Смерть SaaS и скорость как единственный ров в эпоху ИИ

«Вместо того чтобы софт оборачивал нейросеть, теперь нейросеть оборачивает софт», — утверждает Эндрю Ли, превращая ИИ-агентов из простых чат-ботов в автономных сотрудников с собственными Linux-серверами и SQL-памятью. В мире, где модели способны самостоятельно писать код и исправлять свои ошибки в реальном времени, традиционные «рвы» программных продуктов исчезают, оставляя стартапам лишь одно конкурентное преимущество — чистую скорость.

🚀 Запуск Tasklet: Стирание границ между чат-ботом и автоматизацией 0:55

В мире современного ИИ долгое время существовал разрыв между удобством общения с чат-ботами и эффективностью специализированного софта для автоматизации. Эндрю Ли (Andrew Lee), основатель Shortwave, представил свой новый проект — Tasklet.ai, который призван объединить эти две парадигмы . Как отмечает ведущий подкаста Нейтан Лабенц (Nathan Labenz), Tasklet предлагает опыт взаимодействия, сочетающий открытую природу ИИ-помощников с целеориентированностью традиционных рабочих процессов .

Идея Tasklet выросла из успеха Shortwave, почтового ИИ-клиента. В начале 2024 года команда Shortwave научилась эффективно подключать ИИ к сторонним продуктам через протокол MCP и API, позволяя пользователям автоматически обновлять данные в Notion, Asana или HubSpot прямо из почты . Пользователи начали просить о возможности запускать такие задачи автоматически, например, каждое утро до начала рабочего дня. Эндрю Ли осознал, что когда агент работает автономно, ему не нужен плотный интерфейс интеграции с почтой — нужен гибкий инструмент для общей автоматизации .

Tasklet работает на двух уровнях:

Верхний уровень — это агент как сущность, с которой можно общаться на естественном языке, ставить задачи и давать инструкции.
Нижний уровень — это конкретные «запуски» (runs), где агент выполняет работу, а пользователь может детально изучить каждый шаг процесса и дать обратную связь .

Разработка Tasklet началась в июне 2024 года, и за несколько месяцев платформа превратилась в полноценную среду для бизнес-операций . Эндрю выделяет три основные категории ценности, которые продукт приносит пользователю: управление подключениями к любым интернет-сервисам (от Gmail до корпоративных API), систему триггеров для автономного запуска и инструменты для командной работы и аудита .

🧠 Ставка на интеллект: Почему агенты побеждают жесткие сценарии 9:30

Традиционный подход к автоматизации, представленный такими платформами, как Zapier или n8n, опирается на жестко заданные рабочие процессы (workflows). Пользователь должен сам определить шаг №1, шаг №2 и условия перехода между ними. Эндрю Ли утверждает, что это был правильный подход год или два назад, когда модели были «умными, но недостаточно» . Однако сегодня стратегия его команды — «всегда ставить на модель» (bet on the model).

Основное различие заключается в том, кто контролирует процесс. В классическом софте управление берет на себя традиционный программный код, внутри которого могут быть вызовы LLM . В Tasklet ситуация инвертирована: модель находится «у руля» и принимает глобальные решения, используя код лишь как инструмент для исполнения конкретных задач .

Преимущества агентского подхода перед жесткими сценариями:

Отказоустойчивость: Если традиционный workflow встречает непредвиденную ошибку в данных, он просто ломается. Агент же способен проанализировать ошибку, найти обходной путь и продолжить работу .
Обработка нюансов: Модели гораздо лучше справляются с неоднозначными инструкциями и сложным контекстом, который трудно формализовать в виде блок-схемы .
Простота настройки: Вместо выстраивания сложных цепочек пользователю достаточно описать желаемый результат .

