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

Второй инструмент – «техника несогласия»: после получения ответа ИИ намеренно формулируйте возражения, даже если ответ кажется верным. «С чем я не согласен в этом тексте?» «Что здесь упущено?» «Где я вижу это иначе?» Эта техника одновременно улучшает результат (вы находите реальные слабые места) и поддерживает критическое мышление.

Пример: правило пустой страницы в действии

Стратегический директор перед подготовкой ежеквартального обзора рынка сначала записывает от руки: три главных тренда, которые он видит, два риска, которые его беспокоят, один нестандартный вывод. Затем открывает ИИ с запросом на обзор. Сравнение своих заметок с ИИ-ответом даёт ему карту расхождений – именно в местах расхождений он находит либо слепые пятна в своём анализе, либо ошибки модели. Финальный обзор сильнее, чем любой из двух исходных.

2.4 Первое знакомство с ограничениями

Ограничения языковых моделей – не список досадных недостатков, а системные свойства технологии. Знание их заранее меняет реакцию: вместо разочарования при первой ошибке – предсказуемая проверка предсказуемых категорий риска. Главу 15 посвящена детальному анализу верификации; здесь – базовый рефлекс, который нужен уже сейчас.

2.4.1 Что такое галлюцинация и почему она неизбежна

Из Главы 1 вы помните: LLM предсказывает следующий токен на основе распределения вероятностей, а не извлекает факты из базы данных. Когда модель «не знает» ответа на фактический вопрос, она не говорит «я не знаю» (хотя современные модели часто так и делают на прямые вопросы). Она генерирует статистически правдоподобный ответ – фрагмент текста, который выглядит так, как выглядел бы правильный ответ. Это и есть галлюцинация.

Важный нюанс: галлюцинации не случайны по своей природе. Они концентрируются в определённых областях. Там, где в обучающих данных было много качественного текста (популярные темы, хорошо документированные события), галлюцинации редки. Там, где текста было мало или он был противоречивым (узкоспециальные темы, события после даты обучения, малоизвестные факты), галлюцинации значительно чаще. Из этого следует практический вывод: чем более специализирован ваш запрос, тем выше вероятность ошибки.

2.4.2 Три быстрых сигнала ненадёжного ответа

Первый сигнал – точные числа без указания источника. Любое число, которое звучит конкретно («в 2024 году рынок вырос на 23,4%», «согласно исследованию, 68% пользователей…»), требует проверки. Модели часто генерируют правдоподобно выглядящие цифры там, где реальных данных нет. Второй сигнал – конкретные ссылки: названия статей, авторы, DOI, URL. Модель может сгенерировать ссылку, которая выглядит реальной, но не существует. Проверка здесь проста: пробуйте перейти по ссылке или найти источник. Третий сигнал – уверенный ответ на вопрос из узкоспециальной области или о недавних событиях. Если тема достаточно специфична, что вы сами не можете оценить правдоподобность ответа – это именно та ситуация, когда надо проверять.

Запомнить: три сигнала ненадёжного ответа

1. Конкретные числа и статистика без явного источника

2. Ссылки, цитаты, DOI, URL – проверяйте их существование

3. Уверенный ответ на узкоспециальный вопрос или о событиях после даты обучения модели

2.4.3 Базовый рефлекс верификации: перекрёстная проверка за 2 минуты

Для большинства рабочих задач не нужен полноценный фактчек – достаточно быстрой перекрёстной проверки. Алгоритм: берёте одно-два ключевых утверждения из ответа ИИ, которые кажутся наиболее важными или неожиданными, и проверяете их в независимом источнике. Для деловой информации – отраслевые базы данных, официальные сайты компаний. Для правовой информации – Консультант Плюс, Гарант, официальные тексты актов. Для научных утверждений – Киберленинка, Google Scholar, первичные публикации.

Два минуты – реалистичная оценка для быстрой проверки одного-двух ключевых фактов. Если ответ прошёл эту проверку, вероятность критических ошибок в остальной части значительно ниже. Если обнаружена ошибка – это сигнал проверить всё ответственное содержание более тщательно. Логика: одна обнаруженная галлюцинация повышает вероятность наличия других.

