Какой должна быть задача в эпоху AI: после CRUD приходит VIOLETTA

В 1983 году появился стандарт CRUD — четыре операции, которые описывают всё что можно сделать с данными: Create, Read, Update, Delete. Этот стандарт лёг в основу баз данных, API и большей части современного программирования.

Сорок лет спустя AI меняет не то, как мы работаем с данными — он меняет то, как мы работаем с задачами. И у нас до сих пор нет стандарта для этого нового мира.

Задачи в 2025 году выглядят примерно так же, как в 1990-х. Это тикет в Jira. Строчка в Notion. Статичный артефакт, который хранит текст и ждёт когда человек его выполнит.

В мире AI-агентов этого катастрофически мало.

Когда AI-агент берётся за задачу, ему нужно не просто прочитать текст. Ему нужно понять контекст и историю, выполнить задачу без человека в петле, оставить след всего что он сделал, взаимодействовать с другими системами, передать задачу другому агенту если нужно — и знать когда она выполнена правильно.

Современные задачи не умеют ничего из этого. Они немые.

Именно это и есть проблема, которую решает VIOLETTA — стандарт задачи в эпоху AI.

VIOLETTA описывает не операции над задачами, а свойства, которыми должна обладать любая задача, чтобы быть настоящей AI-native единицей работы. Восемь свойств. Два из них — Living и Trainable — принципиально невозможны без AI. Именно они делают задачу живой, а не просто автоматизированной.

Задача, которая не соответствует стандарту VIOLETTA — это не задача. Это заметка.

Задача знает, когда выполнена правильно.

У каждой AI-native задачи есть встроенный критерий успеха. Не размытое «сделать лучше», а чёткое условие, которое можно проверить программно. Без этого агент либо работает вечно, либо останавливается наугад.

Пример: не «улучши онбординг», а «конверсия из регистрации в первое действие должна вырасти с 23% до 35% за 30 дней». Агент знает когда остановиться.

Задача подключена к экосистеме. Straight-through processing (STP) — задача проходит от начала до конца без ручных шагов. Если оплата прошла — всё остальное (запись в CRM, уведомление, строка в отчёте) происходит само.

AI-native задача не существует в вакууме. Она знает о связанных данных, подключена к нужным инструментам, видит релевантный контекст из других систем. Агент не ищет информацию — задача приносит её сама.

Пример: задача «подготовить отчёт за квартал» уже знает где лежат данные в BI, кому отправить результат и в каком формате — без дополнительных инструкций.

Видна снаружи в реальном времени и хранит полную историю.

Observable объединяет два уровня прозрачности: реал-тайм (что агент делает прямо сейчас) и исторический (полный audit trail всех действий и решений). В инженерии observability — это метрики, логи и трейсы вместе. Для задачи — то же самое.

Пример: дашборд показывает что агент на этапе «анализ данных» уже 4 минуты. А через год можно точно восстановить почему он принял то или иное решение.

Задача реагирует на изменения контекста.

Living-задача — это не статичный снимок требований. Если изменилась стратегия компании, появились новые данные или сменились приоритеты — задача обновляется сама. Она подписана на свой контекст и эволюционирует вместе с ним.

Пример: задача «оптимизировать рекламный бюджет» автоматически пересчитывает приоритеты каналов когда обновляются данные о конверсии — без того чтобы менеджер заново ставил задачу.

Задача выполняется агентом автоматически.

Это не опция — это обязательное свойство. AI-native задача написана так, что агент может взять её и выполнить без уточнений у человека. Human in the loop — только там, где это явно задано.

Пример: задача запускается по триггеру — каждый понедельник, при падении метрики ниже порога, по запросу другого агента — без участия человека.

Задача передаётся без потери контекста.

В мире мультиагентных систем задачи путешествуют. Один агент начинает, другой продолжает, человек проверяет финал. При передаче не теряется ничего — ни история, ни промежуточные результаты, ни причина почему что-то было сделано именно так.

Пример: агент-исследователь собрал данные о рынке и передал задачу агенту-аналитику. Тот видит все источники, методологию и черновые выводы — и продолжает без брифинга.

Задача учится на неудачах и становится лучше.

Если задача выполнена неудачно — она не просто фиксирует ошибку. Она собирает обратную связь: что пошло не так, какой критерий не выполнен, что говорит человек. Следующий запуск той же задачи учитывает этот опыт. Встроенный self-improvement loop.

Пример: агент написал email-рассылку с низким open rate. Задача зафиксировала фидбэк, сравнила с успешными итерациями и скорректировала подход к теме и времени отправки для следующего запуска.

Задача несёт весь контекст внутри себя.

Aware — это долгосрочная память задачи. Она знает своё «зачем»: почему возникла, что уже пробовали, какие решения были приняты, какие ограничения действуют. AI подхватывает такую задачу и сразу понимает что делать — без онбординга и уточняющих вопросов.

Пример: задача «выйти на рынок Германии» содержит историю предыдущих попыток, причины почему они не сработали и стратегические решения совета директоров.

Возьмите любую задачу из трекера и проверьте:

Если ответ «нет» хотя бы на три вопроса — у вас не AI-native задача. У вас заметка.

AI-агенты становятся основными исполнителями работы. Не инструментами — исполнителями. И разрыв между тем, как выглядят задачи сегодня и тем, что нужно агентам для полноценной работы — этот разрыв будет стоить компаниям реальных денег.

VIOLETTA — это не просто фреймворк. Это разница между компанией, которая использует AI как ассистента, и компанией, которая использует AI как операционную систему.

Если ваша задача не VIOLETTA — она не готова к будущему.