Эндрю признает, что на текущем этапе развития моделей агенты могут казаться менее надежными, чем отлаженные скрипты, в плане предсказуемости. Однако он уверен, что этот разрыв исчезнет в ближайшие полгода по мере выхода новых версий моделей, таких как Claude Sonnet 4.5 или 4.7 . Даже если пользователю нужны строгие ограничения (например, обязательное следование этапам), агент в будущем сможет сам генерировать программные «гарды» (guardrails) для обеспечения надежности .

✨ Оценка на основе «вайбов»: Стратегия скорости в эпоху перемен 21:40

В индустрии ИИ не утихают споры о необходимости формальных метрик оценки (evals) для моделей. Однако команда Tasklet сознательно делает выбор в пользу «вайбов» (vibes) — субъективного тестирования и интуитивного понимания качества работы . Эндрю Ли объясняет это экстремально высокой скоростью развития рынка.

Создание и поддержка сложных систем оценки требует времени, которое стартап не может себе позволить. Если Anthropic выпускает новую модель, пользователи требуют её немедленной интеграции. «Если бы наши эвалы показали плохой результат, мы бы всё равно внедрили новую модель, просто подправив промпты», — признается Эндрю . В текущих реалиях скорость и доступ к самым мощным возможностям ИИ важнее, чем формальное соответствие стандартам, таким как SOC2 .

Методология разработки в Tasklet строится на:

Внутреннем использовании (Dogfooding): Команда запускает множество собственных агентов для автоматизации внутренних процессов и первой видит любые сбои .
Постепенном раскатывании: Новые функции сначала тестируются внутри компании, затем предлагаются группе пользователей для добровольного тестирования, и только после анализа удержания (retention) становятся доступны всем .

На данный момент Эндрю считает модели Anthropic безальтернативными для агентских задач. Хотя модели OpenAI могут лучше справляться с разовыми ответами «вопрос-ответ», в длинных циклах (инструкция — вызов инструмента — ответ), повторяющихся десятки раз, Anthropic демонстрирует значительно более высокую стабильность и понимание контекста . Ранее в разговоре Нейтан Лабенц также упоминал, что считает Tasklet именно тем агентским опытом, который многие ожидали от OpenAI, но так и не получили .

🖥️ Агент как компьютер: инфраструктура и новые возможности Claude 25:06

Преимущество Anthropic в агентских циклах

В индустрии ИИ-агентов существует негласный консенсус, который часто расходится с публичными бенчмарками. Нейтан Лабенц отмечает, что хотя новые модели от OpenAI могут показывать более высокие результаты в тестах, на практике разработчики сложных систем всё чаще выбирают Claude . Эндрю Ли подтверждает это наблюдение: для длинных итеративных процессов типа «модель — инструмент — модель» решения от Anthropic, в частности Claude Sonnet, показывают себя значительно надежнее конкурентов .

По мнению Ли, лучшим индикатором реальной эффективности является ценообразование. Несмотря на то что OpenAI снизила стоимость своих моделей, Anthropic сохраняет более высокие цены на Sonnet, и пользователи не спешат уходить . Это свидетельствует о том, что «реальная полезность» (utility) модели в длинных циклах перевешивает экономию на токенах. В Tasklet это проявляется в способности модели выдерживать десятки шагов итераций, не теряя нить задачи. Ранее в разговоре они касались того, что ставка делается именно на возможности моделей, а не на жесткие сценарии, и Claude Sonnet в этом смысле становится «золотым стандартом» для агентских циклов .

Computer Use: интерфейс вместо API

Одной из самых обсуждаемых функций последнего времени стала возможность «управления компьютером» (Computer Use) через ИИ. Для Tasklet это открывает доступ к веб-ресурсам, которые принципиально не предоставляют API или ограничивают его использование, например, LinkedIn . Эндрю Ли описывает этот процесс как управление системой через серию скриншотов: агент «видит» экран, решает, куда кликнуть, и выполняет действие .

