Олесь Петрів — один з семи співзасновників Reface. Раніше він обіймав посаду CTO і керував технічним розвитком компанії. У липні 2026 року посада офіційно змінилася на CAIO (Chief AI Officer). Тепер завдання Олеся — не просто впроваджувати нові інструменти, а перебудувати роботу Reface так, щоб компанія могла постійно вдосконалювати власні процеси за допомогою ШІ.
Перші результати вже помітні: агенти автоматично опрацьовують близько 85% звернень до служби підтримки, а час роботи зі складними запитами скоротився з 10–15 хвилин до однієї–п’яти.
HBJ уже писав, хто такий CAIO і навіщо ця роль українським компаніям. Тепер ми поговорили з Олесем про те, як все працює на практиці, що потрібно для побудови агентної компанії, як змінюється робота команд і чому ШІ-трансформація — це не про заміну людей.
Навіщо Reface окремий CAIO
У липні ви стали CAIO. Як і чому з’явилася ця роль?
Насправді ми просто назвали речі своїми іменами. За останні роки до технічного керівництва додалося багато нових завдань: моделі, агентні системи, інфраструктура для ШІ, а також ріст кількості продуктів і команд. Одному CTO стало важко поєднувати це все. Тож я поступово передавав операційну роботу своєму заступникові Максимові Піддубному, а сам зосереджувався на тому, на чому розуміюся найкраще: нових моделях, тестуванні гіпотез та агентних системах. З агентами я експериментував ще у 2023–2024 роках, коли про них мало хто говорив. Мені завжди було цікаво застосовувати нейромережі до завдань, які люди звикли вважати суто людськими.
Чи думали ви запросити на роль CAIO когось ззовні?
Ні, хоча ми постійно залучаємо фахівців з експертизою, якої нам бракує. Але для агентної трансформації треба глибоко знати компанію: не лише продукти й команди, а й історію рішень, вдалих і не дуже, те, що працює і чого краще не чіпати, як люди комунікують і де можливий спротив змінам. Новій людині знадобився б щонайменше рік, щоб у цьому розібратися. А коли все навколо змінюється щомісяця, такої розкоші немає. Для мене ж ця роль стала продовженням того, чим я вже займався.
Як тепер розподілені обов’язки між вами та Максимом? З якою командою ви працюєте?
На Максимові — операційна робота з технічними командами, а це близько 150 людей. Крім того, він занурюється в критично важливі технічні питання й комунікує із зовнішніми партнерами.
Я ж працюю з IT-командою, ML-продакшном і продуктовими командами. Це не окрема команда CAIO, а радше «збірна», і моє завдання — синхронізувати їхню роботу для реалізації стратегії ШІ-трансформації компанії та за потреби адаптувати тактику.
Втім, це не поділ на «мою» і «твою» команди, багато питань ми й далі вирішуємо разом. Просто трансформація потребує окремого фокусу. Треба бачити компанію загалом: куди ми рухаємося, якими хочемо бути через рік і як виглядатиме робочий день людей у різних ролях, від CEO до QA, підтримки й офіс-менеджерів.
Як це виглядає для Reface? Можете навести приклад?
Я багато працюю з ML-командою, яка підтримує всі продуктові команди. Нещодавно з'явився запит: швидше збирати фідбек від конкретних груп користувачів. Наприклад, опитати 400 жінок віком 20–40 років із Великої Британії, щоб перевірити ідею нової фічі. Такі відповіді потрібні, щоб не вкладати ресурси в щось лише тому, що «здається, це буде прикольно».
Технічна частина тут нескладна, але до 60% часу забирає комунікація: узгодити все з командами, з'ясувати, що саме потрібно, отримати дані від маркетологів. Можна було б зробити окремий внутрішній інструмент для опитувань, але щойно знадобиться інша аудиторія чи інший продукт, знову довелося б залучати розробника.
Тому ми пішли іншим шляхом і створили набір скілів, доступних усій команді. Принцип роботи такий: ти описуєш агентові ідею, яку хочеш перевірити, а він за допомогою скілів аналізує аудиторію, запускає опитування й готує результати. Агент також зберігає контекст експерименту: початкову ідею, ухвалені рішення й отримані відповіді. Відповідно, колеги можуть підвантажити цей контекст у свого агента й продовжити роботу.
Головне, що скіли можна комбінувати. Щоб порівняти відповіді з аналітикою за кілька років, достатньо додати ще один скіл, без розробника й дзвінків. Так рішення під одне завдання працює і для інших.
Як Reface будує агентну компанію
Ви писали в LinkedIn, що ніхто досі не завершив ШІ-трансформацію. Що вона означає для вас, і до чого ви прагнете в Reface?
Для мене повноцінна ШІ-трансформація — це безперервна самооптимізація компанії. Не коли хтось час від часу приходить і каже: «Цей процес треба автоматизувати», а коли це відбувається на фоні, як дихання, без постійного контролю з боку людини. Ще недавно це звучало б як фантастика, а сьогодні це технічно можливо.
