Asana: Codex сократил миграцию с пяти лет до двух недель
18 августа 2026 OpenAI опубликовала кейс Asana: компания удалила устаревшую тестовую систему Enzyme с помощью Codex за две календарные недели — при оценке проекта минимум в пять лет и около $6 млн на штат. Фактически ушло около 1,5 недели инженерного времени и примерно $12 тыс. на модель и инфраструктуру. Для вас это сигнал: пересмотреть отложенные проекты, которые годами откладывали как слишком трудоёмкие.
Коротко
- Что произошло: 18 августа 2026 OpenAI опубликовала кейс Asana — удаление устаревшей тестовой системы Enzyme с помощью Codex.
- Сроки: около 1,5 недели инженерного времени в течение двух календарных недель — при прежней оценке минимум пять лет.
- Стоимость: около $12 тыс. на модель и инфраструктуру против примерно $6 млн по оценке штатного плана Asana.
- Как работали: до четырёх агентов параллельно в отдельных копиях кодовой базы; инженер проверял прогресс дважды в день и ревьюил каждое предложенное изменение.
- Главное ограничение: это один кейс миграции, опубликованный поставщиком модели совместно с клиентом — не универсальный эталон.
- Главное последствие: агент способен резко изменить экономику отложенных задач, если работа проверяема, распараллеливается и допускает проверку человеком.
Что изменилось
18 августа 2026 OpenAI опубликовала кейс Asana — платформы для координации команд, которая сама использует AI-агентов в продукте и применяет тот же подход в инженерной организации.
Задача: удалить Enzyme — устаревшую тестовую систему, которая перестала поддерживаться и мешала модернизации фронтенд-стека Asana. До Codex проект оценивали минимум в пять лет и примерно $6 млн расходов на штат.
Как выполняли миграцию по данным OpenAI и Asana:
- стартовый промпт — пять предложений;
- до четырёх агентов для кода работали параллельно, каждый в отдельной копии кодовой базы;
- инженер проверял прогресс дважды в день и ревьюил каждое предложенное изменение;
- более простые инструкции сработали лучше, чем сложная настройка.
Результат:
- 1,5 недели инженерного времени за две календарные недели;
- $12 тыс. — стоимость модели и инфраструктуры;
- Enzyme полностью удалён.
| Показатель | Прежний план | Факт с Codex |
|---|---|---|
| Срок | ≥ 5 лет | ~2 календарные недели |
| Инженерное время | многолетний проект | ~1,5 недели |
| Стоимость | ~$6 млн (штат) | ~$12 тыс. (модель + инфраструктура) |
| Контроль | штатная команда | до 4 агентов + ревью каждого изменения |
Технический директор Asana Амританш Рагхав в материале OpenAI формулирует осторожно: не каждый многолетний проект схлопнется в недели — но агенты дают инженерам больше пространства для инженерного мастерства и делают «невозможную» работу достойной попытки.
Почему это важно
Кейс Asana — не про «AI заменил разработчиков». Это про изменение экономики отложенных задач: проекты, которые раньше не поднимали из‑за отрицательной сметы, становятся кандидатами на пилот.
Три условия, без которых цифры не переносятся:
- Проверяемость. Удаление Enzyme — задача с чётким критерием «готово»: тесты проходят, система вычищена, код компилируется. Агент может итерировать, пока результат проверяем автоматически.
- Параллелизация. Независимые части кодовой базы — в отдельных копиях. До четырёх агентов не мешают друг другу.
- Проверка человеком. Инженер не «запустил и ушёл» — дважды в день смотрел прогресс и принимал каждое изменение. Это снижает риск тихой деградации.
Важно не превращать $6 млн → $12 тыс. в универсальный эталон. Это один конкретный кейс миграции, опубликованный поставщиком модели совместно с клиентом. Но паттерн важнее цифр: агент способен изменить экономику отложенных задач, если работа укладывается в эту тройку условий.
Что меняется для маркетинга
Аналог в маркетинге — не генерация ещё 100 текстов, а проекты, которые годами лежали в хвосте задач как «слишком трудоёмкие»:
- очистка рекламной таксономии и устаревших кампаний;
- реорганизация тысяч страниц и внутренних ссылок;
- миграция аналитических тегов и событий в Яндекс.Метрике;
- нормализация полей и дублей в CRM;
- переработка базы знаний и раздела частых вопросов;
- массовый аудит контента на соответствие GEO-требованиям.
Вывод по аналогии: стоит заново пересмотреть проекты, чья отрицательная экономика рассчитывалась до появления агентного выполнения задач. Не все схлопнутся в две недели — но часть перейдёт из «никогда» в «пилот на одном сегменте».
Что протестировать
- Выберите один отложенный проект, который команда оценивает хотя бы в 2–4 недели: например, нормализация меток кампаний в 500 объявлениях или вычищение дублей в CRM по одному сегменту.
- Разбейте на изолированные части и дайте 2–4 агентам параллельные куски — каждый в своей копии данных или ветке, без пересечений.
- Зафиксируйте метрики пилота:
- календарный срок — сколько дней заняло; - человеко-часы — сколько часов ушло на ревью; - расход на AI — стоимость модели и инфраструктуры; - доля принятых предложений — сколько изменений приняли без правок; - ошибки после внедрения; - переделки — сколько раз пришлось переделывать.
Цель — не доказать, что «AI быстрее», а найти классы работы, где стоимость завершённого проекта меняется на порядок.
Главный вывод
Asana показала крайний, но показательный случай: миграция, которую планировали пять лет, заняла две недели — при жёсткой проверке человеком и проверяемом результате.
Для маркетинга и аналитики урок не в цифрах $6 млн и $12 тыс., а в пересмотре отложенных проектов. Составьте список задач, которые откладывали «до лучших времён», и отметьте, какие из них проверяемы, распараллеливаемы и допускают пошаговый ревью. Один такой пилот с честными метриками даст больше, чем очередной отчёт о «потенциале AI».
Что проверить сейчас
- Список отложенных проектов: выделите 3–5 задач с оценкой от 2 недель — теги, таксономия, CRM, контент, аналитика.
- Один пилот на узком сегменте: 2–4 параллельных агента, изолированные части, ревью дважды в день.
- Таблица метрик до старта: календарный срок, человеко-часы, расход на AI, доля принятых предложений, ошибки, переделки — чтобы сравнить с прежней сметой, а не с чужим кейсом.
Хотите оценить, какой отложенный проект можно распараллелить агентами на своих данных — начните с одного сценария в MCP-коннекторах: Метрика, CRM, рекламные кабинеты.
Источники
- Asana cleared 5 years of engineering work in 2 weeks with Codex — OpenAI, 2026-08-18
Читайте также
OpenAI закрепила экономику агентов: результат, а не токены
OpenAI описала экономику агентов: считать стоимость принятого результата, а не токенов. Маршрутизация, контекст, MCP-вызовы и проверка человеком — что протестировать на одном сценарии.
Cars24 показала экономику AI-агентов в клиентской воронке
Кейс Cars24: агенты на всей воронке — от подбора до поддержки. Какие показатели эффективности заменяют «число сообщений» и как протестировать реактивацию потерянных лидов.
Claude Code: считать устранённую работу, а не активность
Claude Code: метрика «устранённая работа» вместо токенов и дашбордов активности. Как перенести принцип на маркетинг и подключённые данные.
Продуктовая база данных конкурирует с главной для AI-покупателя
MarketScale 17 августа: агентный корпоративный шортлист строится из структурированных данных, а не с главной. Аудит «понять–сравнить–подтвердить» и что вынести из закрытых PDF.