Однако у этой технологии есть существенные ограничения:

Стоимость: Постоянная передача и обработка скриншотов стоит во много раз дороже обычных текстовых запросов .
Скорость: Процесс пока остается медленным, так как каждый шаг требует цикла обработки изображения.
Лимиты итераций: В Tasklet существует техническое ограничение в 50 «ходов» на одну задачу, чтобы избежать бесконечных циклов и чрезмерных трат . Сложные задачи через Computer Use часто упираются в этот потолок, так как даже простой поиск десяти кандидатов на LinkedIn может потребовать десятков микро-действий .

Эндрю отмечает, что они рассматривали возможность использования более дешевых моделей (например, Gemini) для вспомогательных агентских задач, но это неизбежно ведет к потере «общего интеллекта» системы . Поэтому текущая стратегия компании — «тратить много денег на Sonnet», обеспечивая максимальную надежность выполнения .

Виртуальная машина для каждого агента 32:30

Философия Tasklet заключается в том, что агент — это не просто чат-бот, а полноценная вычислительная единица. Каждому агенту выделяется собственная изолированная среда . Сейчас инфраструктура Tasklet включает в себя:

Собственную базу данных SQL: Каждый агент может хранить структурированные данные и обращаться к ним.
Среду выполнения кода: Агент может писать и запускать скрипты для обработки данных.
Linux-контейнер: Команда сознательно отказалась от Windows из-за высокой стоимости и долгого времени «пробуждения» системы, остановившись на Linux как более эффективной среде для браузинга и работы с файлами .

В планах компании — дать агентам полный доступ к терминалу (shell) . Это позволит им выполнять системные задачи, такие как конвертация видео через ffmpeg, которые пользователи уже сейчас пытаются поручать ИИ . Ключевой вызов здесь — создать «иллюзию собственного компьютера» для сотен агентов пользователя, не оплачивая при этом сотни реальных машин. Для этого Tasklet использует специализированную облачную инфраструктуру, позволяющую мгновенно «замораживать» и «размораживать» состояние виртуальной машины (VM) .

Агент как долгосрочный виртуальный сотрудник 40:12

Важным открытием для команды Эндрю Ли стало то, как пользователи меняют свое отношение к агентам. Изначально Tasklet задумывался как инструмент для настройки автоматизаций: пользователь создает сценарий, и тот работает в фоне. Однако выяснилось, что люди хотят продолжать общаться с агентом даже после того, как он был «настроен» .

Это привело к трансформации модели взаимодействия:

Персонализация: Пользователи начали давать агентам имена (например, «Джо, мой помощник») и воспринимать их как долгоживущих сотрудников, а не разовые скрипты .
Гибридный режим: Агент может одновременно ждать триггера (например, входящего письма) и отвечать на прямые вопросы пользователя в чате .
Обратная связь (Human-in-the-loop): Нейтан Лабенц приводит пример: он поручил агенту искать научные статьи на Archive, но заметил, что тот дублирует результаты. Вместо того чтобы переписывать код, Нейтан просто дал агенту высокоуровневое указание в чате: «Пожалуйста, проверяй свою память перед началом поиска» . Агент сам обновил свои внутренние инструкции (SOP) и в следующий раз действовал корректно .

Такой подход превращает ИИ в «виртуального сотрудника», который обучается в процессе работы. Эндрю Ли подчеркивает, что большинство платных пользователей Tasklet ценят именно эту долгосрочную ценность: они возвращаются к одному и тому же агенту месяцами, постоянно дорабатывая его навыки .

🧠 Архитектура памяти и магия контекстного инжиниринга 50:12

По мере того как ИИ-агенты переходят от простых чат-ботов к долгоживущим виртуальным сотрудникам, разработчики сталкиваются с фундаментальной проблемой: как заставить модель эффективно работать с огромными массивами данных, не вызывая логических сбоев. Эндрю Ли (Andrew Lee) уверен, что ключ к успеху лежит не в увеличении размера промптов, а в принципиально ином подходе к управлению контекстом и инструкциями.