2.4.4 Зоны повышенного риска: числа, даты, имена, цитаты

Это четыре категории, где галлюцинации наиболее часты и наиболее опасны, потому что выглядят конкретно. Числа: рыночные данные, статистика, финансовые показатели, доли рынка. Даты: даты принятия законов, события, исторические факты (особенно если речь о точных датах, а не о десятилетиях). Имена: должности конкретных людей, авторство работ, состав советов директоров – всё это меняется, и модель может работать с устаревшими данными. Цитаты: прямые цитаты реальных людей могут быть созданы моделью без какого-либо реального высказывания.

Практическое правило для работы с этими категориями: не используйте числа, даты, имена и прямые цитаты из ИИ-ответа без проверки по первичному источнику. Это не значит, что ИИ бесполезен для таких задач – он полезен как инструмент поиска направления и структурирования. Но конкретные факты из этих четырёх категорий – всегда верифицировать.

2.5 Личный стиль работы с ИИ

Попытка следовать «правильному» сценарию использования ИИ, не вписанному в собственный рабочий контекст, – одна из причин, по которым люди бросают инструмент после первых недель. Продуктивная работа с ИИ персональна: она строится вокруг конкретных задач, конкретных профессиональных привычек и конкретного стиля мышления. Эта часть главы – о том, как найти свою точку входа.

2.5.1 Диагностика своих задач: где ИИ уже может помочь

Отправная точка – не «что умеет ИИ», а «что делаю я». Большинство профессионалов проводят значительную часть рабочего времени за операциями, которые являются явными кандидатами на ИИ-поддержку, но не осознают этого, потому что не смотрят на свою работу через этот фильтр. Неделя аудита меняет картину.

Аудит рабочей недели – это практикум 2.А в конце этого параграфа. Здесь дадим критерии оценки. Задача является сильным кандидатом на ИИ-поддержку, если: она связана с созданием или обработкой текста (написание, редактирование, резюмирование, структурирование), она повторяется хотя бы раз в неделю, первый черновик можно передать без критических последствий от ошибки, на неё уходит непропорционально много времени относительно её стратегической важности.

Задача является слабым кандидатом на делегирование, если: требует уникального контекста, который сложно передать, относится к зоне ответственности (итоговое решение за вами в любом случае), является навыкообразующей для вашего профессионального роста, или её качество критически зависит от неявного знания, которое сложно вербализовать.

2.5.2 Типы пользователей и их сценарии

Можно выделить несколько характерных профилей входа в работу с ИИ. Не для классификации – для того, чтобы вы увидели, в каком профиле узнаёте себя, и выбрали соответствующую точку старта.

Создатель текстов – человек, значительная часть работы которого состоит из создания текстов: менеджер, маркетолог, преподаватель, консультант. Для него ИИ сразу даёт ощутимый эффект в качестве соавтора черновиков и редактора. Быстрая победа: первый черновик за 15 минут вместо двух часов. Риск: автоматизированное доверие к тексту, который «неплохо звучит».

Аналитик данных без кода – специалист, работающий с таблицами и отчётами, но не пишущий код. Для него ИИ открывает доступ к анализу данных через описание задачи на естественном языке – без формул и скриптов. Быстрый результат: анализ таблицы с поиском аномалий за 20 минут. Риск: принятие некорректной интерпретации данных без проверки.

Специалист с узкой экспертизой – юрист, врач, инженер, финансист. Для него ИИ наиболее полезен как инструмент структурирования и первичного поиска, но наиболее опасен в части специализированных фактов. Быстрый результат: первичный анализ документа по чек-листу критериев. Риск: доверие к галлюцинации в узкоспециальной области, которую сложно проверить.

Координатор и менеджер – человек, большую часть времени проводящий в коммуникациях, встречах, согласованиях. Для него ИИ наиболее ценен в подготовке к встречам, протоколировании и формулировке задач. Быстрый результат: структурированный протокол из записи встречи за 10 минут. Риск: потеря нюансов межличностных договорённостей, которые не были зафиксированы явно.

2.5.3 Построение первой личной карты инструментов

Карта инструментов – это живой документ, который вы будете обновлять по мере нарабатывания опыта. На старте достаточно простой структуры: задача → инструмент → тип использования (делегирование / совместная работа / информационный ресурс) → ключевые риски.

