Как я заменил финансовый отдел цепочкой AI-агентов

У меня простое правило: если задача повторяется больше двух раз – её пора делегировать. Раньше делегировал людям. Теперь – AI-агентам, которые работают с базой данных, таблицами и трекерами напрямую.

За три месяца я собрал систему из 17 AI-скиллов, которая закрыла всю финансовую отчётность B2B-платформы с 200+ партнёрами. Без единой строки традиционного кода.

Контекст: B2B-платформа и финансовая рутина

Я работаю PO в B2B-платформе на стыке страхования и финансов. Мы агрегируем финансовые продукты для партнёров: банков, кредитных организаций, маркетплейсов. Каждый партнёр хочет видеть свою воронку: заявки, конверсии, выдачи, комиссию.

При 200+ активных партнёрах отчётность превращается в конвейер:

• Ежедневные отчёты – каждое утро партнёр ждёт цифры за вчера

• Месячные сверки – сотни строк сделок, разбитых по поставщикам, с разными процентами деления

• Ad-hoc запросы – “покажи конверсию по этому продукту за последние две недели”

• Юридические документы – генерация типовых договоров для новых партнёров

2-3 часа в день, два человека. Классическая задача на делегирование – но делегировать оказалось некому. Зато появился инструмент, который умеет работать с SQL, API и таблицами самостоятельно.

Не один агент – цепочка агентов

Важный момент: это не “один умный бот, который делает всё”. Это система из специализированных агентов, каждый из которых решает конкретную задачу. В терминологии Claude Code каждый агент – это скилл (slash-command) с чётко описанной логикой.

Агенты связаны между собой через общую инфраструктуру:

• MCP-сервер для базы данных (MS SQL, read-only) – агент формирует SQL, получает данные

• Google Sheets API – создание таблиц, запись, форматирование, формулы

• Google Drive – хранение файлов, загрузка вендорских выгрузок

• Таск-трекер – синхронизация с задачами команды

• GitLab API – анализ продуктивности разработки

Один агент генерирует финансовый отчёт. Другой – делает месячную сверку. Третий – собирает статистику по команде разработки. Четвёртый – транскрибирует аудиозаписи встреч и создаёт отчёты. Они не знают друг о друге, но работают в единой экосистеме.

Как работает самый частый скилл: финансовый отчёт

Менеджер вводит одну команду – название партнёра и период. Через 40 секунд в Google Sheets появляется готовый отчёт. Вот что происходит за эти 40 секунд:

1. Резолв контрагента Агент хранит маппинг человеческих псевдонимов на внутренние идентификаторы. Не нужно помнить UUID – достаточно короткого имени.

2. Запрос к базе данных Формируется SQL-запрос, который строит воронку по финансовому продукту: заявки → переходы → выдачи → комиссия. Запрос учитывает правильные статусы сделок – это отдельная история, потому что документация по базе и реальные индексы не всегда совпадают.

3. Агрегация Данные группируются по дням, считаются конверсии между этапами, суммы комиссий. У разных партнёров разные условия деления прибыли – агент это учитывает.

4. Запись и форматирование Таблица создаётся или обновляется: заголовки, данные, итоговые строки, числовые форматы, ширина колонок. Причём форматирование идёт строго после записи данных – если делать одновременно, API иногда применяет стили к пустым ячейкам.

5. Самопроверка Агент перечитывает записанное и сверяет с исходными данными. Это не перестраховка – Google Sheets API реально теряет строки при batch-записи. Без верификации ошибки неизбежны.

Месячные сверки: когда одного агента мало

Ежедневный отчёт – относительно простая задача. Месячная сверка – совсем другой уровень.

У одного партнёра трафик может идти через 3-4 поставщика. У каждого свой формат выгрузки, свои правила маппинга сделок, свои проценты. Нужно:

1. Загрузить файлы поставщиков из облака

2. Сопоставить каждую сделку с данными из нашей базы

3. Рассчитать комиссии с учётом разных сплитов для разных партнёров

4. Сформировать итоговый лист с формулами

5. Всё в одном документе с отдельными листами на каждого контрагента

Раньше одна сверка занимала полный рабочий день. Сейчас – команда с двумя параметрами и 3-5 минут ожидания.

