Майже в кожному бізнесі є люди, які щодня годинами роблять за комп'ютером одне й те саме: переносять дані з однієї системи в іншу, відповідають на однакові запитання клієнтів, збирають звіти, оформлюють замовлення, листуються з постачальниками. Власник бачить, що команда перевантажена, але найняти ще одного кваліфікованого менеджера складно і дорого.
Я хочу показати, чому ця робота сьогодні вже значною мірою автоматизується, як це виглядає на практиці і з чого варто починати.
Будь-яка робота має повторювані кроки
Навіть робота, яка потребує мислення, складається з повторюваних дій. Менеджер з продажу щоразу уточнює в клієнта ті самі параметри, шукає товар у базі, перевіряє наявність, готує пропозицію і вносить угоду в CRM. Рішення приймає людина, але більшість кроків навколо рішення однакові.
А там, де є повторення, процес можна автоматизувати. Раніше для цього потрібні були жорсткі скрипти, які ламалися від найменшої зміни. Сучасні AI-агенти працюють інакше: вони читають текст, розуміють контекст, користуються інструментами і можуть пройти процес від початку до кінця, зупиняючись там, де потрібне рішення людини.
Агенти вміють користуватися комп'ютером
Одна з головних причин, чому сучасні агенти такі продуктивні: вони вміють працювати з браузером і керувати комп'ютером. Вони не обмежені запуском окремих скриптів. Агент може відкрити сайт, зайти в систему, натиснути потрібні кнопки, заповнити форму, перенести дані між вкладками, завантажити файл і перевірити результат так само, як це зробила б людина.
Для бізнесу це означає, що не потрібно переробляти наявні процеси чи міняти звичні інструменти. Агент інтегрується з тим, чим ви вже користуєтеся: CRM, обліковою системою, поштою, таблицями, порталами постачальників. Навіть якщо в якоїсь системи немає зручного API, агент може працювати з нею через звичайний інтерфейс.
Мій досвід: від 1–2 до 5–8 задач на день
Я Senior Software Engineer з понад 9 роками досвіду, зараз працюю в Apple як інженер компанії-підрядника. Більшість мого робочого дня складалася з багів: прочитати задачу, знайти причину серед десятків застосунків, відтворити проблему, виправити, відкрити pull request, дочекатися перевірок, відповісти на коментарі й передати задачу на тестування. Плюс постійні треди в робочому чаті.
За кілька місяців я побудував навколо цього процесу так званий agent harness: систему на базі Claude Code, яка описує, як саме я працюю. Це близько 60 письмових інструкцій (skills) для агента, підключення до трекера задач, робочого чату, браузера і CI, фонові скрипти для рутинних кроків і дашборд, де видно стан кожної задачі.
Тепер це виглядає так. Я запускаю задачу однією командою. Агент читає її разом зі скріншотами і відеозаписами, знаходить причину в коді, відтворює проблему наживо в браузері і готує звіт з доказами. Я кажу «go». Агент виправляє, сам перевіряє результат у браузері зі скріншотами, відкриває pull request, стежить за перевірками й коментарями рецензентів, а після злиття повертає задачу тестувальнику. Повідомлення колегам він лише готує як чернетки: відправляю їх завжди я.
Результат: моя продуктивність зросла приблизно з 1–2 до 5–8 задач на день, залежно від складності, бо кілька таких процесів можуть іти паралельно. Інструменти продовжують покращуватися, тому це, швидше за все, не межа.
Найважливіший висновок для мене був не технічний.
Вузьким місцем ніколи не було саме написання коду. Ним була вся робота навколо нього.
І це стосується не лише розробки.
Те саме працює в будь-якому офісі
Якщо замінити «баг» на «заявку клієнта», а «pull request» на «комерційну пропозицію», вийде процес майже будь-якої компанії. Ось приклади роботи за комп'ютером, яку можна значною мірою автоматизувати:
- перший контакт з клієнтом: збір запиту, уточнення деталей, відповіді на типові питання;
- обробка замовлень: перевірка наявності, оформлення, внесення в облікову систему;
- робота з даними: перенесення між таблицями, CRM і бухгалтерією, пошук помилок;
- комунікація з постачальниками і логістика: запити, підтвердження, відстеження статусів;
- звіти: щоденні й щотижневі зведення, які зараз хтось збирає вручну.
