Могут ли бизнес-специалисты самостоятельно создавать системы с помощью ИИ: 3 условия и 5 ограничений на примере животноводческого предприятия

Примечание автора: генеральный директор животноводческой компании с примерно 120 сотрудниками самостоятельно создал систему управления хозяйством с помощью инструмента для программирования с ИИ. В этой статье мы не будем повторять тезис «теперь разрабатывать может каждый», а разберём, при каких условиях это получилось и с какими ограничениями по-прежнему сталкиваются бизнес-специалисты, создавая системы с помощью ИИ.

В ноябре 2026 года на Всемирной интернет-конференции в Учжэне объявили лауреатов премии в области передовых технологий. Платформа ИИ-агентов Qoder от Alibaba стала единственным китайским универсальным агентным продуктом, получившим награду. В публикациях об этом событии есть пример, который легко пересказать как историю о том, что «бизнес-специалисты тоже могут сами создавать системы»: Чжан Лифэй, генеральный директор животноводческой компании 西鲜记 из Нинся, за три с лишним месяца с помощью инструмента для программирования с ИИ создал несколько бизнес-систем, в том числе систему управления животноводством.

Это не история о том, как человек «с нуля за одну ночь стал программистом». Ранее Чжан Лифэй занимался разработкой в Huawei и Ericsson, а ещё отлично знал бизнес своей компании: животноводство, убой и переработку. Эти два условия определяют как то, о чём говорит данный пример, так и то, каких выводов из него делать нельзя.

Что вы узнаете: прочитав статью, вы сможете оценить, подходит ли ваша бизнес-задача для самостоятельной разработки с помощью ИИ, и поймёте, какие сложности возникают на трёх этапах: при описании требований, проверке результата и дальнейшем сопровождении.

Как сотрудники бизнеса сами создают системы с помощью AI: главное о кейсе

Сначала разберёмся с фактами, которые можно подтвердить по публикации, а затем обсудим, что они означают. Все данные в таблице взяты из материала GeekPark от 5 ноября 2026 года.

Как на практике выглядит самостоятельная разработка систем с помощью AI

В публикации есть деталь, которую легко упустить: Чжан Лифэй не просто «произнёс одну фразу и получил готовую систему от AI». Он одновременно открывает несколько сессий разработки и, пока одна задача выполняется, переключается на другую. После того как AI вносит изменения, Чжан сам проверяет результат и добавляет новые сведения о бизнесе.

По сути, это модель сотрудничества «эксперт по бизнесу + AI-исполнитель». Человек разбивает задачу на части, принимает результат и определяет направление доработок, а AI пишет и меняет код, а также запускает задачи. Если посмотреть на кейс с этой стороны, вывод становится яснее.

Как AI помогает специалистам создавать системы: какие барьеры он снижает

Разработка внутренних инструментов с помощью AI по сути перераспределяет работу, которую раньше выполняла небольшая команда. В таблице показано, кто отвечает за каждый этап традиционной заказной разработки в этом случае.

Как видно из таблицы, AI сильнее всего снижает барьер на этапе превращения понятных требований в работающий код, а также сокращает потери на коммуникацию между заказчиком и разработчиками. Раньше главной трудностью для Чжан Лифэя было отсутствие команды, которая могла бы воплотить его идеи в системе. И как раз этот пробел инструменты AI-программирования помогают закрыть лучше всего.

При этом проработка требований и приёмка результата никуда не исчезли — теперь они в большей степени ложатся на руководителя бизнес-направления. В самой публикации отмечается, что новая версия Qoder рассчитана на людей, «которые чётко понимают свою цель и могут оценить качество результата». Это важная оговорка.

3 условия для самостоятельного создания системы с помощью AI

Из этого случая можно выделить три условия, необходимые для успеха:

1. Понимать, в чём проблема: Чжан Лифэй чётко видел главную боль — прибыль от партии овец можно было узнать только после забоя. У задачи была конкретная бизнес-цель.
2. Уметь ясно сформулировать требования: описать поля, процессы и правила расчёта, а также задать проверяемые критерии приёмки, а не просто попросить «сделать систему управления».
3. Уметь оценить результат: опыт в разработке помогал ему разбираться в структуре, находить логические ошибки и вовремя поправлять AI, когда тот уходил не туда.

Первым качеством обладают большинство руководителей бизнес-направлений, а вот второе и третье становятся решающими. Люди без опыта разработки тоже могут справиться, но им придётся потратить дополнительное время на обучение. При этом один случай не позволяет судить о том, как часто они добиваются успеха.