Борьба с конфликтующими инструкциями и переход к Just-in-Time промптингу 50:12

Одной из самых коварных проблем при создании сложных агентов является конфликт инструкций. Когда системный промпт становится слишком тяжелым, в нем неизбежно появляются противоречия, которые сбивают модель с толку . Нейтан Лабенц отмечает, что даже в руководствах по GPT-5 разработчиков предостерегают от создания противоречивых целей, так как это критически снижает производительность .

Чтобы решить эту проблему, Tasklet отказывается от гигантских статических промптов в пользу генерации инструкций «точно в срок» (Just-in-Time). Вместо того чтобы хранить все возможные сценарии в одном файле, система генерирует подзадачи и специфические инструкции для субагентов на лету, исходя из текущего контекста .

Эндрю Ли подчеркивает важность чистоты промптов:

«В нашей компании я — финальный цензор любого изменения в основном промпте. Я ищу прежде всего конфликтующие инструкции. Если над системой работают несколько человек, очень легко дать агенту два указания, которые он не сможет выполнить одновременно» .

Такой подход позволяет избежать «галлюцинаций из-за двусмысленности» и гарантирует, что на каждом этапе цикла агент четко понимает свой приоритет. Ранее в интервью собеседники уже обсуждали, как важно давать моделям право на ошибку, но именно чистота инструкций минимизирует эти риски.

Контекстный инжиниринг: иллюзия бесконечной памяти 53:30

Эндрю Ли предлагает заменить термин RAG (Retrieval-Augmented Generation) на более точный — «контекстный инжиниринг» . По его мнению, стандартный RAG слишком упрощает процесс, тогда как реальная работа с агентами требует сложного «водопровода» данных.

Для агента, который может работать месяцами и обрабатывать десятки тысяч писем, невозможно уместить всю историю в стандартное окно контекста . Решение Tasklet заключается в создании «иллюзии бесконечной памяти» . Это достигается несколькими методами:

Компакция контекста (Loom-based compaction): использование моделей для суммаризации длинных диалогов и превращения их в краткие тезисы .
Скрытие результатов инструментов: передача модели только необходимых данных, скрывая промежуточные технические ответы API .
Изоляция субагентов: передача субагенту не всей истории чата, а только специфического фрагмента, нужного для конкретной задачи .

Цель состоит в том, чтобы пользователь чувствовал: агент помнит всё, что было сказано год назад, хотя на самом деле система динамически подгружает только нужные фрагменты информации .

SQL-базы данных как замена традиционному RAG 57:30

Интересным открытием для команды Tasklet стало то, что современные модели (особенно Claude 3.5 Sonnet) справляются с SQL-запросами лучше, чем многие программисты . Это привело к отказу от простых JSON-хранилищ в пользу полноценных SQL-баз данных для управления состоянием агента.

В ранних версиях Tasklet использовался JSON-объект в системном промпте, который агент мог редактировать. Это работало для простых задач, но быстро «ломалось», когда объект разрастался и начинал потреблять слишком много токенов, мешая кэшированию . Переход на SQL позволил агентам самостоятельно:

Создавать структуры данных для долгосрочного хранения.
Выполнять SELECT-запросы для поиска нужной информации по истории .
Оптимизировать хранение, удаляя или архивируя старые записи.

Эндрю Ли скептически относится к сложным системам вроде HippoRAG или специализированным стартапам по управлению памятью . Его стратегия — верить в интеллект модели. Вместо того чтобы строить сложные графы знаний, Tasklet дает агенту стандартные инструменты поиска и БД, полагая, что «умная модель со старыми инструментами поиска работает не хуже, чем специализированная поисковая ИИ-система» .

Стратегия прямых API-соединений и господство над MCP 1:08:45

Tasklet заявляет о поддержке более 3000 бизнес-инструментов «из коробки» . Вместо того чтобы годами писать интеграции вручную, компания разработала механизм «прямых API-соединений» (Direct API Connections) .

