Land Portal — платформа, яка допомагає інвесторам у США знаходити й аналізувати земельні ділянки. За кілька років проєкт виріс із WordPress-сайту в повноцінну data-платформу з власною базою обсягом близько 3 ТБ, складними розрахунками, пошуком, експортом даних і кількома окремими сервісами.
Проблема клієнта
Платформа вже працює в production і має активних користувачів, але її початкова WordPress-архітектура дедалі більше обмежує розвиток продукту. Повний rewrite був би занадто ризикованим: потребував би багато часу та міг зупинити випуск нової функціональності.
Тому команда мала вирішити одразу дві задачі: поступово перебудувати систему й водночас продовжувати розвивати продукт без зупинки production.
Рішення команди
Команда обрала поетапну міграцію. Frontend переноситься на React, backend — на нову архітектуру, а Python залишається основою для data pipeline та складних розрахунків. Старі Python-скрипти поступово перетворюються на керовану автоматизовану систему, де задачі запускаються в Docker-контейнерах.
Паралельно змінився і сам підхід до розробки. Замість моделі «розробник отримав задачу й пише код» команда переходить до agentic development:
аналіз проблеми → проєктування рішення → узгодження плану з AI → делегування реалізації агенту → human review → QA та release.
Розробник у такому процесі менше часу витрачає на рутинне написання коду й більше — на архітектуру, ризики, production-вплив і перевірку результату. Один із розробників зазначив, що цього року вже майже не пише код вручну: основну реалізацію виконує AI, але планування, технічні рішення та відповідальність за якість залишаються за людиною.
Які AI-інструменти використовуються
Команда працює одразу з кількома інструментами — Codex, Claude Code, Cursor і ZED. Це дає можливість обирати найкращий інструмент під конкретну задачу та мати fallback у разі лімітів або різної якості моделей.
AI-агенти допомагають не лише генерувати код. Вони можуть:
- аналізувати кілька репозиторіїв і виконувати комплексні frontend- та backend-задачі;
- досліджувати проблему й готувати технічну постановку;
- створювати pull request і проводити первинний code review;
- оновлювати документацію;
- аналізувати помилки, логи, повільні запити та поведінку користувачів;
- пропонувати виправлення на основі production-даних.
GitHub став центральним середовищем для коду та AI-інтеграцій, Linear — для планування, постановки й делегування задач, Grafana — для технічного моніторингу, а PostHog — для продуктової аналітики, session replay, error tracking і tracing. У перспективі команда будує автоматизований цикл:
система виявляє проблему → AI аналізує її → готує виправлення та pull request → розробник перевіряє → зміни проходять QA і потрапляють у production.
Що виявилося складним
AI не працює якісно сам собою. Щоб агент видавав передбачуваний результат, йому потрібні зрозуміла архітектура, актуальна документація, правила роботи з кодом і доступ до необхідного контексту.
Тому команда зберігає документацію безпосередньо в репозиторіях: опис архітектури, API, design system, project rules та інструкції. Це спільне джерело знань і для людей, і для різних AI-агентів.
Інша складність — контроль вартості та якості. Виконання простої задачі автономним агентом може коштувати приблизно $2–5, складнішої — більше. А в observability-системах витрати залежать від кількості подій і логів, тому зайві дані потрібно фільтрувати.
І головне: швидко згенерований код ще не означає правильне рішення. Команда використовує підхід plan-first, а не vibe coding: спочатку обговорює з агентом архітектуру, ризики та вплив на production — і лише після цього дозволяє переходити до реалізації. Human review залишається обов’язковим.
Результат
Команда вже розвиває та модернізує платформу з базою близько 3 ТБ, не зупиняючи production і не відкладаючи всі результати до завершення великого rewrite. Нові компоненти поступово замінюють старі, а кожен завершений етап одразу дає користь продукту.
AI бере на себе значну частину рутинної реалізації, аналізу репозиторіїв, підготовки задач і документації. Це дозволяє розробникам концентруватися на складніших речах: правильній постановці проблеми, архітектурі, якості та бізнес-цінності рішення.
Головний висновок цього кейсу: цінність AI не в тому, що він просто швидше пише код. Справжній ефект з’являється, коли весь delivery-процес — від постановки задачі до моніторингу production — підготовлений до спільної роботи людей та AI-агентів.
Технічна експертиза при цьому не стає менш важливою. Навпаки: що більше роботи виконує AI, то важливішою стає здатність людини правильно спроєктувати систему, поставити задачу, побачити ризики та не пропустити красиву, швидку, але неправильну відповідь.
Слідкувати за оновленнями Onix Team:
