Как Asana закрыла 5 лет работы за 2 недели с Codex

Пять лет технического долга — за две недели

В инженерных командах по всему миру существует особая категория задач: все понимают, что их нужно сделать, никто не хочет за них браться, и они годами пылятся в бэклоге, накапливая технический долг. Именно с такой задачей столкнулась компания Asana — популярная платформа для управления проектами и командной работой.

Перед инженерами стояла задача удалить Enzyme — устаревшую систему тестирования, которая затрудняла обновление кодовой базы компании. Старый инструмент тестирования Enzyme перестал активно поддерживаться и превратился в блокер для модернизации фронтенд-стека Asana.

Предыдущий план предполагал, что работа займёт не менее пяти лет и обойдётся примерно в $6 млн. Звучит как приговор: запустить такой проект значит «заморозить» несколько инженеров на полдесятилетия ради рутинной, пусть и необходимой работы.

Но в августе 2026 года Asana опубликовала кейс, который всерьёз взбудоражил индустрию: примерно за две недели компания выполнила работу, на которую рассчитывала потратить пять лет.

Что такое OpenAI Codex и зачем он нужен инженерам

OpenAI Codex — это AI-агент (агент искусственного интеллекта) для написания и рефакторинга кода, разработанный компанией OpenAI. В отличие от привычных AI-ассистентов, которые отвечают на вопросы в чате, Codex способен самостоятельно работать с большими кодовыми базами: искать нужные места, вносить изменения, запускать тесты и предлагать готовые pull request’ы (запросы на внесение изменений).

В Asana инженеры используют OpenAI Codex, работающий на передовых моделях, для решения задач по масштабным изменениям кодовой базы — а затем проверяют и утверждают каждое предложенное изменение.

Таким образом, Asana применяет в своей инженерной организации ту же философию, что продаёт клиентам: люди задают направление, AI-агенты выполняют рутинную работу, люди проверяют всё перед тем, как что-то попадёт в продакшн.

Как именно проходила миграция

Процесс оказался удивительно простым — и именно в этом его главный урок.

Запрос из пяти предложений

На основе промпта из пяти предложений до четырёх coding-агентов работали параллельно, каждый в отдельной копии кодовой базы. Никаких сложных инструкций, никакой многостраничной спецификации — только краткое и чёткое описание задачи.

Более простые инструкции работали лучше, чем более детальная настройка. Это неочевидный, но важный вывод: попытка «заумно» настроить агента может навредить результату.

Минимальный контроль, максимальная отдача

Инженер проверял прогресс дважды в день и рецензировал каждое предложенное изменение. То есть один человек, тратя несколько часов в сутки, контролировал работу сразу четырёх параллельных AI-агентов.

Итог

После 1,5 недели инженерных усилий, растянувшихся на два календарных недели, Enzyme был полностью удалён. Затраты на модели и инфраструктуру составили около $12 тыс. Для сравнения: предыдущий план рассчитывался не менее чем на пять лет и оценивался примерно в $6 млн.

Цифры, от которых перехватывает дыхание

По подсчётам наблюдателей, Codex выполнил задачу на 99,8% дешевле и в 130 раз быстрее, чем традиционный план со штатными сотрудниками (~$6 млн за 5 лет).

«Не каждый многолетний проект сожмётся до размера нескольких недель. Но агенты могут дать инженерам больше пространства для мастерства — и сделать когда-то невозможную работу достойной попытки.» — Амританш Рагхав, CTO Asana

Как это работало: взгляд изнутри

graph TD
    A[Инженер формулирует задачу\n5 предложений] --> B[OpenAI Codex получает промпт]
    B --> C[Агент 1\nКопия кодовой базы #1]
    B --> D[Агент 2\nКопия кодовой базы #2]
    B --> E[Агент 3\nКопия кодовой базы #3]
    B --> F[Агент 4\nКопия кодовой базы #4]
    C --> G[Предложенные изменения]
    D --> G
    E --> G
    F --> G
    G --> H[Ревью инженером\n2 раза в день]
    H --> I{Одобрено?}
    I -->|Да| J[Слияние в основную ветку]
    I -->|Нет| B
    J --> K[Enzyme полностью удалён\nза 1,5 недели]

Примечательно, что агенты работали параллельно и независимо — каждый в своей изолированной копии репозитория. Это позволило существенно ускорить процесс и снизить риски: если один агент делал что-то не то, это не влияло на работу остальных.