🚀 Быстрый старт: если вы хотите без больших затрат проверить, удаётся ли вам чётко сформулировать требования, попробуйте использовать большую языковую модель, чтобы превратить описание бизнес-задачи в структурированный документ с требованиями. Через APIYI apiyi.com можно вызывать разные популярные модели с одним API-ключом. Это подойдёт для небольшого эксперимента, прежде чем вкладываться в полноценную разработку.

Прежде чем создавать систему с помощью ИИ, оформите требования в виде спецификации

Многие проекты по самостоятельной разработке проваливаются не потому, что ИИ не умеет писать код, а потому, что сами требования сформулированы расплывчато. Прежде чем приступать к работе, попросите модель превратить описание бизнес-задачи, данное своими словами, в список полей, правил и критериев приёмки. Затем проверьте каждый пункт.

Вот простой пример: он вызывает модель через OpenAI-совместимый интерфейс и преобразует описание задачи в спецификацию требований:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

desc = "三个养殖场，按批次记录每天饲料消耗和羊的体重，想在出栏前就知道每批羊大概赚多少钱。"
resp = client.chat.completions.create(
    model="gpt-4o-mini",  # Можно заменить другой моделью, доступной на платформе
    messages=[{"role": "user", "content": f"把以下业务需求整理成数据字段、计算规则和验收条件：{desc}"}]
)
print(resp.choices[0].message.content)

import openai
from typing import Optional

SYSTEM_PROMPT = (
    "你是资深业务分析师。请把用户的业务描述整理为：\n"
    "1. 核心数据实体与字段（含单位）\n"
    "2. 计算规则（写出公式）\n"
    "3. 验收条件（每条都必须可被人工检查）\n"
    "4. 需要用户补充确认的问题清单\n"
    "不要假设用户没说过的规则，不确定的地方放进问题清单。"
)

def build_spec(
    business_desc: str,
    model: str = "gpt-4o-mini",
    extra_context: Optional[str] = None,
    max_tokens: int = 1500
) -> str:
    """Преобразовать разговорное описание бизнес-задачи в спецификацию, которую можно проверить"""
    client = openai.OpenAI(
        api_key="YOUR_API_KEY",
        base_url="https://api.apiyi.com/v1"
    )
    content = business_desc
    if extra_context:
        content += f"\n补充背景：{extra_context}"

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": content},
            ],
            max_tokens=max_tokens,
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"调用失败：{e}"

if __name__ == "__main__":
    spec = build_spec(
        business_desc="按批次管理在栏羊，记录每日饲料消耗、体重和生长阶段，"
                      "希望出栏前估算每批羊的成本和利润。",
        extra_context="目前用 Excel 台账，有三个养殖场。"
    )
    print(spec)

Этот код не разработает систему за вас. Его польза в том, что он помогает обнаружить моменты, которые казались понятными, но на деле остались неясными. Чем длиннее список вопросов от модели, тем важнее сначала доработать требования и только потом передавать их инструменту для программирования с помощью ИИ.

Могут ли сотрудники бизнеса создавать системы с помощью ИИ: как оценить применимость

Этот пример показывает: при подходящих условиях сотрудники бизнеса могут самостоятельно создать внутреннюю систему с помощью ИИ. Но это не значит, что такой подход подходит для любой системы. Следующая таблица поможет определить, что можно попробовать сделать самостоятельно, а где лучше привлечь профессиональную команду.

Система управления животноводством компании 西鲜记 в целом соответствует левой колонке: она используется внутри компании для принятия решений о кормлении и отправке животных на продажу, а проблемы можно вовремя заметить. Если ваша задача относится к той же категории, стоит попробовать создать систему с помощью ИИ. Если же несколько пунктов попадают в правую колонку, надёжнее сначала сделать прототип с помощью ИИ и уточнить требования, а затем передать разработку профессиональной команде или купить готовый продукт.

Сравнение трёх подходов: самостоятельная разработка с помощью ИИ, покупка и заказная разработка

Если сравнить три подхода, различия станут нагляднее:

Эти подходы не исключают друг друга. Распространённый вариант — сначала самостоятельно создать систему с помощью ИИ, отладить процесс и проверить, действительно ли она нужна. А когда пользователей станет больше и данные станут чувствительнее, решить, стоит ли поручить профессиональной команде переработку системы.