Когда пользователю нужно подключить сервис, для которого нет готового плагина, Tasklet запускает автономный цикл:

Агент идет в интернет и ищет документацию API нужного сервиса .
ИИ изучает структуру HTTP-запросов и необходимых заголовков.
Система генерирует код для подключения и выполнения действий напрямую.

Этот метод оказался настолько эффективным, что пользователи Tasklet начали отключать официальные серверы протокола MCP (Model Context Protocol), например, для Notion, заменяя их на сгенерированные ИИ прямые соединения . По словам Ли, самописные API-интеграции работают надежнее и имеют меньше багов, чем универсальные протоколы.

Несмотря на это, Tasklet поддерживает и MCP, и платформы вроде Pipedream, и даже Computer Use для сервисов без API (таких как LinkedIn), предоставляя унифицированный интерфейс для управления доступами . Это превращает агента в полноценного сотрудника, который сам может «разобраться в инструкции» к любому софту и начать им пользоваться .

🛠 Эволюция протоколов, автономности и ИИ-разработки 1:18:30

Скепсис в отношении MCP: почему посредники могут стать лишними 1:18:30

В индустрии ИИ-агентов протокол Model Context Protocol (MCP) от Anthropic вызвал большой резонанс, однако Эндрю Ли относится к нему с долей скептицизма. В начале года команда Tasklet была воодушевлена этой технологией, видя в ней недостающее звено для интеграции сервисов . Но с выходом Claude 3.5 и последующих обновлений «приоритеты сместились».

Эндрю считает, что если основная цель MCP — предоставлять определения инструментов (tool definitions), то ценность протокола падает по мере роста интеллекта моделей. Современные LLM уже достаточно умны, чтобы самостоятельно изучать документацию API в интернете и генерировать нужные описания «на лету» . «Зачем нам MCP, если модель может просто зайти на сайт, просканировать API и напрямую вызвать эндпоинт?» — задается вопросом Ли.

Хотя MCP все еще полезен для упрощения авторизации (например, в Notion), Tasklet уже сейчас во многих случаях предпочитает переопределять стандартные инструменты MCP своими собственными, считая их более качественными . В долгосрочной перспективе Ли не верит в жизнеспособность вручную поддерживаемых «прослоек». По его мнению, модели станут настолько способными к рассуждению, что смогут самостоятельно группировать эндпоинты в логические цепочки, делая любые посреднические протоколы избыточными .

Главная метрика прогресса: от часов к кварталам автономности 1:23:50

Эндрю Ли придерживается мнения, что качество ответов ИИ на одиночные вопросы вышло на плато: разница между моделями в режиме «вопрос-ответ» становится едва заметной . Настоящим же мерилом прогресса станет длительность задач, которые агент может выполнять полностью автономно без участия человека.

Прогресс теперь измеряется не качеством одного шага, а способностью сохранять эффективность на протяжении сотен и тысяч итераций. Эндрю подчеркивает:

Модель, которая всего на 0,01% лучше на каждом шаге, в длинном цикле из 1000 шагов окажется радикально эффективнее конкурентов .
Мы переходим от сессий, длящихся минуты, к агентам, которые могут работать автономно часами, а в будущем — целыми кварталами .

В качестве примера таких «длинных» задач упоминается использование агентов для глубокого поиска контактов через Rocket Reach или Perplexity API . Ли отмечает, что некоторые пользователи уже создают для своих агентов отдельные корпоративные аккаунты, чтобы те могли полноценно вести переписку и управлять процессами как полноценные цифровые сотрудники . При этом Эндрю признает, что «петля обратной связи» с человеком (Human-in-the-loop) все еще нуждается в доработке: например, для таких бытовых задач, как заказ обеда на всю команду, агенту не хватает удобных пуш-уведомлений на мобильный телефон, чтобы вовремя подтверждать финальный выбор .

