No-code (Make, Zapier) vs власний агент AI

Компанія з логістичної галузі впровадила Zapier два роки тому. Інтеграція CRM з електронною поштою працювала ідеально. Коли спробували додати класифікацію повідомлень клієнтів з описами польською та німецькою мовами, сценарії почали розростатися, вартість підписки зростала, а помилки класифікації потрапляли у продакшн без сповіщень. Ніхто не знав, що протягом трьох тижнів термінові рекламації надходили до черги низького пріоритету. Це типове зіткнення з межею можливостей no-code.

Це не означає, що no-code поганий. Це означає, що кожен інструмент має свою сферу застосування. Нижче описано, де проходить ця межа і як її розпізнати перед впровадженням.

Make (колишній Integromat), Zapier та n8n Cloud — це платформи автоматизації на основі тригерів та дій. Їхня ментальна модель виглядає так: «коли X, зроби Y». Кожен крок — це готовий конектор до зовнішнього API.

У 2024 та 2025 роках додалися модулі AI: вбудовані виклики GPT у Zapier, модулі HTTP до власних моделей у Make, вузли AI в n8n. Це наблизило no-code до світу AI, але не змінило фундаментального обмеження: платформа є stateless між кроками, не має пам’яті про попередні виконання (окрім того, що ви самі збережете у зовнішній базі) і не підтримує багатоетапне міркування в межах одного виклику.

Ключові особливості no-code:

• Візуальний інтерфейс. Процес проектується як діаграма, код не пишеться.
• Готові конектори. Сотні інтеграцій «з коробки» (Salesforce, HubSpot, Gmail, Slack, Google Sheets).
• Швидкий старт. Працюючий сценарій можливий за кілька годин для простих процесів.
• Модель оплати за завдання. Платите за кількість операцій або викликів, а не за інфраструктуру.
• Відсутність контролю над моделлю AI. Використовуєте модель платформи або передаєте API-ключ, але не маєте впливу на те, що відбувається на стороні сервера провайдера.

Немає сенсу будувати власного агента для завдань, які no-code виконує дешево та надійно. Ось випадки, коли варто залишитися на no-code:

Інтеграції систем без складної логіки AI. Новий лід з форми потрапляє до CRM та Slack одночасно. Рахунок з електронної пошти потрапляє до таблиці. Нове замовлення створює тікет. Це детерміновані процеси — жодного міркування, лише перенесення даних. No-code — правильний інструмент.

Прості виклики моделі з коротким структурованим вхідними даними. Класифікація настрою однорядкового відгуку. Переклад короткого тексту. Генерація резюме рахунку. Коли вхідні дані передбачувані, контекст не потрібен, а помилка одного виклику нешкідлива, виклик GPT у вузлі no-code достатній.

Малі команди без ресурсів розробників. Стартап із двома співробітниками не потребує власного стеку AI. Zapier за кілька десятків доларів на місяць вирішує більше операційних проблем, ніж пів ставки розробника.

Швидка перевірка гіпотези. Перш ніж інвестувати у створення власного агента, варто перевірити, чи має сенс автоматизація для певного процесу. Кілька днів на побудову сценарію в Make — низька вартість валідації.

Обмеження no-code виявляються в конкретних моментах. Їхнє розпізнавання перед впровадженням заощадить місяці розчарувань.

Неструктуровані вхідні дані. Повідомлення електронної пошти клієнтів зі змішаним вмістом, PDF з договорами, фото документів, записи розмов — no-code не має механізмів для OCR, семантичного пошуку чи інтерпретації складного контексту. Можна викликати зовнішнє API OCR як вузол, але оркестрація багатьох кроків з умовною логікою починає розростатися до стану, який неможливо підтримувати.

Багатоетапне міркування. Коли рішення залежить від результату попереднього кроку, який залежить від результату ще ранішого кроку, no-code перетворюється на лабіринт умов. Спеціалізований агент AI підтримує багатоетапне планування нативно, з інструментами (tool-use) та слідом міркування.

Конфіденційні дані та вимоги RODO. Якщо ваші дані містять PII, медичні або фінансові дані, а сценарій no-code вимагає надсилання промптів до моделі в хмарі платформи — ви втрачаєте контроль над резидентністю даних. Zapier і Make обробляють дані на серверах поза вашою інфраструктурою. Self-hosting моделі усуває цю проблему, але no-code не пропонує такої опції для шару AI.

Масштаб викликів. При кількох тисячах викликів моделі на день вартість операцій no-code стає вищою за утримання власної інфраструктури. Особливо якщо процес запускає багато вузлів на один запис.

Відсутність observability AI. Платформи no-code логують кроки процесу, але не логують токен, вартість, модель та обґрунтування кожного виклику AI. Без цього аудит рішень та налагодження регресій неможливі. Власний стек AI з вбудованим observability дає повний слід від запиту до відповіді.

Власний агент AI — це не просто виклик моделі в хмарі. Це шар коду, який вирішує: коли викликати модель, з яким контекстом, через яку модель (роутинг), як валідувати результат і що робити, коли якість падає.

Ключові компоненти, яких не пропонує no-code:

Роутер моделей. Різні завдання потребують різних моделей. Класифікація — це інші вимоги, ніж генерація звіту. Роутер LLM спрямовує кожен запит до відповідної моделі за вартістю та необхідною якістю, без ручного кодування у вузлах.

