Прекарах 30 минути в изграждането на автоматизация, която три от най-модерните AI модели в света не успяха да направят правилно.

Нека бъда ясен от самото начало: Не го направих за 30 минути, защото съм някакъв гений.

Построих го толкова бързо, защото зад тези 30 минути стои 2 години практика, стотици неуспешни опити и безброй уроци, научени по трудния начин.

Но ето какво наистина ме накара да напиша тази статия.

Всеки ден виждам видеа и публикации, които твърдят, че изкуственият интелект вече може да създава автоматизации “почти без човешка намеса”. Че просто трябва да опишеш какво искаш и LLM ще се справи с останалото.

И честно? Този разказ е опасен.

Не защото изкуственият интелект не е мощен. Той е.

Но тъй като създава фалшиви очаквания, които водят до загуба на време, загуба на пари и счупени системи.

И така, днес правя нещо различно.

Ще ти покажа точно същата задача за автоматизация Дадох на себе си и на три различни AI модела: ChatGPT, Claude и Gemini.

Ще видите какво са произвели.

Ще видите какво произведох.

И най-важното, ще разберете защо разликата е важна и какво означава това за всеки, който обмисля да използва AI за автоматизиране на бизнеса си.

Предизвикателството: Истинска клиентска заявка

Ето задачата, която получих от клиент:

“От Google Sheet, вътре в колоната Psychoprofile под подточка 5) ‘Съвпадащи оси’, вземете точките от ‘Нужда от структура’ и ‘Емоционална подкрепа’ за студенти и ментори и ги поставете в отделни колони (‘Нужда от структура’ и ‘Емоционална подкрепа’), защото ще съпоставяме с тях, но те трябва също да останат в психопрофила.”

За хора, които не са технически настроени, нека преведа:

Клиентът имаше електронна таблица със стълб, съдържащ подробни психологически профили на хора. Заровен в тези профили беше раздел, наречен “Съвпадащи оси”, който включваше две конкретни оценки по скала от 1-5 за подточки: Нужда от структура и Емоционална подкрепа.

Тези резултати бяха скрити в параграфи от текст и клиентът имаше нужда те да бъдат извлечени и поставени в собствени колони, за да може да ги използва по-късно в процеса, с друга автоматизация, за да съпостави учениците с ментори.

Уловката? Първоначалната информация трябваше да остане точно както беше. Без промени. Без изтривания.

Когато за пръв път погледнах електронната таблица, разбрах задачата незабавно. Вече можех да видя цялата архитектура на автоматизацията в главата си.

Но преди да го построя, исках да тествам нещо.

Исках да видя как трите най-популярни AI асистенти ще се справят със същия проблем.

Експериментът: ChatGPT срещу Claude срещу Gemini

Не просто попитах всеки ИИ: “Как би направил това?”

Това би било твърде лесно да се отхвърли.

Вместо това, написах подробна, внимателно структурирана подкана, която описваше:

• Точният контекст
• Структурата от данни
• Бизнес изискването
• Техническите ограничения
• Очакваният формат на изхода

Използвах същия подканващ текст за всичките три: ChatGPT, Claude и Gemini.

Ако изкуственият интелект наистина можеше да замени архитект по автоматизация, това трябваше да е лесно, нали?

---

Това е подкана, ако някой иска да я тества: 

Вие сте старши инженер по автоматизация с богат практически опит в n8n.

Работите по готови за производство автоматизации, които могат да бъдат директно импортирани и използвани в n8n без допълнителни корекции.

## Контекст

Имам Excel файл с множество колони. Сред тях са:

– колона “Психопрофил”

– два съседни стълба: “Нужда от структура” и “Емоционална подкрепа”

В колоната “Психопрофил” има подточка:

5) “Съвпадащи оси”, която съдържа (освен други данни) стойности за:

– “Need for structure: [ number from 1 to 5] – [ Description] ”

– “Emotional support: [ number from 1 to 5] – [ Description]”

## Business requirement

From sub-item 5) “Matching axes” in “Psychoprofile” it is necessary to:

– subtract [ number from 1 to 5], which is found both in “Need for structure” and “Emotional support”. Then these numbers from 1 to 5 should be added in the corresponding columns: “Need for structure” and “Emotional support”.

– the original information should remain unchanged in the column “Psychoprofile”!!!

## Your task

1. Describe the logical structure of the automation in n8n (nodes, sequence, transformations).

2. Generate valid, importable and production-ready JSON for the n8n workflow:

– The JSON must strictly follow the format used by n8n

– not contain placeholders or sample values

– be ready for direct import into n8n

## Limitations

– Do not change or delete existing information in the “Psychoprofile”

– Add values ​​only in the columns: “Need for structure” and “Emotional support”.