Компанія — це не лише продукт, а й накопичені дані: про клієнтів, експерименти, помилки, ухвалені рішення. Якщо ці терабайти просто лежать у сховищі, за яке ми платимо, їхня цінність від'ємна. Але з новими інструментами навіть старі рішення можна переосмислити в контексті нових завдань, і тоді дані стають матеріалом для удосконалення роботи.
Для мене найбільша цінність ШІ — у тому, що він знімає з людей зайве когнітивне навантаження. З часом організація обростає непотрібними завданнями, зайвою комунікацією та нескінченними погодженнями. Навіть у команді зі 100–200 людей ніхто не зможе самостійно відстежити всі ці неефективності.
У Reface ми прагнемо побудувати інфраструктуру, у якій персональний агент кожного працівника матиме всі необхідні інструменти для виконання робочих процесів під керівництвом людини. Він зможе використовувати й створювати скіли, працювати з персональною, командною та корпоративною пам’яттю й скорочувати зайву комунікацію. При цьому відповідальність за результат залишатиметься за людиною, а в неї звільнятиметься більше часу для того, у чому вона справді сильна.
Яка інфраструктура потрібна для такої роботи?
Потрібна спільна основа, яка поєднує доступ до моделей і робочих інструментів, пам'ять агентів, обмін скілами та безпеку.
Ми даємо доступ до моделей Google, Anthropic, OpenAI та кастомних LLM. Якщо з'являється нішева модель, яка може комусь знадобитися, її можна підключити за кілька кліків і приблизно пів години. І йдеться не лише про текст: через API агентам доступні й наші власні нейромережі для генерації та модифікації зображень і відео, а також інструменти для роботи з рекламними креативами й аналітикою.
Робочі інструменти, як-от Slack, Figma, Notion і GitLab, ми підключаємо через MCP-сервери. MCP — це стандарт, який дозволяє агентам безпосередньо працювати з цими сервісами без ручного копіювання інформації.
Але самих підключень недостатньо. Агентам потрібна пам'ять, а людям потрібна можливість ділитися нею та скілами. Агентна компанія в моєму розумінні — це не коли всі просто спілкуються з ChatGPT. Це коли кожен працює зі своїми агентами, але може передавати робочий контекст, обмінюватися скілами й користуватися різними моделями через спільну інфраструктуру.
Як ви контролюєте безпеку і витрати?
Налаштувати все це для себе — одне, а для всієї компанії — зовсім інше: треба стежити, щоб дані не потрапили не туди, ніхто не отримав зайвих доступів, а випадкова дія не спричинила проблем.
У нас кілька разів неправильно налаштований пайплайн для автоматичного code review за ніч спалював токенів на кілька тисяч доларів: один агент запускав іншого, той — ще одного. Після цього ми запровадили бюджет на кожного користувача зі щотижневими сповіщеннями, звели облік витрат за людиною, командою, ключем і моделлю в єдиний дашборд та додали перевірку конфігурації пайплайнів перед нічними запусками.
Урок для нас — не шукати винного, а забезпечити прозорість і запобіжники. Для цього маємо observability — можливість бачити, хто, які інструменти й у яких обсягах використовує, без перегляду змісту діалогів.
Уже на цій основі можна будувати персональних агентів під роботу кожної людини. Одному агент допоможе скоротити зайву комунікацію, іншому допоможе написати й протестувати код за гайдлайнами проєкту. Частково він виконує роль HR, частково роль керівника, частково роль твого персонального джуна. Поєднати всі ці потреби в масштабах компанії, та ще й безпечно, непросто, тому стільки роботи й припадає на інфраструктуру.
Що вже змінилося в роботі команд
Де ефект від агентів уже найпомітніший?
Наприклад, підтримка користувачів у наших продуктах — Reface, BitePal, Revive, Lightly та інші. Користувачів від сотень тисяч до мільйонів, звернень багато, тож збільшувати команду підтримки пропорційно надто дорого. Натомість ми поетапно оптимізували її роботу:
створили шаблони й гайдлайни;
прописали скрипти. Там, де можна діяти за готовим сценарієм, система розпізнає запит і сама виконує потрібні кроки. Це одразу закрило майже половину звернень;
налаштували агентів. Ми подивилися, як розмірковують працівники підтримки, і створили агентів, які відтворюють їхню логіку. Після цього автоматично закривалося вже близько 80% звернень. Якість контролюємо окремо: людина перевіряє всі ескалації з критичними помилками агента та вибірково близько 5% відповідей, які автоматична система оцінила як ідеальні. Також порівнюємо людську оцінку з оцінкою LLM: якщо розбіжність перевищує 10%, перекалібровуємо оцінювач.
Людям лишилися складні випадки, де спершу треба розібратися, що сталося, а повна автоматизація може зашкодити. Тут людині потрібен розумний інструмент, який допоможе швидше розібратися в ситуації й ухвалити рішення.
