От ERP заводов
до AI в production

Я пришёл на Балтийский завод в Санкт-Петербурге в октябре 2017 года инженером первой категории. На бумаге это было «планирование судостроительных проектов в Primavera P6». На практике — многоуровневые сетевые графики на корабли, которые строятся 5–7 лет, спецификации на десятки тысяч позиций материалов, и ETL между Excel, Primavera и Infor LN, который пришлось писать самому, потому что «штатного решения нет».

Через четыре года меня перевели ведущим инженером-программистом — на этот момент уже писал собственные сеансы в Infor LN Studio на BAAN 4gl, оптимизировал многоэтажные SQL-запросы для multi-shop отчётов и преподавал цехам, как загружать прогресс в Progress Reporter. Параллельно — отчётность в IBM Cognos для финансового блока.

Что значит «production», когда у тебя на цеху десять тысяч материалов и одна опечатка в SQL стоит дня простоя? Я узнал это не из книжки. Production — это не «код, который работает у клиента». Production — это режим, в котором каждая твоя строчка прямо влияет на людей, которые сейчас стоят у станка и ждут, пока ты починишь.

Уроки, которые я унёс с собой — и которые до сих пор применяю в AI-системах 2026 года:

• · Любая ошибка имеет адрес. На заводе ты не можешь спрятаться за «merge-конфликт» — конкретный сварщик стоит и ждёт. Сегодня я так же отношусь к багам в production-AI: не «эфемерная гонка», а конкретный пользователь.
• · Логирование важнее красоты. Если что-то сломалось ночью — у тебя должна быть запись, по которой можно восстановить цепочку. С тех пор я не запускаю ни одного AI-агента без structured-логов.
• · «Работает» — это не качество, а вопрос времени. Любая система деградирует. Завод научил меня закладывать механику самоочистки и регулярных проверок, а не наивно верить в стабильность.

Сейчас на конференциях я часто слышу «у меня production-AI» от человека, который запустил chat-бота в Streamlit. Это не production. Production — это когда вы готовы получить звонок в 03:47 ночи о том, что ваш агент в очередной раз застрял.

В ноябре 2022 я переехал в Турцию — работать в IPL Consulting на западноевропейских и ближневосточных заказчиков. Через год — Болгария, Asertiva Solutions, EU-рынок. За эти два с половиной года я увидел, как одна и та же ERP-платформа — Infor LN — кастомизируется под автопром (включая Ferrari и Aston Martin), химию, фармацевтику и атомную энергетику (АЭС «Козлодуй»).

Звучит как маркетинговый bullet point. На практике — это сотни тикетов от компаний из разных стран и индустрий, каждый из которых требовал понимания, что «standard функционал» Infor LN — это лишь скелет. Реальная производственная логика клиента всегда обитает в кастомных 4GL-сеансах (BAAN), в overrides на VB.NET в Mongoose, в трёхъярусных Birst-отчётах, где половина DAX-формул — это «потому что в 2007 году так договорились».

Та же платформа. Те же таблицы. И — совершенно разные failure modes. На Ferrari заявка превращалась в полтонны кастомного кода, потому что у клиентов были специфические требования к traceability компонентов. На «Козлодуе» то же поле использовалось для регуляторной отчётности по 187-ФЗ КИИ-аналогам. Один баг в одной формуле — и ты получаешь либо неполную поставку запчастей в Маранелло, либо запрос от регулятора.

Это — главный enterprise-урок: production-системы не «работают». Они выживают через постоянную доработку под реальность. Они эволюционируют маленькими корректировками, потому что реальность меняется быстрее, чем твой spec. Если твоя ERP «просто работает» — значит, у тебя нет команды, которая её поддерживает, и через 18–24 месяца ты будешь делать тяжёлую миграцию или менять систему целиком.

Когда CTO мне сегодня говорит «мы внедрили AI-агента, он работает» — я не верю. «Работает» — это статика. Production AI — это непрерывный процесс, в котором кто-то каждый день смотрит на логи, evals и cost-метрики. Без этого — через полгода у тебя в проде что-то совершенно не то, что ты запускал в марте.

Второй enterprise-урок: регуляторика — это не paperwork, а инженерная задача. На атомной станции у тебя есть конкретные требования к traceability каждого изменения. В РФ 2026 — ФЗ-152 на персональные данные и 187-ФЗ на КИИ — это не «отдел compliance напишет». Это твой code, твоя архитектура, твои логи. Если ты этого не закладывал с первого дня — у тебя проблема.

Летом 2021, пока я был ведущим инженером на заводе, я записался на iOS Bootcamp от App Brewery и параллельно смотрел keynotes WWDC21. Я хотел научиться делать продукты, а не только кастомизировать чужие. Свой продукт — это другой режим работы: ты сам отвечаешь и за UX, и за back-end, и за то, чтобы человеку не было больно платить тебе деньги.