– Do not add additional business rules beyond those described

– If the structure of the “Matching axes” is not completely clear, make reasonable assumptions and describe them explicitly before the solution

## Output format

1. Brief description of the automation

2. JSON of the n8n workflow in a separate code block)

---

What the LLMs Got Right

To their credit, all three AI models correctly identified one critical factor: they recognized that the task required REGEX (a pattern-matching technique used to extract specific text from larger blocks).

This is actually significant.

A beginner building automations would probably try to use an AI assistant to extract the numbers, which would be the worst possible choice for the client.

Why? I’ll explain that in detail later.

What the LLMs Got Wrong

Everything else.

Let me be blunt: none of the three solutions would work in production.

Here’s what each AI produced (I’ll spare you the technical details for now):

Gemini’s Solution:

• Created mock data instead of connecting to the actual Google Sheet
• Would only work as a one-time test, not a real automation

Claude’s Solution:

• Read and wrote files locally instead of updating the Google Sheet
• Would create a new file each time instead of updating the existing spreadsheet
• No error handling for when data is missing

ChatGPT’s Solution:

• Used a webhook trigger (which makes no sense for this use case)
• Overly complicated extraction logic
• No consideration for rate limits or API constraints

All three solutions looked impressive on the surface.

All three would fail in the real world.

The Human Solution: What I Actually Built

Now let me show you what I built in those 30 minutes.

For the non-technical readers, I’ll explain each step in plain language.

Стъпка 1: Свържете се към реалния източник на данни

Първо, свързах се директно с Google Sheet на клиента.

Не са фалшиви данни. Не е локален файл. Действителният електронния лист, с който работят всеки ден.

Това изглежда очевидно, но погледнете назад към решенията на AI: само едно от тях дори опита това и сгреши подхода.

Стъпка 2: Филтриране на редовете, които трябва да бъдат обработени

Добавих филтър, който обработва само редове, където:

• Колоната Psychoprofile съдържа данни, И
• Колоната “Нужда от структура” е празна

Мислете за това като за врата за качество. Тя предотвратява автоматизацията от:

• Обработка на един и същи ред два пъти
• Опитвам се да извлека от празни клетки
• Презаписване на данни, които вече са обработени

Това е бизнес правило, не техническо изискване. 

AI моделите не включваха нищо подобно, защото не разбират реалния работен процес.

Стъпка 3: Обработвайте по един ред наведнъж

Използвах нещо, наречено “Цикъл”, за да обработя всеки ред поотделно.

Защо едно по едно вместо наведнъж?

Тъй като тази автоматизация актуализира външна система (Google Sheets) и има риск от:

• Повторни актуализации
• Пропуснати редове
• Нестабилно поведение, ако се опитаме да направим твърде много наведнъж

Когато строите за производство, Стабилността побеждава скоростта всеки път.

Никое от разгледаните AI решения не го взе предвид.

Стъпка 4: Извличане на числата с помощта на REGEX

Тук се случва действителното извличане.

ChatGPT ми помогна да напиша персонализиран код, който разглежда текста в колоната Psychoprofile и използва REGEX модели, за да намери:

• “Нужда от структура: [число от 1 до 5]”
• “Емоционална подкрепа: [число от 1 до 5]”

Кодът извлича САМО числата и игнорира всичко останало.

Ето ключовата разлика от AI решение:

Моят REGEX код е детерминиран. 

Това следва строги правила. 

Или намира шаблона, или не. 

Няма “интерпретация”.” 

Без “гадаене.” 

Няма “вероятно”.”

Ако се счупи, се счупва по предсказуем начин и мога да го поправя, като добавя ново правило.

Стъпка 5: Проверете резултатите

Преди да запиша каквото и да било обратно в електронната таблица, добавих още един филтър:

Има ли тази редица действително числа и за двете “Нужда от структура” И “Емоционална подкрепа”?

Ако да → преминете към следващата стъпка.

Ако не → пропуснете този ред и преминете към следващия.

Това предотвратява автоматизацията да записва непълни или неверни данни.

Отново, това е за производствена надеждност, а не само “да го накараш да работи веднъж”.”

Стъпка 6: Запишете данните обратно в Google Sheets

Едва сега записваме извлечените числа обратно в електронната таблица в правилните колони.

Стъпка 7: Изчакайте преди обработката на следващия ред

Добавих 10-секундно изчакване между всеки ред.

Защо?

За да се избегне претоварване на API на Google Sheets с твърде много заявки твърде бързо, което може да доведе до неуспех на автоматизацията или временно блокиране.

Това е детайл, който научаваш само от опит. AI моделите не включваха нищо подобно.

Стъпка 8: Затворете цикъла и повторете

Автоматизацията продължава да обработва ред по ред, докато всички редове бъдат обработени.

Защо избрах REGEX пред LLM асистент

Сега, нека да обсъдим слона в стаята.

