Как в «Зерокодере» начали вайбкодить: 122 нетехнических сотрудника создали 90 рабочих AI‑агентов

Весной 2026 года «Зерокодер» месяц учил вайбкодингу 122 сотрудника без опыта в разработке: от стажеров до топ-менеджмента. Команда собрала 90 AI-агентов в рабочих процессах против четырех, которые до этого настроила штатная команда разработки.

По данным MIT Project NANDA, у 95% AI-пилотов в мире нет измеримого влияния на прибыль, а здесь почти все агенты работают и на третий месяц после сдачи. Поговорили с компанией о том, что этому помогло.

«Зерокодер» — крупнейший в России онлайн-университет технологичных профессий. Компания выросла из Telegram-комьюнити для увлеченных no-code разработкой.

До обучения по вайбкодингу в каждом отделе компании уже были свои связки генеративного AI. В коммуникациях аналитику по продуктам разбирали в ChatGPT, а подачу материала дорабатывали в Perplexity. Маркетинг вручную размножал один креатив под десятки площадок по 3–4 часа на задачу, и этой скорости уже не хватало для нужного объема.

Задача. Компания поставила цель довести 122 сотрудника без опыта в разработке, от стажеров до топ-менеджмента, до собственного работающего AI-агента за месяц. Условие было таким: агент должен встроиться в реальный процесс отдела, а не остаться красивым демо. Условие появилось не просто так: по данным MIT, 95% AI-пилотов в компаниях не доходят до влияния на прибыль именно потому, что застревают на этом переходе. Инструмент эффектно смотрится на демо, но ценности для бизнес-процессов не приносит, потому что его не используют.

Решение. «Зерокодер» провел сотрудников через программу вайбкодинга на Claude Code. Каждый учебный проект должен был закрыть реальную боль отдела, а не быть абстрактным заданием. Контроль качества звонков в продажах, подготовка урока в методическом отделе, оценка медиа-эффективности в коммуникациях: сотрудник брал процесс с заранее известными объемом и стоимостью, чтобы эффект можно было измерить сразу. Новые проекты встраивались в уже существующую агентскую архитектуру отделов, а не создавались с нуля отдельными скриптами.

Результат. 90 проектов интегрированы в операционные процессы компании против четырех, которые до обучения внедрила штатная команда разработки.

Несколько примеров внедрений с измеримым эффектом:

• Отдел продаж без разработчиков собрал систему ежедневной отчетности, которая подняла контроль качества звонков с выборочного «одного из десяти» до 100%: почти тысяча звонков в месяц разбирается автоматически.
• Методический отдел сократил подготовку урока с пары дней до 2 часов.
• Коммуникационный отдел получил расчет медиа-эффективности, который закрывает 80% потребностей PR-специалиста в анализе размещений и экономит компании 300 тысяч рублей в месяц на подписках мониторинг-систем.
• Маркетинг передал AI-агенту 10% бюджета: за 60 дней он заработал 2,6 млн рублей при вложениях в 7 раз меньших, чем в работу подрядчиков.

Показательно, что и внешние студенты курса, не сотрудники компании, в 90% случаев собрали работающие прототипы: CRM для HR-задач, генератор сопроводительных писем, систему резервного копирования документов, агента-аналитика для «Яндекс Маркета». Около 60% выпускников выложили финальные проекты в публичные репозитории на GitHub, потому что планируют их дорабатывать.

Не-программистов не обязательно сначала учить программированию, чтобы они начали вайбкодить. Гораздо важнее дать им реальную задачу, которую они хотят решить сами, и не забирать у них ответственность за результат. В команде сработало несколько принципов:

Учебный проект — реальная боль отдела, а не абстрактное задание. Если инструмент нужен сотруднику в работе уже завтра, он не станет делать красивую пустышку ради домашнего задания. Он будет разбираться, переделывать и добиваться результата.

Обязательная защита проекта. Важно не просто показать, что получилось, а объяснить, как это устроено. Если человек не понимает собственного проекта, он не сможет нормально его чинить и развивать.

Сложность удерживает, а не отпугивает. Постепенный переход от простых проектов к сложным агентным системам выглядел риском: казалось, мультиагентная оркестрация отпугнет большинство нетехнических сотрудников. На деле самые сложные уроки, про архитектуры, оказались самыми интересными, и у студентов появился азарт сделать что-то еще более автоматизированное. Курс прошли 74%: среди тех, кто отсеялся, костяк составили опытные разработчики, пришедшие учиться «по фану», а не нетехнические специалисты.

Ярлыки «технарь» и «гуманитарий» ничего не решают. Продюсеры и специалисты по коммуникациям формулировали требования к своим агентам не хуже иных разработчиков. Правило было простым: если человек не может объяснить, почему решение устроено именно так, значит он просто передоверил задачу машине.

Важно управлять ожиданиями руководителей. AI не превращает любую задачу в кнопку «сделать». Чтобы автоматизация действительно работала, ее нужно проверить, доработать и встроить в процесс.

Если хотите повторить такой подход у себя, вот шесть принципов, которые стоит учитывать на уровне бизнеса:

• Начинайте с измеримой бизнес-проблемы. Выбирайте задачи, где можно заранее оценить стоимость процесса в часах и рублях. Конкретный экономический эффект убеждает руководителей лучше, чем демонстрация возможностей AI.
• Считайте экономический эффект. Основные метрики — сэкономленные часы, снижение затрат и количество инструментов, которые продолжают использоваться после обучения. Удовлетворенность участников важна, но сама по себе не показывает бизнес-результат.
• Сравнивайте инвестиции в подписки на AI-инструменты с альтернативным способом решить задачу. Стоимость подписок и токенов имеет смысл сопоставлять со стоимостью разработки или подрядчика. Например, флагманский мультиагентный проект CMO команды стоит 300 долларов на подписку Claude Code Max за 2 месяца разработки и доработок, самую продвинутую в линейке Antropic на сегодняшний день. Если бы реализацию задач, которую делает эта система, передали подрядчикам, цена выросла бы в 7 раз. Траты на миллионы токенов при таких вложениях и высокой окупаемости проекта целесообразны: агент заработал за 60 дней 2,6 млн через «Яндекс Директ» при суммарных вложениях в 700 тысяч рублей.

• Будьте готовы работать с сопротивлением команды. Если команда не принимает новый инструмент, сначала стоит понять причину: непонятная ценность, отсутствие навыка, страх изменений или неудачный процесс внедрения. Это часть задачи руководителя, а не помеха проекту.
• Сразу формируйте реалистичные ожидания для топ-менеджмента. AI — это инструмент повышения производительности, а не автоматическая экономия. Эффект появляется тогда, когда созданные решения начинают использоваться в реальной работе и масштабируются на другие процессы.

За месяц обучения «Зерокодер» помог 122 нетехническим сотрудникам перейти от разрозненного использования ChatGPT к созданию 90 собственных AI-агентов. Спустя три месяца большинство из них продолжали использоваться в работе.

Компания получила новый способ решать операционные задачи: часть автоматизаций теперь создается непосредственно внутри команд, без отдельной разработки и долгого цикла согласований.