Skip to content
Статья Nielsen Norman Group окт. 2026 г.

Nielsen Norman Group: почему агентные AI-системы становятся хрупкими

Почему агентные AI-системы становятся хрупкими

Таннер Колер из Nielsen Norman Group опубликовал эту статью 2 октября 2026 года. Она исследует паттерн, характерный для людей, создающих агентные AI-системы без инженерного опыта — авторы называют их «вайб-архитекторами». Поскольку AI делает создание систем почти бесплатным, нет давления, принуждающего расставлять приоритеты или планировать. Результат — то, что инженеры называют «большим комком грязи»: система, работающая до тех пор, пока её сложность не делает её неуправляемой, неотлаживаемой и нереконструируемой.

Статья основана на исследовании таких строителей и сопоставляет их поведение с пятью известными паттернами хрупкости в программном обеспечении.

Пять паттернов

Одноразовый код. Быстрый прототип — файл с правилами, автоматизация — никогда не предназначался быть постоянным, но становится тем, на что люди полагаются. Он не документирован и не протестирован.

Постепенный рост. Новые возможности добавляются к существующим инструментам без плана их взаимодействия. Система не достигает завершённого состояния — она только растёт, пока никто не может удержать её в голове целиком.

Лишь бы работало. Когда что-то ломается или деградирует, пользователи чинят это быстрыми AI-фиксами, не разбираясь в причинах. Со временем это разрушает их понимание того, где что находится и что делает каждая часть.

Заметание под ковёр. Беспорядочные файлы и информация сваливаются в одно неотсортированное место. Пользователь полагается на AI в поиске нужного — значит, структура существует только в интерпретации модели, а не в самих файлах.

Реконструкция. Системы перестраивают, когда они перестают соответствовать потребностям, когда никто их больше не понимает или когда появляется лучший подход. Реконструкция иногда правильное решение, но системы без архитектуры вынуждают к ней преждевременно.

Что делать вместо этого

Статья рекомендует чётко разграничивать три типа контекста: глобальный (применяется ко всей системе), локальный (для конкретной задачи) и амбиентный (потоки информации, которые агент ищет, а не читает целиком). Когда эта граница размывается — а это один из первых признаков — система уже накапливает технический долг.

Другие практические привычки: явно называть тип контекста при запросе изменений у агента; периодически проверять глобальный контекст и поддерживать его достаточно коротким для прочтения за один раз; перемещать неактуальный локальный контекст, а не оставлять его на месте; периодически пересматривать систему и проверять, используется ли и понятна ли каждая её часть.

Статья завершается диагностическим вопросом: можете ли вы сформулировать текущие ограничения своей системы и что именно вы бы в ней изменили? Способность ответить на него позволяет направлять реконструкцию до того, как она станет вынужденным сбросом.

Кому полезна эта статья

Всем, кто создавал AI-рабочий процесс, добавляя части по мере необходимости: дизайнерам, использующим агентов в Figma, исследователям с пайплайнами анализа интервью или писателям с накопленными файлами инструкций. Статья основана на наблюдаемом поведении, а не на теоретических моделях — это помогает распознать паттерны, уже присутствующие в вашей системе.