Практикум 2.Б в конце этой главы – пошаговое построение такой карты. Здесь – принципы. Карта должна быть конкретной: не «использую ИИ для текстов», а «черновики еженедельного отчёта → GigaChat Professional → делегирование → проверяю числа и ссылки перед отправкой». Карта должна быть честной: включайте задачи, которые вы попробовали и отказались делегировать, – с объяснением почему. Это столь же ценная информация. Карта должна обновляться: раз в месяц стоит смотреть, не изменилось ли что-то в доступных инструментах или ваших задачах.

Первая версия карты не должна быть исчерпывающей. Начните с трёх-пяти задач, которые занимают большую часть вашего времени. Хорошая карта инструментов для одного человека редко содержит более 10–15 позиций – всё остальное решается ситуативно.

Практикум 2.А: Аудит рабочей недели – таблица задач с оценкой потенциала автоматизации

Задача: за пять рабочих дней собрать данные о своих задачах и оценить потенциал ИИ-поддержки для каждой из них.

Шаг 1 – В конце каждого рабочего дня (или по ходу, если удобнее) записывайте все задачи, которым посвятили более 20 минут. Для каждой фиксируйте: название задачи, затраченное время, был ли это текст/анализ/коммуникация/что-то другое.

Шаг 2 – После сбора данных за неделю оцените каждую задачу по четырём критериям (оценка: высокий / средний / низкий потенциал):

• Доля текстовой работы в задаче (написание, редактирование, резюмирование)

• Частота повторения (ежедневно / еженедельно / редко)

• Цена ошибки на первом черновике (низкая / средняя / высокая)

• Доступность контекста для передачи в промпте (легко / затруднительно / невозможно)

Шаг 3 – Выберите три задачи с наивысшим суммарным потенциалом. Для каждой сформулируйте черновой промпт: кто вы, какова задача, какой формат нужен на выходе, какие ограничения.

Шаг 4 – Протестируйте хотя бы один из черновых промптов в доступной модели и зафиксируйте, насколько результат приблизился к тому, что вам нужно.

Ожидаемый результат: таблица с оценкой 15–20 задач + три черновых промпта + первый тест одного из них.

На что обратить внимание: задачи с «высокой ценой ошибки» не означают «не делегировать» – они означают «делегировать черновик с обязательной проверкой». Это разные вещи.

Практикум 2.Б: Личная карта ИИ-инструментов и первый шаблон проверки ответа

Задача: построить первую версию личной карты инструментов и создать персональный чек-лист верификации.

Часть 1 – Карта инструментов

Создайте таблицу с пятью столбцами: Задача | Инструмент | Тип использования | Ключевые риски | Статус (активно / тестирую / отказался).

Заполните минимум пять строк на основе результатов практикума 2.А или текущего опыта.

Для каждой строки: «Тип использования» – выберите из трёх вариантов: делегирование (ИИ делает, я проверяю), соавторство (итеративный диалог), справочник (ИИ как источник информации, решение за мной).

Часть 2 – Чек-лист верификации

Составьте персональный список из 4–6 вопросов, которые вы будете задавать себе перед использованием ИИ-ответа в работе. Обязательно включите:

• Есть ли в ответе числа, даты, имена или цитаты? Если да – проверил ли я хотя бы ключевые из них?

• Соответствует ли этот ответ тому, что я знаю о теме из других источников?

• Какова цена ошибки, если этот ответ окажется неверным?

Добавьте 1–3 специфических для вашей профессии вопроса (например, для юриста: «Актуальна ли ссылка на нормативный акт?»; для маркетолога: «Соответствуют ли данные о конкурентах реальности на сегодняшний день?»).

Ожидаемый результат: таблица карты (минимум 5 строк) + персональный чек-лист (4–6 вопросов).

На что обратить внимание: если при заполнении таблицы вы затрудняетесь с классификацией задачи – это часто признак того, что зона ответственности не определена и её стоит прояснить до делегирования.

Типичные ошибки при формировании рабочей модели с ИИ

Ошибка 1: «Всё или ничего»

В чём: пользователь либо пытается делегировать ИИ абсолютно все задачи (и разочаровывается при первых ошибках), либо использует его только для совсем простых вещей, не позволяя инструменту проявить реальный потенциал.

