Технический контекст
Я зацепился за этот кейс не из-за драмы про «сгорели токены», а потому что здесь очень наглядно ломается AI automation на вполне земной задаче: сделать сервис многоязычным. Не research, не огромный рефакторинг, а около 50 статических страниц, несколько динамических интерфейсов и пять языков.
По описанию, связка Claude Code с Fable на medium thinking пошла в fan-out: подняла примерно 20 параллельных агентов, выжгла лимит Max-тарифа за $100 и не довела до конца ни одну ветку, потому что упёрлась в 5-hour token window. Я такие истории вижу регулярно, когда оркестрация выглядит умнее, чем сама задача.
И вот здесь важная деталь: это не похоже на «модель плохая». Скорее, это плохая AI architecture для конкретного класса работ. Локализация трогает общие словари, роутинг, шаблоны, i18n-ключи, fallback-логику и UI-проверки, а значит подзадачи сильно связаны между собой.
Если раскидать такое на кучу сабагентов без жёсткого общего состояния, они начинают дублировать анализ, переоткрывать одни и те же файлы, спорить с предыдущими изменениями и раздувать контекст. Дальше включается классика: coordination overhead, повторные прогоны, инвалидация префиксного кэша и бессмысленный расход токенов.
Мне понравилось, что автор кейса интуитивно пошёл в более здравую сторону: запретил сабагентов и свёл управление задачей к одному компактному md-документу с прогрессом. Честно, для такого объёма это часто сильнее любой «умной» мультиагентности.
Влияние на бизнес и автоматизацию
Практический вывод очень простой. Если задача имеет общий контекст и много зависимостей, один сильный агент с нормальным планом часто дешевле и надёжнее, чем рой параллельных исполнителей.
Второй момент бьёт уже по бюджету. Когда команда считает, что покупка дорогой модели автоматически закрывает implementation risk, она получает не ускорение, а дорогой хаос с красивым интерфейсом.
Выигрывают здесь те, кто проектирует AI integration как инженерную систему: дробит работу по реальным границам состояния, ограничивает права агентов, считает токены и держит внешний трекер прогресса. Проигрывают те, кто даёт модели слишком много свободы на связных задачах и ждёт магии.
Мы в Nahornyi AI Lab как раз решаем такие вещи на практике: не просто «подключить ИИ», а собрать процесс так, чтобы automation with AI реально экономила время, а не съедала месячный бюджет за вечер. Если у вас похожий workflow буксует на локализации, саппорте или внутренней разработке, можно спокойно разобрать архитектуру и собрать AI solution development под ваш реальный объём работы, без роя агентов ради роя агентов.