Cult.fit перевела разработку на Codex: соцлента за 2 месяца вместо года

Знакомая картина: одна команда сидит на одном ассистенте, другая на другом, у каждой свои правила для репозиториев и свои промпты. Знания не переносятся, ревью выглядит по-разному. Cult.fit, одна из крупнейших фитнес-компаний Индии (708 центров в 77 городах, почти миллион платящих участников), решила эту проблему радикально: выбрала Codex как единую платформу.

Важно сразу оговориться: это кейс-стади на сайте OpenAI, цифры приводит сама компания, и независимо их никто не проверял. Но набор практик в нём вполне конкретный и полезный.

Один инструмент вместо зоопарка

До стандартизации разработчики пользовались смесью агентов и ассистентов. Из-за этого у каждой команды были свои конвенции: структура репозиториев, инструкции для агентов, навыки, процессы. Теперь всё общее: структура, навыки (skills), тестирование, код-ревью и петли обратной связи.

Поверх этого построили специализированных агентов. SRE-агент собирает данные из систем наблюдаемости и логов, расследует инцидент и во многих случаях сам создаёт pull request с предложенным исправлением, а инженер его проверяет. Есть агенты безопасности, которые ищут уязвимости, и дежурные агенты для повторяющихся проблем в проде.

Компания движется и к spec-driven разработке: спецификация проводит задачу через весь жизненный цикл до PR, который смотрит человек. Пример: социальная лента в приложении. CTO Сантош Кумар оценивает, что раньше на неё ушло бы больше года, теперь команда выпустила её за два месяца. Это его оценка, а не замер.

Разработка для неинженеров

Второй шаг интереснее. Данные компании сделали удобными для Codex, и команды стали сами отвечать на рутинные вопросы, не стоя в очереди к центральным аналитикам. HR собрал себе workflow для performance review: расписание, сбор обратной связи, сведение результатов. За последние месяцы неинженеры сделали больше 20 внутренних приложений.

Отдельная история с дашбордами: когда внутренний сервис резко подорожал, один инженер за выходные воспроизвёл нужную функциональность на Codex. Теперь она работает на собственном приложении, экономия больше $100 000 в год.

Обратите внимание, как это внедряли. Не просто выдали доступ. Был большой хакатон, затем однодневная сессия для топ-менеджеров, где каждый собрал что-то для своей функции. Дважды в неделю проходят office hours, а инженеров встроили в отдельные подразделения для технической и доменной поддержки.

ИИ в продукте и поддержке

Через API OpenAI компания развивает AI Trainer, им пользуется около 20% посетителей залов. Новая версия голосовая: на GPT Realtime тренер подсказывает по ходу упражнений и помогает вести журнал тренировок. Учитывая, что более 45% участников пришли в зал впервые, ставка на сопровождение логична.

В поддержке агенты решают задачи, раньше требовавшие человека. Пример: участник просит снять штраф за пропущенное занятие. Агент проверяет сигналы вроде погоды в городе и посещаемости именно этого класса и принимает решение. Агентов встроили в существующую платформу Sprinklr и подключили к бэкенду. Расходы на поддержку, по данным компании, упали более чем на 50%.

Что из этого забрать

Первое: стандартизация важнее выбора лучшего инструмента. Единые конвенции дают переиспользование навыков и предсказуемое ревью. Второе: если у вас растёт счёт за внутренний SaaS, проверьте, не проще ли пересобрать его самим, но учтите стоимость поддержки, которую в статье не упоминают. Третье: обучение и встроенные инженеры, судя по всему, значили не меньше самой модели.

Ограничения очевидны. Нет данных о качестве и безопасности приложений от неинженеров, об устойчивости решений агента по штрафам и о том, сколько стоит поддержка этих самодельных систем. Это маркетинговый материал вендора, поэтому цифры стоит воспринимать как ориентир, а не как гарантию.