Агентные воркфлоу vs традиционная автоматизация

Модуль: 1. Фундамент мышления | Время: ~30 мин теории + 25 мин практики

Суть урока

Традиционная автоматизация — как рельсы. Поезд едет строго по ним. Отклонился — авария. Агентный AI — как строительная бригада, которая сама прокладывает эти рельсы. Разница не в том, как быстро едет поезд, а в том, кто и как строит путь.

Ключевые концепции

Чем ограничена традиционная автоматизация (Zapier, n8n, Make)
Где агентные воркфлоу (рабочие процессы) дают реальное преимущество — и где не дают
Важный нюанс: агент в деплое (деплой — развёртывание, публикация в продакшен) становится детерминированным (и это хорошо)
«Doctor vs pharmacist mindset» — почему важно понимать основы

Теория

Традиционная автоматизация: сильная, но хрупкая

🎨 Образ: Традиционная автоматизация — как кассовый аппарат. Нажал «говядина» — пробил говядину. Нажал «борщ» — нет такой кнопки, кассир завис. Он идеален для предсказуемых операций, но любое отклонение от прошитого сценария требует вмешательства человека.

Zapier, n8n, Make.com — отличные инструменты. Они работают в production (продакшене — рабочей среде) у миллионов компаний. Их нельзя назвать устаревшими или плохими.

Но у них есть фундаментальное ограничение: ты вручную прописываешь каждый шаг, и система строго следует этому сценарию.

Представь, что ты настроил автоматизацию: «Когда новый лид в CRM (си-ар-эм, Customer Relationship Management — управление отношениями с клиентами) → отправить приветственное письмо → добавить в Slack-канал → создать задачу в Notion».

Всё работает идеально — пока не появится исключение:

Лид заполнил форму дважды (дубль)
В поле «Имя» написал «Компания LLC» (не имя человека)
Пришёл лид из другой страны — нужен другой шаблон письма

Традиционная автоматизация встречает эти случаи и... ломается. Или отправляет неправильное письмо. Или создаёт дублирующую задачу. Ты получаешь уведомление об ошибке и идёшь исправлять вручную.

Главная боль: edge cases (нестандартные ситуации) требуют ручного вмешательства. Чем сложнее процесс — тем больше edge cases — тем больше ручной работы.

Где агентные воркфлоу выигрывают: стадия построения

🎨 Образ: Разница между Zapier и агентным AI — как разница между IKEA-инструкцией и опытным мастером. IKEA-инструкция точная, но рассчитана на стандартную стену. Мастер смотрит на твою конкретную стену, видит что она кривая, спрашивает «а вот здесь как хочешь?» и делает правильно с учётом реальности.

Вот ключевое понимание, которое многие упускают:

Агентный AI выигрывает не в рантайме (когда автоматизация уже запущена), а в стадии ПОСТРОЕНИЯ этой автоматизации.

Когда ты говоришь Claude Code «построй мне автоматизацию для обработки входящих лидов», агент (автономная программа-исполнитель):

Задаёт уточняющие вопросы о нестандартных случаях
Сам пишет логику обработки дублей
Добавляет условия для разных стран
Встраивает обработку ошибок

Всё это он делает во время построения, на стадии разработки. Он действует как опытный разработчик, который предусматривает edge cases заранее, а не ждёт когда они сломают систему в production.

Традиционный подход: ты сам думаешь о каждом edge case, вручную добавляешь условия в Zapier, тестируешь, обнаруживаешь новый edge case, снова правишь. Это долго.

Агентный подход: ты описываешь задачу и её контекст (содержание разговора видимое AI), агент строит более полное решение быстрее.

Важный нюанс: в деплое агент становится детерминированным

🎨 Образ: Агент строит систему как архитектор проектирует дом: умный, творческий, учитывает всё. Но когда дом построен — архитектор уходит. Дальше в доме просто живут по понятным правилам: включил свет — горит, открыл кран — течёт вода. Никакого «творчества» при каждом использовании.

Это понимают не сразу, но это критически важно для quality.

После того как Claude Code построил автоматизацию и ты задеплоил её в облако (например, в Cloudflare Workers или trigger.dev) — агент больше не участвует в процессе. В production работает обычный код: JavaScript (ДжаваСкрипт — язык программирования), Python (Питон — язык программирования), API (эй-пи-ай, Application Programming Interface — интерфейс программирования приложений)-вызовы.