И трите AI модела правилно идентифицираха, че е необходим REGEX. Но ето алтернативен подход, който можех да използвам:

Вместо да използвам REGEX, можех да изпратя всеки текст от Psychoprofile на AI модел (като Claude или GPT) и да го помоля да извлече числата.

Всъщност, много начинаещи в автоматизацията биха направили точно това.

И защо не го направих?

Причина 1: Цена

Всеки път, когато изпращате текст на AI модел, плащате за:

• Входни токени (текстът, който изпращате)
• Изходни токени (отговорът, който получавате)

Със стотици или хиляди редове, това се натрупва бързо.

РЕГЕКС? 

Напълно безплатно. 

Изпълнява се локално. 

Няма API обаждания. 

Без такси за използване.

Причина 2: Надеждност

Дори с перфектна подкана и ниски настройки на температурата, един AI модел може:

• Халюцинирайте числа, които не съществуват
• Тълкувайте текста по различен начин от този, който сте възнамерявали
• Пропускам числа, които са форматирани малко по-различно

REGEX е 100% детерминиран. Или съвпада с шаблона, или не. Няма двусмислие.

Причина 3: Скорост

REGEX работи незабавно. Без забавяне на мрежата. Без чакане за отговор от API.

На един AI модел са му нужни:

• Изпращане на заявката през интернет
• Изчаквам моделът да го обработи
• Получаване на отговора обратно

Умножете това по стотици редове и добавяте значително забавяне.

Причина 4: Предсказуемост и подобрение с течение на времето

Ето най-важната причина:

REGEX се подобрява с всеки граничен случай, с който се сблъсквате.

Ако автоматизацията срещне нов формат, който не разпознава, аз мога:

1. Добавете нов шаблон към REGEX
2. Тествайте го
3. Разгърни го
4. Сега се справя с този случай завинаги

С AI модел, всеки нов граничен случай изисква:

• Актуализиране на подканата (но имайте предвид, че не можете да поставяте все повече текст в подканата, защото в даден момент тя ще започне да връща само грешки)
• Тестване, за да се уверим, че не нарушава други случаи
• Надявам се моделът да го интерпретира правилно всеки път

REGEX решението става по-надеждно с течение на времето. AI решението въвежда повече променливи.

Кога един AI асистент би бил правилният избор?

Не казвам, че изкуственият интелект никога не е правилният инструмент. Абсолютно има случаи, в които използването на голям езиков модел има смисъл:

• Когато текстът е силно неструктуриран
• Когато моделите са твърде сложни за REGEX
• Когато имате нужда от семантично разбиране, а не само от съпоставяне на модели
• Когато цената и скоростта не са критични фактори

Но за тази задача? REGEX беше правилният избор.

Целта не е “интелигентна интерпретация”.” 

Целта е абсолютна точност и повторяемост.

Реалните разлики: Защо човешкото решение работи, а решенията с изкуствен интелект не

Нека разложа основните разлики по начин, който е важен за собствениците на бизнес, а не само за разработчиците.

1. AI решенията не отчитат хаоса в реалния свят

И трите AI модела предположиха:

• Данните са чисти
• Форматът е последователен
• Нищо няма да се обърка

В действителност:

• Някои редове може да имат печатни грешки
• Някои може да използват различна пунктуация (тире срещу точка)
• Някои може да нямат никакви данни

Моето решение обработва изрично всички тези случаи.

2. AI решенията нямат възстановяване от грешки

Какво се случва, когато REGEX не намери съвпадение?

В AI решениятаАвтоматизацията или щеше да се срине, или да запише неверни данни.

В моето решениеРедът се пропуска, записва се в дневника и се маркира за ръчна проверка.

3. AI решенията не зачитат ограниченията на API

Google Sheets има ограничения за честотата на заявките. Ако изпращате твърде много заявки твърде бързо, ще ви блокира.

Никое от решенията за изкуствен интелект не включваше ограничение на скоростта или изчакване.

Моето го прави.

4. AI решенията са “запали и забрави”

AI моделите изградиха автоматизации, които щяха да се изпълнят веднъж и след това… какво?

• Как знаеш дали е проработило?
• Как разбирате дали нещо се е провалило?
• Как го наблюдавате във времето?

Никой от тях не го засегна.

Моето решение включва:

• Ясно записване на всеки етап
• Състояния на грешки, които могат да бъдат наблюдавани
• Процес, който може да бъде безопасно повторен, ако е необходимо

5. AI решенията не разбират разликата между “достатъчно добро” и “готово за производство”

Това е най-голямата разлика.

AI решенията биха работили като “мозъчна атака” ако има.

Те нямаше да работят дори в контролирана демонстрация.

И те определено не биха работили като производствена система that runs, handles edge cases, and doesn’t require constant babysitting.

What This Experiment Actually Proves

This isn’t an article about “AI is bad” or “humans are better.”