В течение года я написал больше двадцати iOS-приложений на Swift / SwiftUI / UIKit. Не все ушли в App Store — большинство были учебными, но за каждым стояла конкретная задача: интеграция с CoreML, ARKit для AR-сцен, StoreKit для in-app purchases, Catalyst для desktop-варианта. CoreData, Firebase, push notifications через APNs.

Что мне дал этот трек — кроме самого Swift? Понимание того, что real product-grade knowledge нельзя купить. Можно прослушать 40 часов курса, и ты будешь знать что такое @StateObject. Но что делать с обработкой ошибок StoreKit, когда у пользователя истёк AppleID, а receipt validation завис на 30 секунд — этому не научит никакая лекция. Это узнаётся только когда твоё приложение начинает терять реальные деньги на real users.

Это та же самая логика, что и с AI-агентами сегодня. Курсы тебе скажут, что такое RAG. Но что делать, когда твоя векторная база возвращает «нейтральный» chunk в ответ на критический запрос пользователя — этому не научат. Этому учит только собственный продакшн.

В ноябре 2024 я ушёл из Asertiva и присоединился к Syndicate Group в Москве — Middle Media-buyer. Затем — Senior Media-buyer в SweepStakes с сентября 2025. За шестнадцать месяцев через мои руки прошло $1.34M рекламного бюджета в крупнейших соц.медиа платформах, из которых ~$379k — чистая прибыль. ROI варьировался от 25% до 37% в зависимости от вертикали и периода.

Цифры — приятные, но не в них дело. Media-buying меня переучил архитектурно. Когда ты запускаешь A/B-тест с дневным бюджетом $2–5k, каждая лишняя секунда на загрузку лендинга — это минус 2% conversion rate и реальные деньги, которые ты сжигаешь. Не «теоретически». Сейчас. На твоих глазах. На дашборде Ads Manager.

Я начал смотреть на performance как media-buyer, а не как backend-инженер. Большая разница:

• · Инженер думает: «оптимизирую — потому что это правильно».
• · Media-buyer думает: «оптимизирую — потому что 200ms = $400 в день потерянной маржи».

Я начал кодить tooling: автозалив через FB Graph API, парсеры креативов, GPT-классификаторы спай-данных, интеграции с Keitaro через CAPI. Все эти штуки писались не «потому что cool» — а потому что вручную залить 300 креативов в сезоне — это потерять две недели бюджета.

И вот тут произошло переключение. Я понял, что лучшие software engineers, которых я видел в жизни, выходят оттуда, где cash burn виден ежедневно. Не из FAANG, где у тебя «sprint planning». А из мест, где если ты сегодня не доставил — завтра нечем платить. Trading-room, media-buying, e-com операции, маленькие SaaS. Эти люди другой формации.

Сейчас я применяю это к AI. Когда я строю систему для клиента, я думаю не «как сделать elegant», а «сколько эта система съест долларов в OpenAI в месяц при текущем трафике» и «какой ROI она даст». Если ROI < 3×, я не запускаю — у клиента ниже маржинальность, чем у моей нутра-кампании.

С 2025 года я веду свой production-флот. Это не «pet projects» в репозитории — это реально работающие системы 24/7, которые тратят и зарабатывают деньги. Если они падают — я узнаю через Telegram через 60 секунд, потому что у меня регрессионные мониторы и автоматический халт-механизм.

Что в нём прямо сейчас:

• · Trading-инфраструктура на Base CTF и Polygon CLOB — собственный bot-флот на Limitless / Polymarket / Bybit, который торгует крипту 24/7. С observability, halt-механизмами и регулярным postmortem-процессом.
• · AI Marketing-Ops Pipeline на 327+ FB кампаний — собственный @Analyticsfbbot, который long-polling-ом анализирует CAPI-метрики и шлёт алерты в Telegram при отклонениях.
• · Landing-page generator с интеграцией Keitaro API и Cloudflare — Tkinter GUI поверх AI-генерации, позволяет за 10 минут развернуть лендинг с подменой контента под гео.
• · OSINT-toolkit на 12 шагов методологии для проверки контрагентов в performance-маркетинге. Self-healing browser-automation через AdsPower dual-instance.
• · Cross-project memory + decision-log — SQLite-база со всеми Edit/Write/Bash из моих сессий с Claude Code, plus markdown-журнал решений с напоминаниями через Discord webhook.

Это работает на пяти VPS-серверах в Финляндии, Швейцарии, Австрии, Германии и Нидерландах, связанных AmneziaWG-mesh-ом, с алертами в Telegram и Discord, и регулярным VACUUM'ом SQLite-баз каждый квартал.