Что ещё закрывает система

За три месяца агенты вышли далеко за пределы отчётности:

17 скиллов, 9 MCP-серверов (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Ни одной строчки Python, Go или TypeScript. Вся логика – в markdown-файлах с инструкциями для агента.

Почему Claude Code, а не LangChain

Я перепробовал несколько подходов:

• ChatGPT + Zapier – слишком примитивно, нет прямого доступа к базе

• LangChain/LangGraph – нужен разработчик, долгий цикл итерации

• Custom API + GPT-4 – работает, но каждое изменение = пересборка и деплой

Claude Code выиграл за счёт одной вещи: цикл обратной связи 30 секунд. Написал инструкцию → протестировал → поправил → работает. Без деплоя, без CI/CD, без Docker. MCP-серверы дают агенту прямой доступ к инфраструктуре, а скиллы – это просто текстовые файлы с бизнес-логикой.

Архитектура:

• Claude Code – рантайм, мозг

• MCP-серверы – мост к внешним системам (БД, Google, GitLab, Tracker)

• Скиллы – markdown-файлы с инструкциями (бизнес-логика)

• Google Sheets/Drive – слой представления для пользователей

Грабли, которые стоят вашего времени

Google Sheets API не атомарен. Записали 100 строк – в таблице может оказаться 97. Правило: после каждой записи обязательно перечитать и сверить. Без этого баги будут появляться регулярно и молча.

Документация базы врёт. MCP-сервер для SQL возвращает глоссарий с описанием таблиц. Но реальные значения полей-перечислений могут не совпадать с документацией. Мы потеряли день, пока не начали джойнить справочные таблицы напрямую вместо того, чтобы верить глоссарию.

Форматирование – отдельный этап. Если записывать данные и применять стили одновременно, API может отформатировать пустые ячейки (данные ещё не долетели). Сначала данные → проверка → потом визуал.

Контекст не бесконечен. При обработке больших объёмов (200+ строк) агент может потерять начальный контекст. Решение: агент ведёт лог каждого шага и периодически перечитывает его. Это звучит странно, но работает – по сути, агент создаёт себе “внешнюю память”.

Merge-коммиты дублируют статистику. При анализе продуктивности через GitLab API оказалось, что и feature-коммит, и merge-коммит считаются отдельно. А автогенерация (миграции ORM) может раздуть статистику на 20 000+ строк. Без фильтрации цифры бессмысленны.

Алиасы людей не совпадают между системами. Один и тот же разработчик может быть под разными именами в GitLab, трекере и корпоративной почте. Агент хранит маппинг алиасов – без этого отчёты по команде из 11 человек просто не соберутся.

Цифры

~60 человеко-часов экономии в месяц. Стоимость Claude Code – $200/месяц на Max-плане.

Три вещи, которые я вынес

AI-агенты – инструмент менеджера, не разработчика. PO, который понимает процесс, собирает рабочую автоматизацию быстрее, чем команда через классический цикл ТЗ → спринт → ревью → деплой. Потому что нет перевода с “бизнес-языка” на “код” и обратно.

MCP-серверы – это то, что превращает чат-бот в оператора. Без доступа к БД и API агент может только генерировать текст. С MCP он становится полноценным участником рабочего процесса, который работает с теми же системами, что и живой сотрудник.

Верификация важнее генерации. 80% усилий ушло не на промпты, а на систему проверок. Каждый шаг проверяется: данные записались? формулы сходятся? формат корректный? Агент, который не проверяет свою работу – это агент, который рано или поздно ошибётся молча.

Если вы менеджер и тратите часы на рутину с данными – начните с одного скилла. Автоматизируйте самый болезненный отчёт. Когда увидите, что задача на три часа делается за минуту – остальные 16 скиллов появятся сами.

Об авторе: Георгий Мотренко – PO / Head of Product Growth в B2B InsurTech/FinTech-платформе. Строит цепочки AI-агентов для автоматизации финансовых и продуктовых процессов.