Пока одни компании стремятся адаптировать AI-инструменты к существующим процессам и повысить среди своих сотрудников уровень владения ими, другие компании выстраивают процессы с нуля — и сразу на основе AI-агентов. Такие компании называются AI-нативными — и их число на рынке только растет. 

«Онбординг AI-агентов и управление ими — это и есть ваша работа, независимо от роли в компании». К такому выводу пришел продуктовый эксперт Питер Янг, который побеседовал с руководителями AI-нативных компаний с оценками от $1 до $32 миллиардов. В этом адаптированном переводе его заметки разбираемся в том, что можно еще перенять из их опыта.

Питер Янг побеседовал с руководителями Linear (оценка в $1.25 миллиарда в 2025), Ramp ($32 миллиарда в 2025) и Factory ($1.5 миллиарда в 2026) — трех AI-нативных компаний — и выяснил, какие ключевые принципы лежат в основе их работы.

Вот несколько цитат:

  1. Nan Yu (Head of Product, Linear): «У вас появятся AI-сотрудники, которым можно ставить задачи и с которыми можно общаться так же, как с людьми».
  2. Geoff Charles (CPO, Ramp): «Если вы не используете Claude Code — какой бы ни была ваша роль — вы, скорее всего, работаете ниже своего потенциала».
  3. Eno Reyes (CTO, Factory): «Мы упаковали продуктовую работу, фронтенд, анализ данных и многое другое в переиспользуемые навыки, которые может применить любой сотрудник».

Давайте посмотрим, как это устроено изнутри.

Linear: AI-агенты как полноценные члены команды

Подход Linear к агентам во многом сформирован их продуктом — это среда для продуктовой разработки, адаптированная к AI-инструментам.

Linear: AI-агенты как полноценные члены команды

Агенты должны быть полноценными сотрудниками — их можно добавлять в проекты, назначать им задачи и упоминать в комментариях.

Но ответственность за результат всегда остается на человеке. Вот как в Linear строят продукт с участием агентов на каждом этапе:

  1. Понять проблему. Агенты читают и резюмируют все разговоры с клиентами из Intercom, Zendesk и Gong. Автоматически создают тикеты, находят дубликаты в бэклоге и назначают их нужной команде.
  2. Найти решение. Поскольку у агентов есть доступ к разговорам с клиентами, они помогают дорабатывать спецификации, вытаскивая подкрепленные данными инсайты из разных источников.
  3. Составить план. Агенты разбивают спецификацию на конкретные задачи и автоматически распределяют их по командам. Сейчас в Linear агенты создают большинство тикетов — задача человека сводится к проверке их работы и корректировке контекста.
  4. Исполнить. Баги и мелкие фичи сразу отдаются агентам вроде Codex и Cursor. Для сложных задач инженеры запускают Claude Code и используют Linear MCP, чтобы подтянуть полный контекст тикета.

«Кажется, что каждый квартал агенты берут на себя все больше. Новые модели и инструменты расширяют границу — от простых правок к все более сложным проектам».

Nan Yu (Head of Product, Linear)

Вот четыре совета от Linear о том, как выстроить работу, руководствуясь их принципами: 

  • Дайте каждому разработчику агентный инструмент для написания кода по умолчанию. Самый простой шаг: дать всем Cursor, Claude Code или Codex и отслеживать использование.
  • Добавьте асинхронного облачного агента для фоновой работы. Они могут за один раз закрывать мелкие задачи и баги. Здесь хорошо подойдут Cursor и Devin.
  • Настаивайте на том, чтобы дизайнеры и продакты работали напрямую с кодом. Агенты вроде Claude снижают порог входа для продактов и дизайнеров, позволяя им самостоятельно вносить изменения в код. Каждый должен стремиться стать билдером.
  • Продакты и маркетологи должны по умолчанию работать через AI-интерфейс. Эти роли должны выполнять 80–100% работы через чат — будь то Claude, ChatGPT, Notion AI или что-то похожее.

По мнению Nan Yu, в будущем люди будут работать с агентами на уровне спецификаций: определять, что и зачем делать — а все остальное делегировать.


***

***

Ramp: 4 уровня AI-грамотности

В 2025 году Ramp выпустил более 500 фич, достиг ARR в $1 млрд — и все это силами команды из 25 продакт-менеджеров.

Ramp: 4 уровня AI-грамотности

Секрет в том, что каждое подразделение (разработка, продукт, дизайн, продажи, маркетинг, юристы, финансы) работало с агентами.

Geoff Charles (CPO, Ramp) поделился фреймворком оценки AI-грамотности для каждого сотрудника:

  • L0: Иногда использует ChatGPT. Скорее всего, такой человек надолго в компании не задержится. По словам Джеффа, без самостоятельности и готовности развиваться в сторону AI-инструментов обучить человека до нужного уровня крайне сложно.
  • L1: Использует и адаптирует GPT, проекты и внутренние AI-инструменты. Такие люди экспериментируют с AI, но все еще не автоматизируют реальную работу.
  • L2: Автоматизирует часть работы. Такие люди могут собрать приложение или давать осмысленный фидбек по коду.
  • L3: Системные билдеры. Эти люди создают AI-инфраструктуру и формируют навыки, которые ускоряют работу всей команды.

Цель компании — двигать всех по этой лестнице.

— — L0 уходят сами.

— — — — L1 становятся L2.

— — — — — — L2 становятся L3.

— — — — — — — — L3 влияют на всю организацию.

