Изградих автоматизация за 30 минути, която три от най-мощните AI модела в света не успяха да направят правилно.
Нека бъда ясна от самото начало: не я изградих за 30 минути, защото съм някакъв гений.
Изградих я толкова бързо, защото зад тези 30 минути стоят 2 години практика, стотици провалени опити и безброй уроци, научени по трудния начин.
Но ето какво наистина ме накара да напиша тази статия.
Всеки ден виждам видеа и постове, които твърдят, че AI вече може да изгражда автоматизации “без човешка намеса”. Че просто трябва да опишеш какво искаш и LLM-ът ще се справи с останалото.
И честно казано? Този начин на мислене е опасен.
Не защото AI не е мощен. Той е.
Но защото създава фалшиви очаквания, които водят до загубено време, изхарчени пари и счупени системи.
Затова днес правя нещо различно.
Ще ви покажа резултатите от същото задание за автоматизация, което клиентът ми даде, и което аз предоставих на три различни AI модела: ChatGPT, Claude и Gemini.
Ще видите какво създадоха те.
Ще видите какво създадох аз.
И най-важното, ще разберете защо разликата има значение и какво означава това за всеки, който мисли да използва AI за автоматизиране на бизнеса си.
Предизвикателството: Реална заявка от клиент
Ето какво задание получих от клиент:
“От Google Sheet-а, от колоната Психопрофил под подточка 5) ‘Мачинг оси’, вземи точките от ‘Нужда от структура’ и ‘Емоционална подкрепа’ за студенти и ментори и ги сложи в отделни колони (‘Нужда от структура’ и ‘Емоционална подкрепа’), защото ще мачваме с тях, но те трябва да останат и в психопрофила.”
За хората без технически бэкграунд, нека преведа:
Клиентът имаше таблица с колона, съдържаща подробни психологически профили на хора. Скрити вътре в тези профили имаше раздел, наречен “Мачинг оси”, който включваше два конкретни резултата по скала от 1 до 5 за подточки: Нужда от структура и Емоционална подкрепа.
Тези резултати бяха скрити в параграфи текст и клиентът имаше нужда да бъдат извадени и поставени в собствени колони, за да могат да се използват по-късно в процеса, с друга автоматизация, за мачване на студенти с ментори.
Уловката? Оригиналната информация трябваше да остане точно както е. Без промени. Без изтривания.
Когато за първи път погледнах таблицата, разбрах задачата веднага. Вече виждах цялата автоматизационна архитектура в главата си.
Но преди да я изградя, исках да тествам нещо.
Исках да видя как трите най-популярни AI асистента ще се справят с точно същия проблем.
Експериментът: ChatGPT срещу Claude срещу Gemini
Не просто попитах всеки AI “Как би го направил?”
Това би било твърде лесно за отхвърляне.
Вместо това написах подробен, внимателно структуриран промпт, който описваше:
- Точния контекст
- Структурата на данните
- Бизнес изискването
- Техническите ограничения
- Очаквания изходен формат
Използвах същия промпт и за трите: ChatGPT, Claude и Gemini.
Ако AI наистина може да замени човешки автоматизационен архитект, това трябва да е лесно, нали?
Какво LLM-ите разбраха правилно
И трите AI модела правилно идентифицираха един критичен фактор: разпознаха, че задачата изисква REGEX (техника за съпоставяне на шаблони, използвана за извличане на специфични части текст от по-големи блокове текст).
Това всъщност е значимо.
Начинаещ, който изгражда автоматизации, вероятно би опитал да използва AI асистент за извличане на числата, което би било най-лошия възможен избор за клиента.
Защо? Ще обясня това подробно по-късно.
Какво LLM-ите объркаха
Всичко останало.
Нека бъда пряка: нито едно от трите решения не би работило в реална работеща среда.
Ето какво създаде всеки AI (без да изпадам в технически обяснения):
Решението на Gemini:
- Създаде фиктивни данни вместо да се свърже с реалния Google Sheet
Решението на Claude:
- Чете и записва файлове локално вместо да актуализира Google Sheet-а
- Завършва със създаване на нов файл всеки път вместо да актуализира съществуващата таблица
- Без обработка на грешки, когато данните липсват
Решението на ChatGPT:
- Използва webhook тригер (което няма никакъв смисъл за този случай)
- Прекалено усложнена логика за извличане
- Без отчитане на rate limits или API ограничения на Google Sheet (който между другото дори липсва тук)
И трите решения изглеждаха впечатляващи на повърхността.
И трите щяха да се провалят в реалния свят.
Човешкото решение: Какво реално изградих
Сега нека ви покажа какво изградих за онези 30 минути.
За читателите без техническа подготовка, ще обясня всяка стъпка на разбираем език.
