Is AI Doing Less & Less?
Автор делится опытом построения AI-агента: за полгода 65% узлов рабочих процессов перешли с LLM на детерминированный код. Изначально всё было полностью агентным, но LLM работали уверенно, но не всегда точно. Вдохновившись minion-архитектурой Stripe, автор внедрил «блюпринты» — направленные графы узлов с детерминированными и агентными шагами. Сейчас 29% workflow-ов работают полностью на коде (обновления pipeline, чаты, маршрутизация почты), 36% используют LLM только для извлечения и синтеза, 21% — гибриды, и лишь 14% остаются полностью агентными (трансформации данных, разбор ошибок). AI делает меньше, но система делает больше — хотя с новыми моделями эти леса могут оказаться временными.
I started by asking AI to do everything. Six months later, 65% of my agent’s workflow nodes run as non-AI code.
Я начал с того, что просил AI делать всё. Шесть месяцев спустя 65% узлов workflow моего агента работают как код без AI.
The first version was fully agentic : every task went to an LLM. LLMs would confidently progress through tasks, though not always accurately.
Первая версия была полностью агентной: каждая задача уходила к LLM. LLM уверенно продвигались по задачам, хотя и не всегда точно.
So I added tools to constrain what the LLM could call. Limited its ability to deviate. I added a Discovery tool to help the AI find those tools. Better, but not enough.
Тогда я добавил инструменты, чтобы ограничить то, что LLM может вызывать. Ограничил её возможность отклоняться. Я добавил Discovery tool, чтобы помочь AI находить эти инструменты. Лучше, но недостаточно.
Then I found Stripe’s minion architecture. Their insight : deterministic code handles the predictable ; LLMs tackle the ambiguous.
Потом я нашёл minion-архитектуру от Stripe. Их идея: детерминированный код обрабатывает предсказуемое; LLM берутся за неоднозначное.
I implemented blueprints, workflow charts written in code. Each blueprint specifies nodes, transitions between them, trigger conditions for matching tasks, & explicit error handling.
Я реализовал блюпринты — схемы workflow, написанные в виде кода. Каждый блюпринт задаёт узлы, переходы между ними, условия запуска для подходящих задач и явную обработку ошибок.
extract_domain (code) → attio_find (code) → harmonic_enrich (code) → generate_summary (LLM, 1 turn) → notion_prepend (code)
extract_domain (код) → attio_find (код) → harmonic_enrich (код) → generate_summary (LLM, 1 ход) → notion_prepend (код)
This differs from skills or prompts. A skill tells the LLM what to do. A blueprint tells the system when to involve the LLM at all.
Это отличается от skills или промптов. Skill говорит LLM, что делать. Блюпринт говорит системе, когда вообще привлекать LLM.
Each blueprint is a directed graph of nodes. Nodes come in two types : deterministic (code) & agentic (LLM). Transitions between nodes can branch based on conditions.
Каждый блюпринт — это направленный граф узлов. Узлы бывают двух типов: детерминированные (код) и агентные (LLM). Переходы между узлами могут ветвиться в зависимости от условий.
Deal pipeline updates, chat messages, & email routing account for 29% of workflows, all without a single LLM call.
Обновления deal pipeline, сообщения в чате и маршрутизация почты составляют 29% workflow-ов — и всё это без единого вызова LLM.
Company research, newsletter processing, & person research need the LLM for extraction & synthesis only. Another 36%. The workflow runs 67-91% as code. The LLM sees only what it needs : a chunk of text to summarize, a list to categorize, processed in one to three turns with constrained tools.
Исследование компаний, обработка рассылок и исследование персон требуют LLM только для извлечения и синтеза. Ещё 36%. Workflow на 67–91% работает как код. LLM видит только то, что ей нужно: фрагмент текста для краткого изложения, список для категоризации — обрабатывается за один-три хода с ограниченным набором инструментов.
Blog posts, document analysis, bug fixes are genuinely hybrid. 21% of workflows. Multiple LLM calls iterate toward quality.
Посты в блог, анализ документов, исправление багов — это действительно гибридные задачи. 21% workflow-ов. Несколько вызовов LLM итеративно доводят результат до нужного качества.
Only 14% remain fully agentic. Data transforms & error investigations. These tend to be coding tasks rather than evaluating a decision point in a workflow. The LLM needs freedom to explore.
Только 14% остаются полностью агентными. Преобразования данных и расследование ошибок. Это скорее задачи на программирование, чем оценка точки принятия решения в workflow. LLM нужна свобода для исследования.
AI started doing everything. Now it handles routing, exceptions, research, planning, & coding. The rest runs without it.
AI начинал с того, что делал всё. Теперь он занимается маршрутизацией, исключениями, исследованиями, планированием и программированием. Остальное работает без него.
Is AI doing less? Yes. Is the system doing more? Also yes.
Делает ли AI меньше? Да. Делает ли система больше? Тоже да.
The blueprints, the tools, the skills might be temporary scaffolding. With each new model release, capabilities expand. Tasks that required deterministic code six months ago might not tomorrow.
Блюпринты, инструменты, skills могут оказаться временными лесами. С каждым релизом новой модели возможности расширяются. Задачи, которые шесть месяцев назад требовали детерминированного кода, завтра могут уже не требовать.