Швейцарский нож управленца | AI для бизнеса, команд и социальных систем
Бизнес · 20 июня 2026 г.
Можно ли сегодня собрать проект с нуля с помощью нейросетей — не в теории, а в реальной... — 20 июня 2026 г. в 06:00:05.269
Можно ли сегодня собрать проект с нуля с помощью нейросетей — не в теории, а в реальной работе? Чтобы ответить на этот вопрос без хайпа и крайностей, делюсь экспертным взглядом практика. Специально для читателей «Швейцарского ножа управленца» своим опытом поделился Кондратов Михаил, руководитель разработки АОНО Диалог (@KondratovMikhail). Ниже — его разбор о том, где нейросети уже реально помогают собирать продукты, а где без сильной команды и управляемого процесса пока не обойтись. Можно ли создать проект с нуля с помощью нейросетей? Если говорить про веб-разработку, ответ зависит от масштаба. Небольшой проект нейросети уже помогают собрать почти полностью. С большим продуктом история другая: там AI не заменяет команду, но может заметно ускорить отдельные этапы работы. Первый сценарий — маленький проект. Лендинг, промостраница, прототип, простая админка, Telegram-бот или MVP — здесь нейросети уже закрывают большую часть черновой работы. Допустим, есть идея сервиса записи на консультации. Через ChatGPT или Claude можно быстро разложить её на сценарии: кто пользователь, что он делает, какие экраны нужны, какие данные хранятся, где ограничения. Идея сразу превращается в более понятную продуктовую схему. Дальше подключаются инструменты интерфейса: v0, Figma AI и похожие сервисы. Они помогают быстро собрать первый вариант страниц — главную, форму записи, личный кабинет, список заявок. Это ещё не полноценный продуктовый дизайн, но уже рабочая основа для обсуждения. Следующий этап — код. Cursor, GitHub Copilot, Codex, Windsurf и другие инструменты помогают писать компоненты, формы, валидацию, API-запросы, стили и базовую серверную часть. Для небольшого проекта этого часто хватает, чтобы получить первую рабочую версию. Но даже здесь нужен человек. Нейросеть может сделать аккуратный интерфейс и при этом ошибиться в логике. Может написать код, который хорошо выглядит на демо, но плохо масштабируется. Может не учесть безопасность, обработку ошибок и крайние сценарии. Поэтому в маленьких проектах AI — это очень быстрый исполнитель, но не владелец качества. Второй сценарий — большой проект. Здесь уже не работает подход «сделай систему целиком». Зато AI можно встроить почти во весь процесс разработки. На этапе идеи нейросеть помогает описывать целевую аудиторию, роли, сценарии, ограничения, бизнес-правила и основные сущности. Это полезно, когда мысль ещё сырая и её нужно быстро перевести в понятный для команды язык. На этапе аналитики AI помогает писать user story, acceptance criteria, декомпозировать фичи и вытаскивать неочевидные вопросы. Например: что показываем при ошибке, кто имеет доступ к данным, что происходит при повторном действии пользователя, какие есть состояния загрузки, пустого списка или частичной недоступности сервиса. На этапе разработки нейросетям лучше ставить не большие абстрактные задачи, а конкретные поручения. Не «сделай модуль клиентов», а: «Напиши компонент таблицы клиентов на React и TypeScript: с поиском, пагинацией, состояниями загрузки, ошибки и пустого списка, используя существующие UI-компоненты проекта». Отдельно важно задавать роль агента. Это сильно влияет на качество результата. Для ревью кода — senior frontend developer или tech lead. Для архитектурной проверки — software architect. Для анализа требований — business analyst. Для безопасности — application security reviewer. Один и тот же результат можно отдать нескольким ролям. Разработчик посмотрит на типизацию и читаемость. Архитектор — на связность модулей и расширяемость. Security reviewer — на доступы, обработку пользовательских данных и возможные уязвимости. Это не даёт идеала, но заметно повышает качество проверки.