ИИ-инструменты в разработке: когда агент пишет сам себя 1:33:30

Внутри Tasklet разработка идет по принципу «ИИ строит ИИ». Команда отказалась от популярных фреймворков вроде LangChain в пользу собственного кода на TypeScript, полагаясь на инфраструктуру Google Cloud и модели Anthropic . Процесс написания кода практически полностью пропитан ИИ-инструментами:

Cursor и Claude Code: Большинство инженеров используют эти инструменты для написания кода, причем Ли оценивает объем кода, сгенерированного ИИ, как «значительное большинство» от общего числа строк .
Интеграция в CI: Claude Code интегрирован напрямую в процесс непрерывной интеграции для автоматического исправления багов и проверки тикетов из GitHub .

Ли приводит забавный пример «ленивой» разработки: когда ему нужно быстро получить аналитические данные, он пишет своему сооснователю, а тот просто пересылает ему скриншот из Claude Code, намекая, что Ли мог бы и сам ввести этот промпт . Статический контент сайта Tasklet, включая страницы цен и условия обслуживания, был практически полностью создан «в один проход» через ИИ-инструменты .

Самым впечатляющим примером является самотестирование: команда использует Tasklet для отладки конфигураций виртуальных машин и поиска багов в собственном интерфейсе. «Один из самых забавных демо-роликов, что я видел: агент открывает сайт Tasklet, заходит в настройки и начинает редактировать самого себя», — рассказывает Эндрю . Это создает своеобразный «зал зеркал», где границы между инструментом разработки и конечным продуктом окончательно стираются.

🛡️ Страхование рисков и закат вертикального SaaS 1:43:00

Финансовая оценка рисков и страхование ИИ-агентов 1:43:00

Одной из главных преград на пути к массовому внедрению автономных агентов в корпоративном секторе остается вопрос ответственности за ошибки. Нейтан Лабенц отмечает, что появление стандартов андеррайтинга (например, AIU1 от компании AI Underwriting) может стать поворотным моментом: финансовая оценка вероятности «галлюцинаций» или неправомерных действий агента позволит страховой индустрии сформировать рынок полисов для ИИ .

Эндрю Ли находит эту перспективу крайне привлекательной, проводя историческую параллель с ранними днями Airbnb. В свое время компания столкнулась с кризисом доверия, когда гости разгромили дом одного из хостов; внедрение масштабной программы страхования стало ключом к выживанию бизнеса и превращению его в глобальный бренд . Для Tasklet путь к успеху в сегменте Enterprise лежит не только через техническое совершенство, но и через статус «самого доверенного места» для развертывания агентов. Ли уверен, что ИТ-директора (CIO) охотнее одобрят внедрение систем, чьи риски прозрачны, комплаенс подтвержден, а возможный ущерб застрахован .

Экономика токенов: как достичь 85% кэширования 1:47:30

Переход от Shortwave к Tasklet заставил команду Эндрю Ли снова столкнуться с проблемой отрицательной маржинальности. Если Shortwave уже вышел на стабильную прибыльность, то Tasklet, потребляющий значительно больше токенов на одного пользователя, пока «сжигает» деньги . Решение этой проблемы Ли видит в двух плоскостях: использовании более дешевых моделей (таких как Claude 3.5 Haiku) и продвинутом контекстном инжиниринге.

Ключевым техническим достижением Эндрю называет доведение доли кэширования (cache hit rate) в Shortwave до 85% . Основные принципы оптимизации включают:

Иммутабельность логов: Агент никогда не должен изменять старые сообщения, так как любая правка в начале истории инвалидирует весь кэш .
Системные сообщения вместо системных промптов: Это один из главных инсайтов. Если поместить текущую дату и время в основной системный промпт, кэш будет сбрасываться каждую минуту. Вместо этого Tasklet использует «системные сообщения» (блоки XML), которые вставляются непосредственно перед сообщением пользователя .
Управление состоянием: Информация о пользователе и его «память» также передаются через эти динамические вставки, что позволяет сохранять основной контекст закэшированным для разных сессий и даже разных пользователей .