Что такое Enzyme и почему его так сложно было удалить

Enzyme — это JavaScript-библиотека для тестирования React-компонентов, разработанная Airbnb. Долгое время она была стандартом де-факто для фронтенд-тестирования, однако со временем её поддержка прекратилась, а экосистема React ушла вперёд.

Устаревшая система тестирования Enzyme стала значительным препятствием для модернизации фронтенд-стека Asana.

Проблема в том, что тесты глубоко интегрированы в кодовую базу: они ссылаются на внутренние детали реализации компонентов, и простой заменой импорта здесь не обойтись. Asana с помощью Codex завершила миграцию тестов фронтенда с Enzyme на React Testing Library за два календарных недели — проект, который предполагалось ещё пять лет не трогать.

React Testing Library — современная альтернатива Enzyme, ориентированная на тестирование компонентов так, как их использует конечный пользователь, а не через внутренние детали реализации.

Что это значит для всей индустрии

Этот опыт изменил представление компании о том, какие долгосрочные проекты в области программного обеспечения вообще стоит брать в работу.

Раньше решение о запуске дорогостоящей миграции принималось исходя из простой логики: «это займёт 5 лет и $6 млн — нам это не по силам». Теперь та же задача стоит $12 тыс. и две недели. Это принципиально меняет экономику технического долга.

Вероятно, тысячи подобных «замороженных» миграций и переписок лежат в компаниях по всему миру — именно потому, что никто не мог оправдать многолетние затраты на их реализацию.

Три главных вывода для технических команд

1. Параллельность меняет всё. Несколько агентов, работающих одновременно, — это не просто ускорение в N раз. Это качественно иной подход к задачам, которые раньше требовали последовательной, кропотливой работы.

2. Простота промпта — не слабость, а сила. Asana намеренно дала агентам краткие инструкции — и это сработало лучше, чем детальные спецификации.

3. Человек остаётся в петле. Ни один изменённый файл не попал в кодовую базу без проверки инженером. AI делал черновую работу, человек — контроль качества.

Переосмысление бэклога: какие задачи теперь стоит запустить?

Если раньше техническая команда смотрела на список «замороженных» задач с тоской, то теперь стоит пересмотреть его с новым вопросом: «А что из этого можно отдать AI-агентам?»

Вот признаки задач, которые хорошо поддаются подобной автоматизации:

• Механическая замена одного паттерна на другой по всей кодовой базе
• Миграция с устаревшей библиотеки на современный аналог
• Рефакторинг (переработка кода без изменения функциональности) по чётким правилам
• Обновление зависимостей и устранение предупреждений о совместимости
• Генерация тестов для непокрытых участков кода

Это не значит, что AI заменит инженеров. Это значит, что инженеры смогут направить свои усилия на задачи, действительно требующие человеческого творчества и архитектурного мышления — пока агенты разбираются с накопленным долгом.

Итог

История Asana — это не просто маркетинговый кейс OpenAI. Это конкретные цифры: затраты на модели и инфраструктуру составили около $12 000 — по сравнению с оценкой Asana примерно в $6 млн по предыдущему плану со штатными сотрудниками.

Пять лет превратились в две недели. Шесть миллионов долларов — в двенадцать тысяч. И всё это благодаря пяти предложениям в промпте, четырём параллельным агентам и одному инженеру, который проверял их работу дважды в день.

Для российских технических команд это означает то же самое, что и для всего мира: пора заново открыть список задач, которые казались неподъёмными.