RAG як довгострокова пам’ять. Агент може перевірити базу знань компанії (RAG, ембедінги) перед відповіддю. No-code може викликати ендпоінт RAG як вузол HTTP, але не будує цей шар самостійно.

Guardrails. Власний агент перевіряє вихід моделі на наявність галюцинацій, забороненого контенту, перевищення цін та спроб injection перед тим, як результат потрапить до системи. Платформа no-code не має цього шару.

Human-gate для незворотних дій. Відправка клієнту, анулювання замовлення, оновлення запису в ERP — кожну з цих дій агент може зупинити та надіслати на підтвердження людині перед виконанням. Це не «потік підтвердження» в no-code — це вбудоване правило архітектури агента.

Моніторинг якості та дрейфу. Власний агент вимірює якість відповідей у часі та попереджає, коли якість падає нижче порогу. Моніторинг агента AI — тема окремої статті.

Універсальної відповіді для всіх компаній немає. Проте є конкретні питання, які допоможуть зробити правильний вибір:

1. Чи структуровані вхідні дані? Форма, таблиця, JSON з API — no-code достатньо. Електронний лист, PDF, зображення, запис — потрібно більше.

2. Чи потребує рішення більше одного кроку міркування? Якщо агент має звернутися до бази знань, оцінити результат і вирішити про наступну дію на основі попереднього — no-code почне давати збої.

3. Де мають резидувати дані? Якщо вимагається обробка на власних серверах, no-code (як SaaS) не відповідає вимогам.

4. Який масштаб? Менше кількох сотень викликів на день — no-code дешевший. Понад тисячу — рахується вартість за операцію.

5. Чи потрібен аудит рішень? Регуляції, комплаєнс, ISO — вимагають повного сліду кожного виклику моделі. No-code цього не дає.

6. Чи є технічний ресурс для підтримки власної системи? Власний агент потребує роботи devops, моніторингу та оновлень. Якщо цього ресурсу немає, аутсорсинг або no-code — раціональний вибір.

Найкраще рішення для багатьох компаній — не «або-або». n8n (self-hosted) може виконувати роль оркестратора інтеграцій, тоді як власний агент працює як двигун міркування, що викликається через вузол HTTP.

Схема:

1. n8n отримує тригер (нове електронне повідомлення, новий файл, розклад).
2. n8n завантажує контекст з CRM та маскує PII.
3. n8n викликає ендпоінт власного агента з маскованим промптом.
4. Агент виконує багатоетапне міркування, шукає в RAG, повертає рішення з обґрунтуванням.
5. n8n парсить відповідь, валідує схему та спрямовує дію до потрібної системи — з human-gate для незворотних дій.

Розподіл відповідальності: n8n керує інтеграціями та потоком даних. Власний агент керує міркуванням, інструментами та guardrails. Таке поєднання дає найкращу гнучкість при контрольованих витратах на підтримку.

Детальніше про цю схему у статті про інтеграцію AI з n8n.

Опиши свій поточний процес автоматизації або заплановане впровадження, а модель оцінить, чи достатньо no-code, чи потрібен власний агент — з обґрунтуванням та вказівкою конкретного обмеження (playground: PII маскуються, нульова ретенція).

Так, і це раціональний шлях для багатьох компаній. No-code дозволяє швидко перевірити, чи має сенс автоматизація для певного процесу. Коли ви знайдете межу можливостей — і коли вартість або ризик, пов’язані з обмеженнями, стануть реальними — переходьте на спеціалізовану архітектуру. Проте варто з самого початку проектувати процес так, щоб бізнес-логіка не була глибоко закопана у вузлах конкретної платформи. Це полегшить міграцію.

No-code при низькій шкалі (до кількох сотень операцій на день) коштує від кількох десятків до кількох сотень злотих на місяць. Власний агент потребує інфраструктури (сервер або хмара), роботи розробників при створенні та підтримці. При масштабі понад тисячу викликів на день або вимогах RODO щодо резидентності даних власна інфраструктура стає дешевшою або єдино можливою. Можна порівняти цифри для свого випадку у калькуляторі ROI.

Це залежить від того, які дані ви надсилаєте через платформу. Якщо особисті дані клієнтів (імена, адреси, номери PESEL, фінансові дані) потрапляють до промпту, що надсилається до моделі через сервери платформи (Zapier, Make), обробка відбувається поза вашою інфраструктурою. Це вимагає договору доручення обробки з платформою та перевірки, де фізично резидують дані. Self-hosting власного агента усуває цю проблему — дані не залишають вашу мережу. Деталі обов’язків описано у статті AI Act та RODO 2026.

Zapier AI та подібні модулі добре працюють для простих одноетапних завдань зі структурованими вхідними даними. Вони не підтримують: пошук у базі знань компанії (RAG), багатоетапне планування з інструментами, роутинг між моделями за вартістю та якістю, guardrails для валідації виходу на наявність галюцинацій чи повний лог аудиту, необхідний для регуляцій. Коли потрібен хоча б один із цих елементів — шукайте спеціалізовану архітектуру.

Три сигнали вказують на готовність: (1) у вас є повторюваний процес з обсягом понад кількасот випадків на тиждень, (2) no-code вже генерує помилки або витрати, які болять, (3) у вас є технічний ресурс (внутрішній або зовнішній) для підтримки системи. Якщо не впевнені, почніть з оцінки готовності — це безкоштовний інструмент, який покаже, де ви знаходитесь на шляху до впровадження.