Это хорошо, а не плохо. Вот почему:

Предсказуемость: каждый лид обрабатывается одинаково, не зависит от «настроения» LLM (эл-эл-эм, Large Language Model — большая языковая модель)
Скорость: нет лишних вызовов к AI — только чистая бизнес-логика
Стоимость: не платишь за API-вызовы при каждом запуске
Надёжность: нет «галлюцинаций» (галлюцинация — выдуманный AI факт) в production

LLM в деплое используется только там, где это действительно нужно — например, для генерации персонализированного текста письма. Но общая логика «если дубль → пропустить» выполняется как обычный код.

Образно: агент — умный архитектор, который проектирует дом. Но живёт в доме уже сам заказчик, не архитектор. Архитектор сделал дом умным один раз.

⚠️ Оговорка на октябрь 2026. Появились и агенты, которые работают постоянно: например, рутины (routines) в Claude Code выполняются в облаке по расписанию, а у ChatGPT есть режим Work для долгих задач. Принцип урока от этого не меняется: чем меньше LLM-вызовов в повторяющейся части процесса, тем предсказуемее, дешевле и быстрее работает система. Модель подключай там, где нужна гибкость. Что из этого доступно на твоём тарифе — на странице Актуальное сейчас.

Аналогия: рельсы своими руками vs бригада

Традиционная автоматизация (ты кладёшь рельсы сам): Берёшь каждый рельс, примеряешь, прибиваешь. Долго. Каждое разветвление (edge case) нужно предусмотреть заранее и проложить отдельный путь. Если забыл — поезд (данные) сходит с рельсов.

Агентные воркфлоу (бригада прокладывает рельсы): Говоришь бригаде: «Нужна дорога из точки А в точку Б, проходит через гору, нужно объехать болото, и чтобы можно было расширить потом». Бригада сама знает как прокладывать пути через горы и болота. Ты контролируешь направление, не каждый гвоздь.

Важно: бригада не едет по рельсам вечно. Она построила — и ушла. Поезд потом едет сам.

Doctor vs Pharmacist Mindset: почему важно понимать основы

🎨 Образ: Фармацевт и врач знают одни и те же лекарства. Но врач знает почему. Поэтому именно врач ставит диагноз, а фармацевт — выдаёт по рецепту. Если ты не знаешь что болит — к фармацевту не ходят.

Есть соблазн сразу прыгнуть в Claude Code и попросить «построй мне всё». Но тут появляется проблема.

Фармацевт выдаёт лекарство по рецепту. Он не диагностирует — он выполняет.

Доктор сначала понимает симптомы, ставит диагноз, потом назначает лечение. Он знает почему это лекарство, а не другое.

Claude Code — невероятно умный фармацевт. Он построит что ты попросишь. Но если ты не понимаешь что именно нужно построить — ты получишь красивое решение не для твоей проблемы.

Те, кто пропускают основы и сразу прыгают в Claude Code:

Не могут оценить качество того что агент построил
Не могут дать правильное задание (промпт — текстовый запрос к AI)
Не замечают когда агент идёт не туда
Не могут отладить когда что-то идёт не так

Именно поэтому в этом курсе мы не начинаем с «открой Claude Code и напиши первый промпт». Мы начинаем с понимания рынка, инструментов, структуры.

Практическая аналогия: если ты никогда не готовил, тебе поможет кухонный робот? Да, но только для очень простых блюд. Для сложных тебе нужно хотя бы понимать что значит «обжарить до золотистой корочки» — иначе ты не поймёшь было ли сделано правильно.

🎨 Образ: Используй Zapier как хороший калькулятор: для чёткой математики — идеален. Не пытайся на нём писать эссе. Claude Code — как Word: умеет и посчитать, но лучше использовать по назначению.

