Выпуск №1
Аудит кода: 16 часов превратились в 2
Раньше на подготовку аудита клиентского проекта разработчику требовалось от 16 часов. Мы сделали AI-скилл, который проводит аудит по стандартам Kokoc.tech и формирует брендированный отчёт.
Теперь на ту же задачу требуется до 2 часов — трудозатраты сократились примерно на 87%.
Для клиента это означает, что техническую оценку проекта можно провести значительно быстрее, а разработчику не приходится тратить два рабочих дня на ручную подготовку отчёта.
Более низкая себестоимость позволяет использовать аудит и на этапе знакомства с новым проектом — без существенного роста нагрузки на команду.
Сайт за 8 часов
Новый сайт школы разработки Kokoc.tech стал ещё одним результатом работы с AI-инструментами.
Сайт полностью собрали на Cloud Code за 8 часов силами одного человека — вместо привлечения frontend-разработчика и дизайнера со стороны.
При этом это не просто тестовая страница: добавили микроразметку, страницу 404, Open Graph, robots.txt и sitemap, а форму заявки связали с Google Forms.
Меньше рутины — больше времени на проект
Не все эксперименты напрямую видит клиент. Но их эффект он может почувствовать.
Например, мы уже автоматизировали расчёт загрузки производственных команд. Раньше лиды разработки вручную сводили данные для отчётности, теперь инструмент экономит каждому около часа в месяц.
Сам по себе один час кажется небольшим результатом. Но принцип для нас важнее: если операцию можно безопасно автоматизировать, специалисту не нужно выполнять её руками. Его время можно направить на работу с командой и проектами.
По этому же принципу сейчас тестируем AI для документирования кода и написания тестов frontend-компонентов. В первом случае ожидаемый эффект — более быстрый онбординг в проект и снижение риска потери знаний при смене исполнителя. Во втором — возможность увеличивать тестовое покрытие без пропорционального роста трудозатрат разработчиков.
Не потерять то, о чём договорились на встрече
Ещё один процесс, который сейчас хотим улучшить с помощью AI, — встречи с клиентами.
В работе находится инструмент AI-транскрибации.
Задача инструмента — сократить время на ручное конспектирование и сделать договорённости доступными для последующего поиска.
В итоге меньше зависимости от заметок конкретного участника встречи и проще вернуться к тому, что обсуждали и решили раньше.
Быстрее готовить оценку проекта
AI тестируем и на этапе пресейла.
Сам процесс у нас уже формализован, но значительная часть работы выполняется вручную. Сейчас вместе с отделом продаж внедряем в него Claude.
Здесь важна не только скорость. Цель эксперимента — сократить время подготовки и повысить точность оценки для клиента.
Результаты пилота покажут, насколько Claude справляется с этой задачей на практике и стоит ли внедрять его в процесс пресейла.
От Figma до кода — с меньшим количеством ручной работы
Отдельно исследуем, насколько точно Claude способен переносить макеты из Figma во frontend-код.
Разработчик и сейчас может сверстать интерфейс в соответствии с макетом. Вопрос в количестве времени, которое уходит на саму вёрстку и последующую ручную доводку.
Поэтому задача эксперимента — добиться точного переноса макета с минимальным участием человека и сократить количество циклов правок после сдачи вёрстки.
Подход уже проверяем на реальном проекте — сборке сайта webprofy.ru. Эффект будем оценивать по результатам пилота.
Зачем нам для этого отдельный комитет
Мы не хотим внедрять AI просто потому, что появилась новая модель или инструмент.
Нам интересны сценарии, которые дают измеримый эффект: сокращают часы работы, снимают рутинные операции, помогают быстрее выполнять задачи или повышают точность процессов, от которых зависит клиентский проект.
Поэтому часть инициатив после тестирования пойдёт в работу, часть потребует доработки, а какие-то могут не подтвердить свою пользу.
В следующих выпусках дневника будем показывать результаты: что действительно удалось ускорить или автоматизировать и как это повлияло на нашу работу над проектами.