It’s an article about the gap between a working demo and a production system.

AI is incredibly good at:

• Understanding requirements
• Suggesting approaches
• Generating starting points
• Explaining concepts

But AI right now is not good at:

• Understanding operational constraints
• Anticipating failure modes
• Building for long-term maintainability
• Making trade-offs based on business context

The Uncomfortable Truth About “AI-Built Automations”

Here’s what I really want you to understand:

The output is not the product. 

The system is the product.

When you hire someone (or use AI) to build an automation, you’re not just buying:

• A workflow that runs once
• A script that works with perfect data
• A demo that impresses in a meeting

You’re buying:

• A system that handles errors gracefully
• A process that can be monitored and improved
• An architecture that won’t break when your business changes

And that’s where AI falls short.

Not because the technology isn’t impressive. It is.

But because building production systems requires judgment, experience, and context that AI doesn’t have.

When AI Is Your Co-Pilot, Not Your Pilot

Let me be clear: I use AI every single day in my work.

I use it to:

• Generate boilerplate code faster
• Explore different approaches to a problem
• Document my work more efficiently
• Debug issues I’m stuck on

But I never trust AI to make the final call on:

• Architecture decisions
• Error handling strategies
• Production deployment approaches
• Trade-offs between speed, cost, and reliability

AI accelerates my work. 

But it doesn’t replace my judgment.

Think of it this way:

AI is like having a junior developer who’s incredibly fast, knows a lot of syntax, but has never actually shipped anything to production.

They can help. They can save you time. They can generate ideas.

But you still need someone with experience to review their work, catch edge cases, and ensure it’s production-ready.

What You Should Take Away From This

If you’re a business owner considering automation, here’s what matters:

1. Don’t Trust “AI-Built Automations” Without Human Oversight

If someone tells you they can build your automation “100% with AI,” run.

Not because AI can’t help. It can.

But because production systems require:

• Business context AI doesn’t have
• Operational experience AI doesn’t possess
• Trade-off decisions that require judgment

2. The Cheapest Solution Upfront Is Usually the Most Expensive Long-Term

A half-working automation that requires constant fixes costs more than a properly built system that runs reliably from day one.

I’ve seen companies pay for the same automation three times because they kept choosing the cheapest option that “looked good enough.”

3. Ask Your Automation Partner These Questions

Before you hire anyone (or use AI) to build an automation, ask:

• “How will this handle errors?”
• “What happens when the data format changes?”
• “How will we monitor if this is working?”
• “Can this be safely re-run if something goes wrong?”
• “What’s your plan for maintaining this over time?”

If they can’t answer these questions clearly, they’re not building for production. They’re building a demo.

4. Understand the Difference Between “Working” and “Production-Ready”

“Working” means it runs successfully once or a few times with good data.

“Production-ready” means:

• It handles bad data gracefully
• It includes error recovery
• It can be monitored
• It respects API limits
• It’s maintainable by someone other than the original builder

That’s the difference between a $500 automation and a $5,000 automation.

And paradoxically, the $5,000 automation is usually cheaper in the long run.

My Prediction for the Next 12 Months

AI will get better at building automations. Much better.

But it won’t replace human expertise. It will augment it.

The automation architects who win will be the ones who:

• Use AI to work faster
• But apply human judgment to work better
• Combine the speed of AI with the reliability of experience

The automation projects that fail will be the ones built entirely by AI without proper oversight, maintenance, or production readiness.

Speed without quality is just expensive chaos.

The Question You Should Really Be Asking

It’s not “Can AI build my automation?”

It’s “Can the person building my automation use AI effectively while ensuring what they deliver actually works in the real world?”

That’s the difference between:

• A tool that helps you
• A system that transforms your business

Want to See How Real Automation Is Built?

If you’re considering automation for your business and want to work with someone who:

• Understands the difference between demos and production systems
• Използва изкуствен интелект като инструмент, а не като заместител на опита
• Изгражда системи, които се наблюдават, поддържат и са наистина надеждни

Тогава нека поговорим.

Ще прегледам вашия процес, ще идентифицирам какво си струва да се автоматизира и ще ви дам честна оценка дали автоматизацията има смисъл в момента.

Без генерирани от изкуствен интелект обещания. Без приказки за “настрой го и забрави го”. Само реален разговор за това какво работи и какво не.

👉 Запишете безплатна консултация тук

Последна мисъл

Тази статия не е за това, че изкуственият интелект е безполезен. Тя е за това, че изкуственият интелект е неразбран.

Изкуственият интелект е невероятен инструмент, когато се използва правилно.

Но това е опасен пряк път, когато се използва небрежно.

Компаниите, които ще спечелят от автоматизацията, ще бъдат тези, които разбират:

Технологията е инструментът. Опитът е майсторът. И двете са необходими.

Кой имаш?