Один з моїх клієнтів продає шини. Його головна проблема знайома багатьом: менеджерів не вистачає, а кваліфікованих людей на ринку мало, тому частина клієнтів не отримує відповіді вчасно. Ми не плануємо замінювати менеджерів. Наша мета зняти з них рутину: збір запиту, підбір шин за параметрами, перевірку наявності, підготовку пропозиції. Тоді той самий менеджер встигне обробити більше клієнтів, а його час піде на розмову і рішення, а не на копіювання даних.
Окремий напрям, який зараз розвивається дуже швидко, це розмовні агенти: агент, з яким можна говорити голосом, а в деяких рішеннях ще й бачити його інтерактивний аватар. Такий агент добре підходить для першої лінії: привітати клієнта, зібрати інформацію, відповісти на типові питання і передати людині вже підготовлений запит. Коли систему можна побачити й почути, люди легше її сприймають і краще розуміють, що вона робить. Саме з такими інтерактивними агентами ми працюємо в OPV Systems.
Усе частіше з'являються гібридні команди, де частину ролей виконують AI-агенти, а частину люди, і вони працюють у тандемі. Агент у такій команді не лише виконує інструкції, а бере участь у процесі як колега: готує, перевіряє, нагадує і передає далі.
Як виглядає автоматизація на практиці
Кожен бізнес унікальний, і готового рішення «з коробки» немає. Але підхід повторюється:
- Подивитися, як робота виконується зараз. Найкраще, коли людина просто показує свій звичайний день: що відкриває, що копіює, кому пише, де чекає.
- Розібрати процес на кроки і знайти ті, що повторюються найчастіше і забирають найбільше часу.
- Автоматизувати по одному кроку. Замість великої системи, яку віддають через пів року, краще додавати маленькі «цеглинки» і показувати результат одразу. Так видно прогрес з перших тижнів, а не в кінці проєкту.
- Залишити людину в процесі. Інструмент має показувати, на якому він етапі, що робить і який результат віддає. Працівник стежить за процесом і втручається там, де потрібне його рішення.
- Навчити команду. Добре налаштований інструмент простий у використанні і зроблений під конкретні вимоги команди, тому розібратися з ним може будь-хто.
Деякі задачі автоматизуються за тиждень, інші потребують місяця чи кількох місяців. Це залежить від процесу і систем, з якими треба працювати.
Мета не в тому, щоб прибрати людей. Мета в тому, щоб один працівник міг виконати роботу кількох і при цьому не перевантажуватися.
А що з даними?
Це перше питання, яке ставить будь-який власник, і правильна відповідь залежить від компанії.
- Хмарні моделі (наприклад, Anthropic чи OpenAI) дають найкращу якість і швидкість. У бізнес-планах провайдери пропонують умови, за якими дані клієнта не використовуються для навчання моделей. Конкретні умови варто перевіряти для кожного провайдера.
- Локальні моделі працюють на власному сервері компанії, і дані взагалі не залишають офіс. Відкритих моделей зараз багато (наприклад, Qwen, Gemma, gpt-oss), і кожна краще справляється з різними задачами. Для бізнесу, якому потрібна повна конфіденційність, можна зібрати власний AI-сервер, невеликий «міні-дата-центр» в офісі.
- Комбінований варіант: чутливі дані обробляються локально, а все інше через хмарні сервіси.
Межі
Я говорю саме про роботу, яка виконується за комп'ютером. Фізичні процеси (виробництво, склад, доставка) це окрема сфера. Але навколо них майже завжди є багато комп'ютерної роботи: замовлення, документи, комунікація, облік. І саме там найчастіше губиться час.
Також не все варто автоматизувати повністю. Рішення, за які відповідає людина, і розмови, де важливі довіра й емпатія, мають залишатися за людиною. Агент може підготувати все для такої розмови, але не повинен вести її замість людини там, де це має значення.
З чого почати
Спробуйте простий тест: попросіть кожного в команді записати, що він робив за комп'ютером протягом одного дня, і позначити дії, які повторювалися. Найчастіше саме в цьому списку і є перші кандидати на автоматизацію.
Якщо ви бачите, що ваша команда застрягла в операційці, і хочете зрозуміти, що з цього можна автоматизувати, напишіть мені або запишіться на дзвінок. Розберемо ваші процеси і подивимося, з чого почати.