Тому ми працювали не лише над автоматичними відповідями. Посидівши поруч із командою підтримки, побачили, скільки часу забирає пошук інформації, і зробили агентний асоціативний пошук. Він допомагає знаходити потрібну інформацію в тікетах, даних користувачів, платіжній інформації та історії взаємодії з продуктами. Раніше складне звернення забирало 10–15 хвилин, тепер — від однієї до п’яти.
Якщо говорити про результати роботи підтримки загалом, то, наприклад, у Lightly впродовж 24 годин вирішується 92% звернень. Із попереднім ботом від зовнішнього постачальника цей показник становив 67%.
Як оцінювати результат і з чого починати
За якими показниками ви оцінюєте результати своєї роботи? Чи є дві-три метрики, за якими розумієте, що рухаєтеся в правильному напрямку?
Перший показник — рівень використання: скільки людей справді користуються нашими інструментами. Крім цього, відстежуємо ще три речі.
Швидкість виконання задач. Між третім кварталом 2025-го й третім кварталом 2026 року кількість закритих інженерних задач за квартал зросла з 643 до 1010, тобто на 57%. Медіанний цикл задачі скоротився з 5,5 до 3,8 дня.
Вартість одиниці роботи. AI-рев’ю проходить кожен merge request. За перші 16 днів жовтня агент переглянув 326 MR, у середньому менш ніж за $2 за рев’ю.
Накопичення досвіду. Рахуємо, скільки скілів з’явилося у спільній бібліотеці та скільки разів їх повторно використали різні команди.
Ці цифри відображають не лише вплив ШІ — на них позначаються й інші зміни в командах. Але динаміку за ці квартали ми бачимо чітко.
Важливо, щоб кожне виконане завдання залишало досвід, який наступного разу допоможе впоратися швидше. Наприклад, розробник закрив задачу в Jira і зрозумів: «Якби я на початку знав те, що знаю зараз, зробив би це вдесятеро швидше». Цей досвід ми оформлюємо в скіл. Його можна зберегти для агента, передати колегам чи адаптувати під інший проєкт, і кожен сам вирішує, що залишити собі, а чим поділитися.
Коли так працюють сотні людей, компанія отримує не лише виконані завдання, а й дедалі ефективніші способи їх виконувати. Для мене це головна ознака, що ми рухаємося в правильному напрямку.
Що варто знати фаундерам, які хочуть перебудувати роботу навколо ШІ? Як зрозуміти, чи потрібна для цього окрема людина?
Моя порада — почати з трьох запитань до себе.
Чи використовуємо ми LLM та агентів у роботі? Найімовірніше, так: хтось уже відкриває ChatGPT у браузері чи користується іншими інструментами.
Чи бачимо ми, як саме ними користуються, і чи можемо на це впливати? Потрібна observability: хто, як часто й у яких обсягах використовує інструменти. Причому в реальному часі, а не з опитувань. І впливати варто не наказами на кшталт «Від сьогодні ChatGPT заборонений, усі переходимо на Claude». Так може будь-хто, але не певен, що багато людей хочуть працювати в таких компаніях.
Чи маємо стратегію підвищення ефективності? Наприклад, як за рік подвоїти ефективність команди за допомогою агентів, не подвоюючи штат і лише трохи збільшивши бюджет. Без додаткових витрат не обійдеться.
Якщо інструментами вже користуються, але ви не бачите як і не маєте стратегії, варто залучити спеціаліста, хоча б як консультанта чи на часткову зайнятість.
Шукайте людину, яка розуміється не лише на агентних системах, інфраструктурі та продуктовій роботі, а й має досвід керування командами під час змін: стрімкого зростання, скорочень чи перебудови. Виклики там багато в чому схожі.
Її завдання не обмежиться порадами, які інструменти й підписки купити. Треба буде:
визначити, які процеси змінювати насамперед;
зрозуміти, як зміняться ролі та відповідальність людей;
провести зміни, не зупиняючи роботу й не зламавши того, що вже добре працює.
Яку помилку найчастіше роблять компанії, коли починають ШІ-трансформацію?
Не дивіться на ШІ-трансформацію як на задачу заміни людини. В одних аспектах система працює набагато краще й швидше, а в інших — настільки гірше, що спроба повної заміни може виявитися великою помилкою.
Натомість можна допомогти наявній команді звільнити час і увагу для роботи, у якій люди найбільш цінні. Тоді й ефективність зростатиме, й працівникам буде краще. Навіть рутина може стати джерелом цінності: досвід її виконання перетворюється на знання, які накопичуються й допомагають працювати далі.
Ставте за мету зробити життя працівників простішим і комфортнішим та дати їм можливість брати більше відповідальності. Її можна боятися й водночас прагнути, бо вона впливає на відчуття власної цінності. Мені здається, ШІ — дуже класний інструмент, який потенційно може в цьому допомогти.