Geoff Charles дал пять советов, которые помогут другим компаниям применить принципы Ramp в работе:

  • Уберите барьеры доступа к AI. Дайте доступ к популярным AI-инструментам без ограничений на токены и бюджеты, создайте внутренний репозиторий AI-навыков, откуда каждый может брать готовые решения.
  • Сделайте использование видимым. Заведите публичные Slack-каналы, где люди делятся тем, что создали с помощью AI. На общих встречах показывайте, как не-инженеры делают крутые вещи — например, финансисты строят систему управления бюджетами, а маркетинг автоматизирует создание сайтов.
  • Давайте поддержку. Проводите открытые воркшопы, где любой может прокачать навыки работы с AI. Назначьте AI-евангелистов, чьей работой будет помогать людям разобраться и дойти до aha moment.
  • Отслеживайте использование и вмешивайтесь. Ramp следит за потреблением токенов по каждому сотруднику во всех AI-инструментах. Руководство открыто делится этими данными, чтобы вмешаться, если у кого-то низкая активность.
  • Сделайте создание AI-инструментов требованием при найме. Собеседования для продактов теперь включают отдельный блок, где нужно построить рабочий продукт, а затем объяснить — зачем это сделано и как это работает.

«Ваша работа — автоматизировать вашу работу»

Geoff Charles (CPO, Ramp)

Factory: AI-native с первого дня

Компания Factory разрабатывает софт с помощью AI и в целом выстроена вокруг AI с нуля. Вот чем она отличается от других:

Продуктовые инженеры вместо продактов и разработчиков

Factory не разделяет продактов и инженеров. Вместо этого они нанимают продуктовых инженеров, которые управляют AI-агентами и работают вместе с ними. Типичный рабочий день выглядит так:

  1. Изучить трассировки запусков агентов, чтобы найти места, где система принимала неверные решения.
  2. Писать не код, а инструкции: обновить навык, добавить правило, поправить автоматизацию.
  3. Ревьюить только те pull requests, которые агенты сами пометили как высокорисковые (остальное агенты закрывают сами).
  4. Предлагать новые идеи и обсуждать приоритеты с коллегами и AI.

Это непростая работа, требующая глубокой экспертизы. Зато рычаг влияния огромный.

Кодовая база адаптирована к работе с AI-агентами

Чтобы агенты работали эффективно, им нужна кодовая база, в которой они реально могут действовать. Factory оценивает кодовые базы по пяти уровням зрелости. 

УровеньНазваниеОписаниеПримеры критериев
1Функциональный (Functional)Код запускается, но требует ручной настройки и не имеет автоматической валидации. Базовый инструментарий, который должен быть в каждом репозитории.README, линтер, проверка типов, юнит-тесты
2Документированный (Documented)Существует базовая документация и процессы. Рабочие процессы зафиксированы письменно, частичная автоматизация внедрена.AGENTS.md, devcontainer, pre-commit хуки, защита веток
3Стандартизированный (Standardized)Четкие процессы определены, задокументированы и обеспечиваются автоматизацией. Разработка стандартизирована по всей организации.Интеграционные тесты, сканирование секретов, распределенная трассировка, метрики
4Оптимизированный (Optimized)Быстрые циклы обратной связи и улучшения на основе данных. Системы спроектированы для продуктивности и постоянно измеряются.Быстрая обратная связь от CI, регулярная частота развертывания, обнаружение нестабильных тестов
5Автономный (Autonomous)Системы самосовершенствуются за счет сложной оркестрации. Сложные требования автоматически декомпозируются в параллельное выполнение.Самосовершенствующиеся системы

Большинству команд стоит начать с уровня 3.

Экспертиза кодируется в переиспользуемые навыки

Когда кодовая база готова к работе с агентами, следующий шаг — дать агентам знания для принятия качественных решений (по сути — текстовые markdown-файлы).

Factory использует навыки, чтобы превращать экспертные и корпоративные знания во что-то, чем может пользоваться любой агент или сотрудник. Вот список навыков, которые Factory применяет внутри, — со ссылками на их markdown-файлы, которые можно скопировать и адаптировать:

  1. Навык продакт-менеджмента. Продуктовые принципы, фреймворк 11-star experience (позаимствованный у Брайана Чески из Airbnb), шаблон PRD, критерии скоринга и языковые гайдлайны — все в одном markdown-файле.
  2. Навык интеграции фронтенд-интерфейсов. Инструктирует агента, как создавать фичи с использованием дизайн-системы Factory, правила маршрутизации и стандарты тестирования.
  3. Навык AI-аналитика данных. Учит запускать разведочный анализ, строить визуализации и генерировать статистические отчеты с помощью полной экосистемы Python.
  4. Навык внутренних инструментов. Помогает строить административные панели, консоли поддержки и операционные дашборды с надлежащим контролем доступа и встроенной функцией аудита.
  5. Навык вайбкодинга. Дает возможность быстро прототипировать новые веб-приложения с нуля на современных фреймворках.

Идея простая: если знания лучших сотрудников превратить в навыки — вам не нужно будет нанимать эксперта под каждую задачу.

6 шагов, чтобы применить все это прямо сейчас

Главный вывод: работа с агентами становится базовой функцией любой роли.

Вот что можно сделать уже сейчас.

От Linear:

  1. Переведите каждого разработчика на AI-инструмент для кодинга по умолчанию — Cursor, Claude Code или Codex.
  2. Дайте продактам и дизайнерам доступ к кодовой базе. Перестаньте пропускать каждое мелкое изменение через инженера.

От Ramp:

  1. Измеряйте уровень владения AI в команде. 
  2. Отслеживайте использование AI и включайте его в показатели эффективности.

От Factory:

  1. Оцените готовность вашей кодовой базы к работе с агентами. 
  2. Формализуйте экспертизу команды в переиспользуемые навыки. 

И главное: онбордите агентов так же, как онбордите людей. Давайте им контекст, подключайте к операционным процессам — и убедитесь, что за их результаты отвечает конкретный человек.