n8n 2.44 и AI-автоматизация: собрать за 6 минут, довести до доверия

13 октября вышел n8n 2.44.0. Большая часть исправлений в нём касается политик: какие узлы может вызывать AI-агент и какие учётные данные разрешено проверять и сохранять. В те же дни участник сообщества n8n собрал один и тот же AI-сценарий в n8n, Make и Zapier.

Сборка заняла от 6,5 до 9,5 минуты, и на реалистичных заявках каждая версия один раз сломалась.

Если сложить обе истории, видно, на что компания тратит деньги в AI-автоматизации. Сборка занимает минуты.

Дни уходят на то, чтобы сценарию можно было доверять: на контракты данных, правила доступа и проверки на живых входах.

Языковая модель выдаёт текст, а следующий узел ждёт значение из фиксированного списка.

По нашему опыту, большая часть AI-сценариев ломается именно на этом стыке.

Инженеры закрывают его тремя приёмами: - Структурированный ответ.

Модель возвращает JSON по схеме с полем `category` из перечня допустимых значений.

Если ответ не прошёл схему, сценарий повторяет запрос. - Нормализация.

Перед ветвлением сценарий приводит ответ к нижнему регистру, убирает пробелы и пунктуацию и сопоставляет результат со словарём. - Ветка «не распознано». Заявки, которые не попали ни в одну метку, уходят человеку.

Без этой ветки заявка пропадает без следа, и компания узнаёт об этом от клиента.

Ошибку вроде Fixed/Expression ловит набор из 20-30 реальных заявок, который сценарий прогоняет перед каждым изменением. В low-code такой набор заменяет автотест, и, по нашим наблюдениям, команды его почти не пишут.

В интеграциях KT.Team AI-шаг подчиняется тем же правилам, что и любой другой участник обмена данными. Повторяемость.

Где данные приходят пачками, мы запускаем сценарий от строки таблицы или товарного фида. В сообществе n8n отмечают, что обработку по вебхуку сложнее повторить. У каждого события есть ключ идемпотентности, поэтому повторный запуск не создаёт дублей. Человек перед записью в мастер-систему.

При генерации текстов карточек товаров для PIM (Pimcore, Akeneo) модель готовит черновик, редактор подтверждает его, и только после этого сценарий записывает текст в карточку.

Если писать в магазин без подписи человека, в каталог попадают случайные правки, и контент-менеджеры потом неделями их вычищают. Один шлюз к моделям.

Вызовы GigaChat, YandexGPT, Claude или Gemini идут через LLM & Security Gateway.

Шлюз хранит ключи, держит лимиты и журнал запросов, маскирует персональные данные и позволяет сменить модель без переделки сценариев. Граница n8n. n8n хорошо подходит для краевых сценариев: разбора заявок, уведомлений, обогащения данных.

Остатки и заказы между 1С и сайтом мы ведём через шину (Datareon, MuleSoft, Kafka) с гарантией доставки и мониторингом.

Если положить ядро обмена в визуальный конструктор, сэкономленные на старте недели компания потеряет при первом же сбое.

TTU (time to use, время до пользы) я считаю до первого результата, которому можно доверять, и демо в этот счёт не входит.

Сборка в эксперименте заняла 6,5 минуты.

Контракт на ответ модели, тестовый набор, политики доступа и ветка для человека занимают дни, и деньги возвращают именно они.

Выбор между n8n, Make и Zapier влияет на результат меньше, чем эта инженерная дисциплина. AI-сценарий, который без следа теряет заявки, бьёт по продажам, и спросят за это с того, кто его запустил.