Отдельной проблемой остаются «зомби-агенты» — запущенные на бесплатных тарифах рекуррентные задачи, которые пользователи забывают отключить. Ли признает, что такие процессы могут обходиться компании в доллар в день на человека без какой-либо отдачи, и планирует внедрять механизмы проверки активности в приложении для автоматической приостановки забытых заданий .

Одна модель против мультиагентных систем 1:53:30

В индустрии ведется много споров о том, что эффективнее: группа специализированных агентов («математик», «программист», «писатель»), кооперирующихся между собой, или одна сверхмощная модель. Мнение Эндрю Ли здесь однозначно: для задач одного пользователя в рамках одного приложения одна большая LLM с полным контекстом всегда побеждает .

По его опыту, попытки разделить логику между несколькими агентами приводят к потере нюансов и деградации качества ответов. Мультиагентность оправдана только в сценариях, где сталкиваются интересы разных сторон (например, торговля или переговоры), где агенты не должны видеть данные друг друга по соображениям приватности или конкуренции . Во всех остальных случаях стратегия Tasklet — давать одной «умной голове» (такой как Claude 3.5 Sonnet или будущая Gemini 3) максимум инструментов и информации .

Конец эпохи вертикального SaaS 2:01:00

Самый радикальный прогноз Эндрю Ли касается будущего программного обеспечения как индустрии. Он полагает, что эпоха «вертикального SaaS» (специализированного софта для строительства, медицины или HR) подходит к концу. Горизонтальные ИИ-платформы заменят узкие нишевые решения, потому что современные модели становятся экспертами во всех областях одновременно .

Главные тезисы этой трансформации:

AI beats UI: Пользователю не нужен сложный интерфейс с десятками кнопок, если агент может выполнить задачу через чат или динамически сгенерировать нужную форму под конкретный запрос .
Динамическая генерация кода: В Tasklet уже прототипируют интерфейсы, которые агент создает «на лету» под нужды пользователя . Зачем покупать CRM для строительной компании, если общая платформа может мгновенно создать UI и логику, идеально подходящую именно под ваши процессы?
Самоуничтожение продуктов: Ли идет еще дальше, заявляя, что даже его собственный продукт Shortwave (умная почта) может стать не нужным, как только агенты научатся по одной фразе генерировать идеальный интерфейс для триажа писем с учетом всех персональных ограничений .

По оценке Эндрю, до момента, когда ИИ сможет полностью заменить сложные SaaS-продукты динамическими интерфейсами, осталось не «кварталы, но годы» — ориентировочно этот переход станет реальностью к 2027–2028 году .

🚀 Скорость как единственный «ров» в эпоху тотальной автоматизации 2:05:43

В финальной части беседы Нейтан Лабенц и Эндрю Ли переходят от обсуждения технических деталей — таких как использование виртуальных машин или борьба с галлюцинациями — к более глобальному видению будущего ИИ-агентов. Главный вопрос, который стоит перед индустрией: во что превращаются подобные инструменты в долгосрочной перспективе и как стартапам защищать свой бизнес, когда традиционные технологические барьеры рушатся под натиском нейросетей.

От чат-бота к виртуальному сотруднику 2:07:30

Нейтан Лабенц отмечает, что Tasklet ощущается не просто как очередной интерфейс для LLM, а как настоящий виртуальный сотрудник. В отличие от традиционного программного обеспечения, где пользователь взаимодействует с формами и кнопками, здесь основным методом связи остается естественный язык . Это позволяет агенту интегрироваться в рабочие процессы максимально бесшовно: пользователи уже начинают давать своим ИИ-помощникам имена и заводить для них отдельные корпоративные почтовые ящики, чтобы те могли действовать от своего лица, а не просто копировать действия владельца .