Как создание систем с помощью ИИ силами бизнес-сотрудников влияет на компанию

Влияние на руководителей малого и среднего бизнеса

• Задачи больше не приходится откладывать из-за нехватки команды: у компаний вроде 西鲜记, где технической разработкой занимается всего один человек, раньше был выбор между «неподходящим универсальным ПО» и «дорогой заказной разработкой». Теперь появился ещё один вариант, который можно попробовать.
• Знание бизнеса становится ещё ценнее: тот, кто лучше всех понимает рабочие процессы, может напрямую заложить свой опыт в систему и постепенно дорабатывать её по мере использования. Так меньше информации теряется при «переводе» требований для разработчиков.
• Руководителю приходится тратить больше времени: по данным публикации, Чжан Лифэй занимался разработкой после работы и в перерывах между командировками. Потраченное время — тоже затраты, поэтому называть такое решение «бесплатным» было бы упрощением.

Влияние на профессиональные команды разработки и ИТ-отделы

• Роль смещается от «написания кода» к «подстраховке»: по мере роста числа инструментов, созданных бизнес-сотрудниками, профессионалы будут всё чаще нужны для проверки безопасности, настройки прав доступа, резервного копирования и интеграции систем.
• Растут риски теневых систем: если каждый бизнес-отдел будет самостоятельно создавать инструменты с помощью ИИ, данные окажутся разрозненными, методы расчёта показателей могут различаться, а после ухода сотрудников системы могут остаться без поддержки. Поэтому правила стоит установить заранее.

5 вопросов, на которые этот кейс пока не отвечает

В публикации описан успешный результат, но для принятия решений не менее важны и следующие сведения. В открытых материалах их пока нет:

Пока на эти вопросы нет ответов, разумнее считать этот кейс доказательством того, что подход осуществим при подходящих условиях, а не того, что «это под силу каждому».

Часто задаваемые вопросы FAQ

Как бизнес-специалисту самостоятельно создать систему с помощью ИИ: главное

• У истории успеха есть предпосылки: герой кейса разбирается и в разработке, и в бизнесе. Это не значит, что теперь каждый может создавать системы.
• ИИ снижает порог входа в разработку: писать код и вносить изменения становится быстрее, но формулировать требования и проверять результат по-прежнему должен человек.
• Что стоит попробовать создать самостоятельно: внутренние инструменты, которые не работают с чувствительными данными и в которых ошибки можно исправить вручную.
• Когда нужны специалисты: если система работает с персональными данными, платежами, сложными правами доступа или интеграциями с другими системами.
• Не забывайте о скрытых затратах: учитывайте потраченное время, стоимость инструментов и долгосрочную поддержку.
• Сначала проверка, потом вложения: с помощью APIYI apiyi.com можно недорого вызвать модель для подготовки спецификации требований, а затем решить, создавать систему самостоятельно, покупать готовую или заказывать разработку.

Итоги

Кейс 西鲜记 показывает: когда руководитель бизнеса понимает проблему, умеет сформулировать требования и оценить результат, инструменты ИИ-программирования помогают воплотить в жизнь системные проекты, которые раньше откладывали. Здесь есть три главных вывода:

1. Порог входа действительно снижается: ИИ уже способен взять на себя большую часть работы по превращению требований в работающий код.
2. Без человеческой оценки не обойтись: описание требований, проверка результатов и постоянная поддержка остаются за человеком, который разбирается в бизнесе.
3. Границы нужно определить заранее: безопасность данных, права доступа и долгосрочная поддержка определяют, какие системы можно создать самостоятельно, а для каких нужна команда специалистов.

Если вы планируете создать внутренний инструмент с помощью ИИ, начните с небольшого процесса, где цена ошибки невысока. С помощью ИИ оформите требования в спецификацию, создайте прототип и по результатам решите, что делать дальше. Для быстрой проверки можно воспользоваться APIYI apiyi.com: одного API-ключа достаточно, чтобы сравнить несколько популярных моделей.

📚 Источники

1. GeekPark — Что помогло Qoder занять первое место на китайском рынке ИИ-инструментов для программирования и получить награду World Internet Conference за передовые технологии: источник фактов для примеров в статье
2. Ссылка: geekpark.net/news/373542
3. Описание: кейс системы управления животноводством Xixianji, а также опыт использования ИИ для программирования в компаниях Geely, Shanda Huatian и других

Автор: техническая команда APIYI
Технические вопросы: если у вас есть вопросы о вызове моделей и подключении внутренних инструментов, свяжитесь с нами через главную страницу сайта APIYI apiyi.com