Как мы построили команду из 14 AI-агентов

Это разбор того, как из идеи «давайте использовать ChatGPT для копирайтинга» мы пришли к 14 специализированным агентам, методологическому стеку и pipeline с критиком и QA. Без хайпа, с тем, что не сработало.

Что такое AI-агент в WRAW

Когда мы говорим «у нас 14 AI-агентов», мы имеем в виду конкретное. AI-агент в нашей системе — это три вещи в связке: профильная методология (например, STP и JTBD у стратега), собственный инструментарий (промпты, шаблоны, чек-листы, критерии качества), и место в pipeline (что приходит на вход, что уходит на выход, кто следующий в цепочке).

Это не «один человек с ChatGPT». Это и не «бот, который всё умеет». Это узко-специализированная роль с фиксированной зоной ответственности. Стратег делает стратегию. Аналитик делает аналитику. Копирайтер пишет тексты. Каждая роль работает по своей методологии, передаёт результат дальше по цепочке, и проходит независимую проверку перед сдачей.

Технически — это набор промптов, шаблонов и кастомных инструментов поверх современного LLM-движка. Claude от Anthropic — один из движков, который мы используем; но это не главное. Главное, что AI-агенты в WRAW работают как структурированный pipeline, а не как «отправили запрос — получили ответ».

8 решений, которые сработали

1. Узкая специализация важнее «универсального помощника». В 2023-м мы пробовали один большой промпт «маркетолог» — он закрывал все задачи на 60-70%. Когда разделили на стратега / копирайтера / аналитика — каждый стал закрывать свою задачу на 90+%.

2. Методология поверх промпта. Просто «напиши стратегию» — это плохой бриф для агента так же, как и для человека. Промпт стратега в WRAW начинается с «применить STP, проверить через JTBD, валидировать через SOSTAC». Это даёт агенту структуру, по которой он работает, а не свободное сочинение.

3. Pipeline с независимой проверкой. У нас есть отдельный агент-критик и агент-QA, которые проверяют работу каждого специалиста. Не «agreed-with-everything» проверка — а структурированный список вопросов: что не подтверждено фактом, где есть противоречия, где не хватает числа.

4. Внутренний инструментарий важнее внешних API. Мы построили собственные шаблоны и чек-листы для каждого агента вместо использования готовых «AI-marketing» сервисов. Это даёт нам контроль качества и независимость от чужих обновлений.

5. Маркеры «гипотеза» и «факт» в работе агентов. Каждое утверждение в выходе агента маркируется источником — `[ФАКТ BRIEF]`, `[ВЫВОД АНАЛИТИКА]`, `[ВЕРИФИЦИРОВАНО WEB]`. Это помогает критику и QA на следующем этапе и делает финальный документ для клиента отчётным.

6. Стандартизированная цепочка. У нас зафиксирован порядок: research → strategist → content → designer → critic → qa. Это сужает возможные ошибки и упрощает диагностику, когда что-то идёт не так.

7. Memory вместо «контекста в промпте». Каждый агент имеет доступ к структурированной памяти проекта — заметки о клиенте, прошлые решения, что не сработало. Это убирает «амнезию» между сессиями.

8. Открытая лаборатория. Мы публикуем заметки о том, что попробовали и что не сработало, в /lab. Это держит команду в дисциплине «честного процесса» и снимает соблазн «прятать ошибки».

4 ошибки, которые мы сделали

1. Сначала мы пробовали один универсальный «маркетолог»-агент. Он закрывал все задачи на средний уровень и был непригоден для работы с серьёзным B2B-клиентом. Решение — узкая специализация.

2. Мы недооценили важность критика. Первые 6 месяцев у нас не было отдельного агента-критика. Финальные документы выходили слабее, чем должны были. Когда добавили — качество скачком выросло.

3. Мы пробовали скрывать процесс от клиентов. Думали, что «AI» в публичной части напугает ICP. Оказалось, что публичный разбор процесса в /lab работает как доверие-сигнал — не наоборот.

4. Мы пробовали запускать агентов на чужих готовых платформах. Платформы регулярно меняли API, ломали наши workflows и накладывали ограничения на промпты. Перешли на собственный стек — стало стабильнее.

2 урока за 18 месяцев

Урок первый: AI-агент — это не магия, это методология. Если у тебя нет чёткой методологии, по которой работает специалист — никакой LLM не сделает работу хорошо. Сначала методология (как делать стратегию по STP+JTBD), потом промпт (как объяснить эту методологию агенту), потом проверка (как убедиться, что агент сделал именно по методологии).

Урок второй: pipeline побеждает «умного ассистента». Команда из 14 узких агентов, прошедших через критика и QA, делает работу лучше, чем один «универсал-консультант» с самым продвинутым LLM. Это контр-интуитивно, но это так. Поэтому WRAW — это не «AI-сервис», это пересобранное агентство, в котором структура команды другая.

Что дальше

Сейчас мы достраиваем 15-го и 16-го агента — под направление «Автоматизация процессов» (один анализирует as-is процессов, второй проектирует target-state). И продолжаем эксперименты с инструментарием для существующих 14: новые шаблоны, более жёсткие чек-листы критика, более структурированные тест-кейсы для QA.

Если интересно следить — публикуем заметки в /lab. Если хотите попробовать команду на своей задаче — опишите её, мы вернёмся с разбором за 24 часа.