Как правильно: начать с трёх-пяти задач со средним потенциалом. Не самых тривиальных (там выигрыш незаметен), не самых критических (там риск ошибки высок). Ощутимый выигрыш в знакомой задаче – лучшая мотивация для расширения применения.

Ошибка 2: Игнорирование фазы адаптации

В чём: человек пробует ИИ несколько раз, не получает нужного результата и делает вывод «не работает». Адаптация к новому инструменту всегда требует времени: нужно научиться формулировать задачи, понять, где модель надёжна, выработать личный стиль взаимодействия.

Как правильно: зарезервировать под адаптацию минимум 3–4 недели активного использования (не «поиграть пять раз»). Качество работы с инструментом улучшается нелинейно: первые две недели – медленно и с разочарованиями, затем – скачок.

Ошибка 3: Перекладывание ответственности

В чём: «ИИ написал, я не виноват». Пользователь отправляет ИИ-ответ или ИИ-документ без критической проверки, и когда обнаруживается ошибка – считает, что ответственность с него снята. С профессиональной и юридической точки зрения – нет.

Как правильно: человек, подписывающий документ, несёт ответственность за его содержание независимо от того, каким инструментом он воспользовался при подготовке. ИИ – инструмент, как печатная машинка или Excel. Ответственность за результат – за автором.

Ошибка 4: Принятие «улучшенного» как «правильного»

В чём: человек пишет черновик, просит ИИ его улучшить, получает стилистически более гладкий текст – и принимает его без сравнения с оригиналом. Стилистическое улучшение может сопровождаться искажением смысла: модель переформулировала «ориентировочно 30%» как «более 30%», или заменила осторожную оценку на уверенное утверждение.

Как правильно: при использовании ИИ для редактирования своих текстов всегда сравнивайте версии по смысловому содержанию, а не только по стилю. Обращайте особое внимание на модальные слова («возможно», «по оценкам», «примерно») – именно они чаще всего меняются при «улучшении».

Ошибка 5: Статичная карта инструментов

В чём: человек один раз определяет, как использует ИИ, и больше к этому не возвращается. Между тем и модели меняются, и его задачи эволюционируют, и накапливается опыт, меняющий оценку рисков.

Как правильно: раз в один-два месяца делайте краткий ретроспективный обзор: какие задачи добавились, где качество модели изменилось, где вы обнаружили новые риски или возможности. Карта инструментов – живой документ, а не зафиксированное решение.

Кейс 2026: Юрист, который обнаружил ошибку через месяц

Елена – старший юрист в юридической фирме, специализирующейся на корпоративном праве. Опыт работы – 11 лет. В начале 2025 года она начала использовать ИИ для первичного анализа договоров: загружала документ, просила выделить потенциально проблемные условия и несоответствия стандартной практике.

Первый месяц – без проблем и с ощутимым эффектом. Стандартный договор поставки, который раньше занимал полтора часа, теперь проходил первичный скрининг за 20 минут. Елена концентрировалась на нестандартных условиях, которые ИИ выделял как потенциально проблемные. Производительность выросла, клиенты получали документы быстрее.

На шестой неделе произошёл инцидент. Елена работала с договором аренды нежилого помещения. ИИ провёл анализ, не выделив проблем с условиями об ответственности арендатора. Елена ограничилась беглой проверкой и передала клиенту. Через три дня клиент обратился с вопросом о формулировке пункта об ответственности за ущерб – и именно тогда Елена при детальном прочтении обнаружила условие, которое существенно расширяло ответственность её клиента относительно рыночной нормы. ИИ не отметил его как проблему – вероятно, потому что формулировка была юридически корректной, хотя и невыгодной для арендатора.

Потери: час работы на исправление, репутационный дискомфорт перед клиентом, но без юридических последствий – договор ещё не был подписан. Главный урок, по словам Елены: «ИИ хорошо видит юридические аномалии – нарушения стандартных формулировок. Он плохо видит стратегическую невыгодность условий для конкретного клиента, потому что для этого нужно понимать контекст сделки, который я ему не даю».