Где традиционная автоматизация всё ещё лучше

Честность важна: Zapier и n8n не мертвы. Они лучше чем агентный подход когда:

Задача абсолютно стандартная и никогда не меняется
Нет edge cases вообще (например, «каждый понедельник в 9:00 отправить отчёт»)
Тебе важна максимальная визуальная прозрачность (drag-and-drop схема)
Команда без технических навыков должна сама редактировать автоматизацию

Агентный подход лучше когда:

Много нестандартных случаев
Процесс меняется часто
Нужна обработка неструктурированных данных (текст, письма, PDF)
Скорость построения важнее максимальной прозрачности

Практика

Задание: Пройти один воркфлоу вручную в Zapier, потом то же самое попросить у Claude Code.

Шаг 1 (15 мин) — Zapier:

Зарегистрируйся на zapier.com (бесплатный план: на октябрь 2026 это 100 задач в месяц и только двухшаговые Zap, для этого упражнения хватает)
Создай простой Zap: «Новая строка в Google Sheets → Отправить email через Gmail»
Обрати внимание: сколько шагов, сколько кликов, что надо настроить вручную

Шаг 2 (10 мин) — сравни:

Открой новый чат с Claude (без Claude Code пока)
Напиши: «Я хочу автоматизацию: когда появляется новая строка в Google Sheets, отправлять email. Что мне нужно настроить, какие edge cases учесть?»
Сравни ответ с тем что ты видел в Zapier

Что должно бросится в глаза: Claude сразу спросит или упомянет вещи которые Zapier требует решить вручную (что делать с дублями, как обрабатывать пустые строки и т.д.)

Частые ошибки

❌ Ошибка: Считать что Zapier/n8n теперь бесполезны и всё нужно делать через агенты (автономные программы-исполнители). ✅ Правильно: Для стандартных задач без edge cases (еженедельный отчёт, простая рассылка по расписанию) традиционная автоматизация проще и дешевле. Агентный подход сильнее там, где много нестандартных ситуаций.

❌ Ошибка: Оставлять LLM-вызовы в production для каждого действия (каждый лид = вызов AI). ✅ Правильно: Агент строит систему на стадии разработки. В деплое работает обычный детерминированный код. LLM используется только там где действительно нужна генерация (персонализация текста, классификация нестандартных данных).

❌ Ошибка: Пропускать Doctor Mindset и сразу просить Claude «построй мне всё». ✅ Правильно: Сначала пойми бизнес-процесс который автоматизируешь. Какие edge cases бывают? Что значит «правильно» для этого процесса? Только потом давай задание агенту.

Сравнение подходов: Quick Reference

Параметр	Zapier / n8n / Make	Агентный AI (Claude Code)
Построение	Drag-and-drop, вручную	Описываешь на естественном языке
Edge cases	Добавляешь правила вручную	Агент предусматривает при построении
Рантайм	Детерминированный код	Детерминированный код (после деплоя)
Стоимость рантайма	Низкая	Низкая (без LLM-вызовов)
Сложные данные	Плохо (текст, PDF, email)	Хорошо (LLM понимает контекст)
Визуальность	Высокая (схема видна)	Низкая (код + markdown — Markdown — язык разметки текста)
Порог входа	Низкий (no-code)	Средний (нужен промптинг)
Скорость изменений	Медленная (ручная перенастройка)	Быстрая (переописал задачу)

Инструменты и ресурсы

Zapier — для практического понимания традиционной автоматизации (бесплатный план)
n8n — альтернатива Zapier: можно поставить на свой сервер (версия Community Edition бесплатна) или взять облачный тариф; цены смотри на странице Актуальное сейчас
Make.com — ещё одна визуальная платформа автоматизации (бывший Integromat)
Claude.ai — для сравнительного теста в практике
Claude Code docs — официальная документация
trigger.dev — современная платформа для агентных воркфлоу в production

→ См. урок Агентный рынок — где мы находимся и почему сейчас → См. урок Default Shift — как перестроить мышление под агентный подход → См. урок WAT-фреймворк — архитектура агентных проектов

Ключевые выводы

Традиционная автоматизация хрупкая на edge cases — каждое исключение требует ручного добавления правила.

Агентный AI выигрывает на стадии ПОСТРОЕНИЯ: агент сам предусматривает нестандартные случаи во время разработки.

В деплое агент становится обычным детерминированным кодом — это предсказуемо, быстро и дёшево в работе.

«Doctor mindset»: понимай что и почему строишь, иначе не сможешь оценить качество того что построил агент.

Следующий урок

→ Default Shift — как изменить мышление под AI-эпоху