так, чтобы модель можно было заменить без обвала системы. Сегодня в одной задаче лучше Claude, в другой — GPT, в третьей — DeepSeek или локальная модель. Важна не вера в один бренд, а архитектура, где модель остаётся сменным слоем.

Мы уже писали об этом в статье Какую нейросеть выбрать для бизнеса в 2026: правильный вопрос не «какая модель самая сильная», а «какая модель лучше закрывает конкретный процесс с учётом цены, скорости и риска». А если вы смотрите именно на агентную разработку, полезно прочитать разбор Claude Code 2026: что это, как работает и сколько стоит.

Для руководителя вывод такой: не ждите, пока ИИ станет «ещё умнее». По словам инженера Anthropic, уже нынешний уровень моделей содержит запас, который многие команды не используют. Начните с одного процесса, подключите данные и контроль, измерьте результат. Если эффект есть, масштабируйте.

FAQ

Источники

• Claude Code 2026: что это, как работает и сколько стоит, блог Эпоха ИИ (проверено: июль 2026)
• Какую нейросеть выбрать для бизнеса в 2026, блог Эпоха ИИ (проверено: июль 2026)
• Кейс: как ИИ-агент на n8n разгружает операционный отдел, блог Эпоха ИИ (проверено: июль 2026)
• Anthropic Engineer on the Future of Coding with AI | Thariq Shihipar, YouTube (проверено: июль 2026)

В основе материала — интервью инженера Anthropic Thariq Shihipar о будущем программирования с ИИ и работе с агентами.

Автор статьи

Никита Овдиенко

Строю ЭПОХА ИИ

В Telegram-канале «Никита Овдиенко | Бизнес на AI» рассказываю как ИИ помогает автоматизировать бизнес-процессы и увеличивать доход — на примере своей компании и проектов клиентов.

Подписаться