Стъпка 1: Свързване с реалния източник на данни
Първо, свързах се директно с Google Sheet-а на клиента.
Не фиктивни данни. Не локален файл. Реалната таблица, с която работят всеки ден.
Това изглежда очевидно, но погледнете отново AI решенията: само едно от тях дори опита това, и то погрешно.
Стъпка 2: Филтриране на редовете, които се нуждаят от обработка
Добавих филтър, който обработва само редове където:
- Колоната “Психопрофил” съдържа данни, И
- Колоната “Нужда от структура” е празна
Мислете за това като за “портал за качество”. Той предотвратява автоматизацията от:
- Обработване на същия ред два пъти
- Опит за извличане на информация от празни клетки
- Презаписване на данни, които вече са обработени
Това е бизнес правило, не техническо изискване.
AI моделите не включиха нищо подобно, защото не разбират реалния работен процес.
Стъпка 3: Обработка по един ред наведнъж
Използвах нещо, наречено “Loop”, за да обработя всеки ред поотделно.
Защо по един ред вместо всички заедно?
Защото тази автоматизация актуализира външна система (Google Sheets) и има риск от:
- Дублирани актуализации
- Пропуснати редове
- Нестабилно поведение, ако опитаме да направим твърде много наведнъж
Когато изграждаш автоматизация, която да е работи в реална среда (production ready), стабилността надвишава скоростта всеки път.
Нито едно от AI решенията не отчете това.
Стъпка 4: Извличане на числата с помощта на REGEX
Тук се случва реалното извличане.
ChatGPT ми помогна да напиша код, който преглежда текста в колоната “Психопрофил” и използва REGEX шаблони за намиране на:
- “Нужда от структура: [число от 1 до 5]”
- “Емоционална подкрепа: [число от 1 до 5]”
Кодът извлича САМО числата и игнорира всичко останало.
Ето критичната разлика от AI решение:
Моят REGEX код е детерминистичен.
Той следва строги правила.
Или намира шаблона, или не го намира.
Няма “интерпретация”.
Няма “предположение”.
Няма “вероятно”.
Ако се счупи, ще го направи по предвидим начин и мога да го поправя, като добавя ново правило.
Стъпка 5: Проверка на резултатите
Преди да запиша каквото и да било обратно в таблицата, добавих още един филтър:
Този ред наистина ли има числа и за “Нужда от структура” И за “Емоционална подкрепа”?
Ако да → продължи към следващата стъпка.
Ако не → пропусни този ред и премини към следващия.
Това предотвратява автоматизацията да записва непълни или некоректни данни.
Отново, това е за надеждност в реална работна среда, не само “да го накараме да работи веднъж”.
Стъпка 6: Записване на данните обратно в Google Sheets
Едва сега записваме извлечените числа обратно в таблицата в правилните колони.
Стъпка 7: Изчакване преди обработка на следващия ред
Добавих 10-секундно изчакване между всеки ред.
Защо?
За да избегна претоварване на Google Sheets API с твърде много заявки твърде бързо, което би могло да доведе до провал на автоматизацията или временно блокиране.
Това е вид детайл, който се научава само от опит. AI моделите не включиха нищо подобно.
Стъпка 8: Затваряне на цикъла и повторение
Автоматизацията продължава да обработва ред по ред, докато всички редове не бъдат обработени.
Защо избрах REGEX вместо LLM асистент
И трите AI модела правилно идентифицираха, че е необходим REGEX. Но ето алтернативен подход, който можех да използвам:
Вместо REGEX, можех да изпратя всеки Психопрофил текст до AI модел (като Claude или GPT) и да го помоля да извлече числата.
Всъщност много начинаещи в автоматизациите биха направили точно това.
И защо не го направих?
Причина 1: Цена
Всеки път, когато се изпрати текст до AI модел се плаща за:
- Входни токени (текстът, който се изпраща)
- Изходни токени (отговорът, който се получава обратно)
При стотици или хиляди редове, това набързо се натрупва.
REGEX?
Напълно безплатен.
Работи локално.
Без API повиквания.
Без такси за използване.
Причина 2: Надеждност
Дори с перфектен промпт и ниски температурни настройки, AI моделът може да:
- Халюцинира числа, които не съществуват
- Интерпретира текста по различен начин от замисления
- Пропусне числа, които са форматирани леко по-различно
REGEX е 100% детерминистичен. Или съвпада с шаблона, или не съвпада. Няма двусмислие.
Причина 3: Скорост
REGEX работи моментално. Без забавяне на мрежата. Без чакане за API отговор.