Эндрю Ли соглашается с тем, что «виртуальный сотрудник» — это правильная метафора для долгосрочного планирования, хотя компания намеренно избегает этого термина в маркетинге. Причина проста: слишком много стартапов давали подобные обещания и не выполняли их . По мнению Ли, путь к полноценному цифровому коллеге лежит не через создание сложных блок-схем или жестких сценариев (которые обсуждались в начале интервью), а через постоянное повышение надежности и автономности агента.

Сегодня Tasklet может успешно справляться с рутиной:

поиск спама в переполненном инбоксе;
генерация и отправка счетов;
выполнение простых административных поручений .

Однако амбиции команды простираются гораздо дальше. В будущем ИИ должен быть способен взять на себя управление целыми департаментами. Эндрю приводит пример малого бизнеса: владелец ресторана должен иметь возможность сказать агенту: «Я хочу сосредоточиться на кухне, а ты полностью возьми на себя маркетинговую кампанию и ведение соцсетей — действуй», и агент выполнит это от начала до конца . Мы уже вплотную приблизились к стандарту «лучшего из доступных людей» (по Итану Молклику) в решении бизнес-задач, и этот разрыв продолжает сокращаться .

Исчезновение классических «рвов»: кейс Zapier и Shortwave 2:11:20

Самым резонансным моментом дискуссии становится обсуждение конкурентных преимуществ или так называемых «рвов» (moats), защищающих бизнес от копирования. Эндрю Ли утверждает, что в мире ИИ старые правила больше не работают. Раньше технологические компании строили свою защиту на объеме накопленного кода или сложности интеграций. Сегодня эти активы обесцениваются.

В качестве примера Ли приводит такие платформы, как Zapier или Make (бывший Integromat). В течение десяти лет их главным «рвом» было огромное количество рукописных коннекторов к тысячам сервисов. Но с появлением прямого взаимодействия через API и возможностей Computer Use (подробно разобранных ранее), этот барьер исчез . Tasklet, существуя всего несколько месяцев, фактически обладает лучшей поддержкой интеграций, чем Zapier, которому потребовались годы на их создание .

Аналогичная ситуация происходит и с инфраструктурными проектами. Долгое время «рвом» для Shortwave было наличие собственного почтового клиента — любому конкуренту пришлось бы сначала потратить месяцы на написание аналогичного софта. Теперь же, по мнению Эндрю, достаточно попросить продвинутую модель написать почтовый клиент, и она сделает это за считанные минуты . Код перестал быть труднодоступным ресурсом.

Скорость внедрения как единственная стратегия выживания 2:12:55

Если код и интеграции больше не защищают компанию, что же остается? Ответ Эндрю Ли радикален: «Скорость — это единственное, что имеет значение» . В условиях, когда инструменты разработки становятся мощнее с каждым днем, преимущество получает не тот, у кого больше ресурсов, а тот, кто быстрее всех превращает новые возможности ИИ-моделей в работающие функции для пользователя.

Именно поэтому Эндрю так открыто делится техническими деталями устройства Tasklet — от архитектуры промптов до методов управления памятью. Он уверен: к тому моменту, как слушатели подкаста или конкуренты проанализируют его методы и попытаются их воспроизвести, его команда уже внедрит что-то принципиально новое .

Основные направления, на которых Tasklet фокусирует свою скорость:

Повышение интеллекта: использование новейших моделей (например, Anthropic Claude) сразу после их выхода.
Надежность: сокращение случаев, когда агент «роняет мяч» или путается в инструкциях.
Простота: минимизация усилий, которые пользователь тратит на постановку задачи .

В мире, где горизонты планирования сокращаются, а технологии обновляются еженедельно, «сокращение таймлайнов» становится главным максимом современного предпринимательства . Единственный способ не быть поглощенным волной автоматизации — это возглавить её, двигаясь быстрее, чем сама технология успевает превратиться в товар широкого потребления (commodity).