Главный урок, который я вынес: я не «учу» AI. Я его запускаю. И между этими двумя глаголами — гигантская пропасть, которую большинство людей не пересекли. Запустить — это значит знать, что делать когда OpenAI rate-limit'ит тебя в полночь, что делать когда твой evals провалил новую версию модели, что делать когда regulatory body в Москве задаёт вопросы о где хранятся PII.

Это и есть позиция «senior tech operator»: я не консультант с PowerPoint, я человек, который держит руки на штурвале.

Это самая полезная глава в этом эссе. Если вы CTO, founder или просто человек, который собирается потратить много денег на AI в 2026 году — прочитайте именно её. Я скажу неудобные вещи, которые редко произносят на конференциях.

1. AI-агенты не автономны. Они — вспомогательная сила в правильно построенной системе. Все «autonomous agents», которые я видел в продакшене в 2025–2026 году, на 80% состоят из детерминированного кода (валидация, retry, fallback, observability) и на 20% из LLM-вызовов. Если у вас наоборот — у вас не agent, у вас demo.

2. 95% «agentic AI» в 2026 — это переименованный RPA или chat-бот. Я не говорю «всё AI — обман» — это глупо. Я говорю, что маркетинговая категория «agentic AI» в 2026 размыта до уровня «всё что использует LLM». Gartner Apr 2026: agentic AI на Peak of Inflated Expectations, 40%+ проектов будут отменены к 2027. Не верьте слайдам — смотрите на eval-метрики и cost-структуру.

3. Что РЕАЛЬНО важно для production AI:

• a. Evals. Не «vibe-check», а воспроизводимые тесты на golden-датасете. Если у вас нет evals, вы летите вслепую.
• b. Observability. Каждый LLM-вызов должен быть в логах с input/output/cost/latency. Без этого вы не сможете разобрать, почему агент сегодня сделал глупость.
• c. Cost guardrails. Token-bomb атаки реальны. Без cap'а на расход у вас в худшем сценарии $50k overnight.
• d. ФЗ-152 / КИИ compliance. Если вы российское юрлицо — посмотрите на штрафы 2026: до 20M ₽ + 3% оборота за утечку ПД. С 1 янв 2026 — 187-ФЗ КИИ запрещает иностранное ПО в банках, нефтегазе, телекоме, госсекторе. Cursor / Claude / OpenAI = формальное нарушение.

4. OWASP LLM Top 10 — must-read 2025. Если у вас AI в проде и вы не читали последнюю редакцию OWASP LLM — отложите все дела и прочитайте. Indirect prompt injection (LLM01), system prompt leakage (LLM07), excessive agency (LLM06), token bombing (LLM10) — это не academic angst, это реальные атаки 2025–2026. CVE-2025-32711 EchoLeak — CVSS 9.3. CVE-2025-53773 GitHub Copilot RCE — CVSS 9.6. Это живая реальность.

5. Prompt injection проявляется в самых неожиданных местах. Я лично видел его в RSS-фидах, которые мой RAG индексировал, в email-сигнатурах, которые попадали в context, в комментариях к pull request'ам, на которые смотрел Copilot. Если ваш агент читает любые user-supplied данные — у вас есть attack surface.

Если у вас сейчас в проде AI-агент, и вы не знаете ответов на эти пять пунктов — это нормально. Так у большинства команд в 2026 году. Но это значит, что вам нужен внешний пятый глаз, который придёт и покажет — где у вас дыры. Я этим занимаюсь, и это одна из самых востребованных вертикалей моей практики.

После всего вышеописанного — что я делаю как услугу? Я разделил свою практику на четыре категории:

• · Связь с клиентами: AI-ассистенты в чатах (WhatsApp / Telegram / web), голосовая автоматизация через Vapi / ElevenLabs, AI-помощники по базе знаний компании.
• · Автоматизация процессов: n8n / Make пайплайны, обработка документов, marketing-ops автоматизация под FB / Keitaro, интеграции «всё что есть» с CRM/ERP.
• · AI-инфра: запуск и сопровождение собственных LLM-стэков (vLLM / Ollama / on-prem GigaChat для КИИ-требований), evals, observability, cost guardrails. Defensive AI security по OWASP LLM Top 10.
• · Разработка: backend на Python / Node.js, mobile (iOS native + cross-platform), frontend на React / Astro, интеграции с любыми API.

Кому я подхожу больше всего: B2B SaaS founder'ам 20–100 человек, performance-агентствам с $500K+/мес спендом, e-com mid-market с AI customer-support, юристам и медицинским клиникам под ФЗ-152. Кого я обходить буду: SMB с выручкой меньше 1M ₽/мес — у вас нет бюджета на мою практику, и я не хочу терять ваше время.

Если вы дочитали до сюда — значит вам интересно. Начните с AI-аудита за 5 000 ₽: за один рабочий день вы получите чёткое понимание того, что внедрять в первую очередь, какая будет окупаемость, и нужен ли вообще AI вашему бизнесу (иногда — нет, и я скажу об этом честно).