AI моделът изисква:
- Изпращане на заявката през интернет
- Чакане моделът да я обработи
- Получаване на отговора обратно
Умножете това по стотици редове и само можете да си представите колко е значително забавянето.
Причина 4: Предвидимост и подобрение с времето
Ето най-важната причина:
REGEX се подобрява с всеки краен случай, на който попаднете.
Ако автоматизацията срещне нов формат, който не разпознава, то тогава просто мога да:
- Добавя нов шаблон към REGEX
- Тествам го
- Пусна го в релна работна среда
- Сега вече обработва този случай завинаги
С AI модел всеки нов краен случай изисква:
- Актуализиране на промпта (но отбележи, че не можеш да слагаш все повече и повече текст в промпта, защото на някакъв момент ще започне да връща само грешки)
- Тестване, за да се увериш, че не чупи други случаи
- Надежда, че моделът го интерпретира правилно всеки път
REGEX решението става по-надеждно с времето.
AI решението въвежда повече променливи.
Кога AI асистент би бил правилният избор?
Не казвам, че AI никога не е правилния инструмент. Има случаи, когато използването на LLM има смисъл:
- когато текстът е силно неструктуриран,
- когато шаблоните са твърде сложни за REGEX,
- когато трябва семантично разбиране, не само съпоставяне на шаблони,
- когато цената и скоростта не са критични фактори.
Но за това задание? REGEX беше правилния избор.
Целта не е “интелигентна интерпретация”.
Целта е абсолютна точност и повторяемост.
Реалните разлики: Защо човешкото решение работи, а AI решенията не работят
Нека разбия фундаменталните разлики по начин, който е важен за собствениците на бизнес, не само за разработчиците.
1. AI решенията не отчитат реалния хаос
И трите AI модела предположиха:
- Данните са чисти
- Форматът е последователен
- Нищо няма да се обърка
В реалността:
- Някои редове може да имат правописни грешки
- Някои може да използват различна пунктуация (тире срещу точка)
- Някои може да нямат данни изобщо
Моето решение обработва изрично всички тези случаи.
2. AI решенията нямат възстановяване от грешки
Какво се случва, когато REGEX не намери съвпадение?
В AI решенията: Ако въобще тръгне, автоматизацията или щеше да се срине, или да запише некоректни данни.
В моето решение: Редът се пропуска, а след това се преглежда ръчно, за да се изведе новия сценарий, който да се добави в Regex кода.
3. AI решенията не включат API лимитите
Google Sheets има лимити, които определят колко пъти в минута или на час можем да изпратим заявка. Ако се изпратят твърде много заявки твърде бързо, Google Sheets ще блокира, ще върне грешка и автоматизацията ще спре.
Нито едно от AI решенията не включваше никакво решения за проблема с лимита или не включваше някакъв вид изчакване.
Моето решение го прави.
4. AI решенията са “напиши json и забрави”
AI моделите изградиха автоматизации, които щяха да се пуснат веднъж (ако въобще могат да се стартират, някои от тях със сигурност нямаше) и после… какво?
- Как знаете дали е работило?
- Как знате дали нещо е се е провалило?
- Как го наблюдавате с времето?
Нито един от тях не засегна това.
Моето решение включва:
- Ясно логване на всяка стъпка
- Състояния на грешки, които могат да се наблюдават
- Процес, който може безопасно да се пусне отново, ако е необходимо
5. AI решенията не разбират “достатъчно добро” срещу “готово за продъкшън”
Това е най-голямата разлика.
AI решенията биха работили като “brainstorming сесия”, ако изобщо.
Те не биха работили дори в контролирано демо.
И определено нямаше да работят като система работеща в реална среда, която се пуска, обработва данните и не изисква постоянна грижа.
Какво реално доказва този експеримент
Това не е статия за “AI е лош” или “хората са по-добри”.
Това е статия за разликата между работещо демо и система работеща в реална среда.
AI е невероятно добър в:
- Разбиране на изисквания
- Предлагане на подходи
- Генериране на начални точки
- Обясняване на концепции
Но AI в момента не е добър в:
- Разбиране на оперативни ограничения
- Предвиждане на режими на провал
- Изграждане за дългосрочна поддържаемост
- Вземане на решения, базирани на бизнес контекст
Неудобната истина за “AI-изградени автоматизации”
Ето какво наистина искам да разберете:
Крайните данни не са продуктът.
Системата е продуктът.
Когато наемате някого (или използвате AI) да изгради автоматизация, вие не просто купувате:
- Workflow, който се пуска веднъж
- Скрипт, който работи с перфектни данни
- Демо, което впечатлява на среща
Купувата:
- Система, която обработва грешки грациозно
- Процес, който може да се наблюдава и подобрява
- Архитектура, която няма да се счупи, когато бизнесът ви се промени
И там AI все още не е на нужното нивото.
