Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов

Шаг 2 — Запустите один и тот же промпт (дословно, без изменений) в трёх разных моделях. Минимальный вариант: GigaChat + YandexGPT + одна зарубежная модель (при наличии доступа). Если доступ к зарубежным моделям ограничен — используйте разные версии доступных (например, базовую и профессиональную версию одной модели).

Шаг 3 — Оцените каждый ответ по пяти метрикам (оценка 1–5):

• Точность: насколько фактически корректен ответ в вашей оценке?

• Полнота: охвачены ли ключевые аспекты задачи?

• Структура: удобно ли читать и использовать ответ?

• Релевантность: насколько ответ применим именно к вашей ситуации?

• Неожиданные находки: есть ли в ответе что-то, что вы не ожидали и что оказалось полезным?

Шаг 4 — Зафиксируйте результаты в таблице (3 модели × 5 метрик) и напишите 2–3 предложения о том, какая модель показалась наиболее подходящей для данного типа задач и почему.

Ожидаемый результат: таблица сравнения + краткий вывод о предпочтительной модели для данного класса задач.

На что обратить внимание: модели могут давать принципиально разные структуры ответа на одну задачу. Обратите внимание не только на содержание, но и на то, насколько уверенно каждая модель формулирует утверждения — и насколько эта уверенность соответствует вашей оценке качества.

Кейс 2026: Менеджер по развитию федеральной розничной сети

Алексей — менеджер по развитию категории в розничной сети с 600+ магазинами. В его задачи входят: мониторинг конкурентов, подготовка категорийных обзоров для байеров, ответы на запросы поставщиков, участие в еженедельных планёрках. До активного использования ИИ он делил рабочее время примерно так: 40% — сбор и обработка данных, 30% — написание текстов и презентаций, 20% — коммуникации, 10% — анализ и стратегические задачи.

В марте 2025 года Алексей провёл эксперимент: в течение двух недель фиксировал каждую задачу длительностью более 30 минут и задавал себе вопрос «а мог бы ИИ ускорить это?». Вывод оказался неожиданным: 8 из 11 крупных задач содержали значительный текстовый или аналитический компонент, который можно делегировать.

Три месяца спустя картина изменилась. Категорийный обзор, который раньше занимал полный рабочий день, теперь готовится за 2–2,5 часа. Схема: загрузить данные по продажам в чат с ИИ, попросить выделить аномалии и сформулировать гипотезы, черновик раздела «выводы и рекомендации» написать вместе с моделью, финальная редактура — 20 минут. Ответы поставщикам на стандартные запросы Алексей теперь генерирует с помощью шаблонных промптов и проверяет, а не пишет с нуля. Подготовка к планёрке — краткое саммари по ключевым KPI — 15 минут вместо 40.

По итогам квартала Алексей взял на себя одну дополнительную категорию, объём которой раньше потребовал бы найма помощника. Расчётная экономия времени — около 8–10 часов в неделю. Из них примерно половина перераспределена на более глубокую аналитику и переговоры с поставщиками, вторая половина — на обучение и личные проекты.

Честный вывод: не всё пошло гладко. Первые три недели Алексей тратил больше времени, чем обычно, — приходилось переформулировать промпты, проверять факты, разбираться с галлюцинациями. Модель однажды уверенно написала данные о доле рынка, которые оказались неверными на 12 процентных пунктов. Система верификации — отдельный навык, который пришлось нарабатывать. Через месяц работа вошла в ритм.

Важно: ключевой урок кейса

Переход к продуктивной работе с ИИ не происходит за первые 20 минут. Период адаптации — 3–4 недели — во время которого производительность может временно падать. Это инвестиция, а не мгновенный результат. Те, кто прерывает использование в этот период (обычно после первой значимой ошибки модели), теряют эффект, который приходит позже.

Типичные ошибки новичка при первом знакомстве с моделью

Ошибка 1: «Одна модель — всё»

В чём: пользователь открывает один чат с одной моделью и убеждён, что теперь «работает с ИИ». Не сравнивает инструменты, не знает, где каждый из них силён.

Как правильно: потратьте один рабочий день на сравнение двух-трёх доступных моделей на реальных задачах. Разница в качестве на конкретной профессиональной задаче может быть значительной. Разные модели имеют разные сильные стороны: одна лучше структурирует длинный текст, другая точнее в аналитических задачах.

Ошибка 2: Доверие к уверенному тону

В чём: модель даёт ответ с категоричными утверждениями («Исследования показывают...», «По данным 2024 года...»), пользователь принимает это как факт. Уверенный тон — не признак достоверности. LLM одинаково уверенно говорит о хорошо задокументированных фактах и о собственных галлюцинациях.

Как правильно: любое конкретное фактическое утверждение с числами, датами, именами, ссылками — проверяйте в первичном источнике. Особенно если оно будет использоваться в документе или публичном контексте.

Ошибка 3: Слишком общий первый запрос

В чём: первый промпт звучит как «Помоги мне с маркетингом» или «Напиши что-нибудь про наш продукт». Пользователь получает общий ответ, разочаровывается и делает вывод, что «ИИ не умеет делать полезное».

Как правильно: первый промпт должен содержать конкретный контекст (кто вы, какова задача), конкретный формат вывода (список, письмо, таблица) и конкретные ограничения (для какой аудитории, каким тоном). Этому посвящены Главы 3 и 4.

Ошибка 4: Игнорирование контекстного окна

В чём: пользователь продолжает один и тот же диалог часами, добавляя всё больше информации. К концу модель начинает «забывать» детали из начала разговора, давать противоречивые ответы. Пользователь приписывает это «ухудшению» модели.

Как правильно: для длинных сессий работы — начинайте новый диалог, повторяя ключевой контекст. Ключевые инструкции и параметры задачи — всегда в начале запроса.

Ошибка 5: Ожидание памяти между сессиями

В чём: пользователь возвращается к модели на следующий день и ожидает, что та «помнит» вчерашний разговор, его предпочтения, его проект. Разочарование, когда приходится объяснять всё заново.

Как правильно: готовьте «карточку контекста» — несколько абзацев о себе, своей задаче, предпочтениях и ограничениях. Вставляйте её в начало нового диалога. Инструменты с памятью существуют (некоторые платформы сохраняют историю и передают её модели), но полагаться на их наличие не стоит без проверки.

Контрольные вопросы к Главе 1

1. (Понимание) Объясните своими словами, почему языковая модель может уверенно давать неверные факты. Какой механизм порождает «галлюцинации»?

2. (Применение) У вас есть задача: подготовить аналитический отчёт на основе внутренних финансовых данных компании. Какие факторы вы рассмотрите при выборе между облачной глобальной моделью и российской корпоративной? Обоснуйте.

3. (Анализ) Сравните три подхода к созданию ИИ — символьный, машинное обучение, глубокое обучение. Для каждого приведите пример задачи, где он показывает себя лучше других, и объясните почему.

4. (Применение) Коллега утверждает: «ИИ написал этот отчёт, значит автором является ИИ, и я не несу ответственности за ошибки». Как вы ответите, опираясь на концепцию контекстного окна и механику генерации текста?

→ К Главе 2: Мышление продуктивного пользователя ИИ

Понимание механики — необходимая, но не достаточная основа. Вторая глава разбирает то, что труднее всего поддаётся формализации: как перестроить логику работы с задачами, когда у вас появился новый класс инструментов — и как не потерять собственное мышление в процессе.

Глава