Не защото технологията не е впечатляваща. Тя е.
Но защото изграждането на системи, които да работят в релна среда, изисква преценка, опит и контекст, които AI няма.
Когато AI е твоя копилот, не твоя пилот
Нека бъда ясна: използвам AI всеки ден в работата си.
Използвам го за:
- Генериране на код по-бързо
- Проучване на различни подходи към проблем
- Документиране на работата ми по-ефективно
- Дебъгване на проблеми, на които съм се затънала
Но никога не се доверявам на AI да вземе финалното решение за:
- Архитектурни решения
- Стратегии за обработка на грешки
- Подходи за пускане на автоматизация в реална среда
- Компромиси между скорост, цена и надеждност
AI ускорява работата ми, но не замества преценката ми.
AI е като да имаш “junior” ниво програмист, който е невероятно бърз, знае много синтаксис, но никога не е пуснал нищо в реална среда.
Те могат да помогнат. Могат да ти спестят време. Могат да генерират идеи.
Но все още трябва някой с опит да прегледа работата им, да улови крайните случаи и да се увери, че е готово за пускане.
Какво трябва да извлечете от това
Ако сте собственик на бизнес, обмислящ автоматизация, ето какво има значение:
1. Не се доверявайте на “AI-изградени автоматизации” без човешки надзор
Ако някой ви каже, че може да изгради автоматизацията ви “100% с AI”, бягайте.
Не защото AI не може да помогне. Може.
Но защото системите работещи в реална среда изискват:
- Бизнес контекст, който AI няма
- Оперативен опит, който AI не притежава
- Решения за компромиси, които изискват преценка
2. Най-евтиното решение отначало обикновено е най-скъпото в дългосрочнен план
Полуработеща автоматизация, която изисква постоянни корекции, струва повече от правилно изградена система, която работи надеждно от първия ден.
Видях компании да плащат за една и съща автоматизация няколко пъти, защото продължават да избират най-евтината опция, която “изглежда достатъчно добра”.
3. Задайте тези въпроси
Преди да наемете някого (или да използвате AI) да изгради автоматизация, попитай:
- “Как автоматизацията ще обработва грешки?”
- “Какво се случва, когато форматът на данните се промени?”
- “Как ще следим дали автоматизацията работи?”
- “Може ли автоматизацията да се пусне отново, ако нещо се обърка?”
- “Какъв е планът ти за поддръжка с времето?”
Ако не могат да отговорят на тези въпроси ясно, те не изграждат за автоматизация, която да работи в реална среда за дълъг период от време. Изграждат демо.
4. Разберете разликата между “работещо” и “готово за пускане”
“Работещо” означава, че се пуска успешно веднъж или няколко пъти с добри данни.
“Готово за пускане” означава:
- Обработва лоши данни грациозно
- Включва възстановяване от грешки
- Може да се наблюдава
- Уважава API лимитите
- Може да се поддържа от някой различен от оригиналния създател
Това е разликата между автоматизация за 500 евро и автоматизация за 5000 евро.
И парадоксално, автоматизацията за 5000 евро обикновено е по-евтина дългосрочно.
Въпросът, който наистина трябва да си зададете
Не е “Може ли AI да изгради автоматизацията ми?”
А “Може ли човекът, изграждащ автоматизацията ми, да използва AI ефективно, докато същевременно гарантира, че това, което доставя, реално работи в реалния свят?”
Това е разликата между:
- Инструмент, който ти помага
- Система, която трансформира бизнеса ти
Искате да видите как се изграждат реални автоматизации?
Ако обмисляте автоматизация за бизнеса си и искате да работите с някой, който:
- Разбира разликата между демо и готова система
- Използва AI като инструмент, не като замяна на опита
- Изгражда системи, които се наблюдават, поддържат и са реално надеждни
- Предлага месечна поддръжка и оптмизация на автоматизацията
Тогава нека поговорим.
Ще прегледам процесите ви, ще идентифицирам какво си струва да се автоматизира и ще ви дам честна оценка дали автоматизацията има смисъл точно сега.
Без AI-генерирани обещания.
Без “пусни го и го забрави” приказки.
Само реален разговор за какво работи и какво не работи.
👉 Запази безплатна консултация тук
Една последна мисъл
Тази статия не е за това, че AI е безполезен. Тя е за това, че AI е разбран погрешно.
AI е невероятен инструмент, когато се използва правилно.
Но е опасен пряк път, когато се използва небрежно.
Компаниите, които печелят с автоматизация, ще бъдат тези, които разбират, че:
- Технологията е инструментът.
- Опитът е майсторът.
- И двете са необходими.
Кое от тях имаш ти?