Изменение подхода: Елена ввела дополнительный промпт – «Теперь оцени каждое условие с позиции арендатора: насколько оно выгодно/невыгодно по сравнению со стандартной практикой?» Добавила контекст о типе клиента и характере сделки в начало каждого запроса. Результат следующих трёх месяцев – ни одного пропущенного существенного условия.

Честный итог: инцидент потребовал пересмотра подхода, но не отказа от инструмента. Разница между «ИИ не работает» и «мой промпт недостаточен» – ключевая. После уточнения подхода Елена сохраняет экономию около 35–40% времени на первичный анализ договоров. Этот случай стал основой внутреннего стандарта фирмы: каждый юрист при использовании ИИ для анализа документов обязан включать в промпт контекст стороны, интересы которой он представляет.

Ключевой вывод кейса

ИИ анализирует текст. Стратегический контекст – интересы клиента, ситуацию сделки, баланс переговорных позиций – нужно передавать явно. Отсутствие «красных флагов» в ИИ-анализе не означает отсутствие проблем – оно означает отсутствие проблем в рамках переданного контекста.

Контрольные вопросы к Главе 2

1. (Применение) Опишите три задачи из вашей профессиональной практики. Для каждой определите зону: делегирование, совместная работа или исключительная ответственность человека. Обоснуйте критерии отнесения.

2. (Анализ) Коллега говорит: «Я получил от ИИ отчёт об исследовании рынка – всё чётко структурировано, написано профессионально, поэтому я сразу отправил его клиенту». Какие конкретные риски он допустил? Что следовало проверить перед отправкой?

3. (Применение) Используя технику «правила пустой страницы», опишите задачу из вашей работы, которую вы планируете делегировать ИИ. Сформулируйте: что вы напишете на «пустой странице» до обращения к модели, и как вы будете оценивать, где ответ ИИ совпадает с вашим мышлением, а где расходится.

4. (Оценка) Елена из кейса этой главы изменила подход после инцидента: стала добавлять контекст стороны в промпт. Предложите ещё два изменения в её рабочем процессе, которые снизили бы риск пропуска стратегически невыгодных условий – без радикального увеличения времени работы.

5. (Синтез) Один из аргументов против активного использования ИИ звучит так: «Если я буду делегировать написание текстов, я потеряю навык письма». Согласны ли вы с этим аргументом? Сформулируйте позицию, опираясь на концепцию когнитивной разгрузки и «навыкообразующих задач» из параграфа 2.3.3.

→ К Главе 3: Основы промпт-инжиниринга

Следующая глава переходит от философии к технике. Вы уже знаете, зачем формулировать задачу точно; теперь – конкретно как. Анатомия промпта, базовые техники, итеративный диалог – всё, что превращает «я задаю вопрос» в системный инструмент производительности.

Глава 3. Основы промпт-инжиниринга

Часть II · Язык взаимодействия: промпт-инжиниринг

Учебные результаты: сконструировать промпт по анатомии КЗФО (контекст–задача–формат–ограничения); провести итеративный диалог; собрать первый промпт-шаблон.

Из Главы 2 вы вынесли рабочее убеждение: слабый результат ИИ – чаще проблема формулировки, а не проблема модели. Эта глава – практический ответ на вопрос, как выглядит хорошая формулировка, из каких компонентов она состоит и как выстроить диалог, который с каждой итерацией движется к нужному результату, а не топчется на месте.

Промпт-инжиниринг (prompt engineering) – это не программирование. Это дисциплина точного технического задания на естественном языке. У хорошего промпта есть предсказуемая структура. Знание этой структуры сокращает путь от «хаотичного набора текста» до «воспроизводимого результата» с нескольких часов экспериментов до нескольких минут.

3.1 Что такое промпт и почему его формулировка так важна

Промпт – это не просто «запрос к ИИ». Это инструкция, которая задаёт контекст рассуждения модели, а не только тему ответа. Понимание этого различия является отправной точкой для систематического подхода.

3.1.1 Промпт как техническое задание

Представьте, что вы нанимаете фрилансера для выполнения задачи. Хорошее техническое задание включает: кто вы и что за проект, что именно нужно сделать, в каком формате сдать результат, какие ограничения учесть. Плохое ТЗ – это «напишите что-нибудь хорошее». Между этими двумя полюсами вся разница в качестве результата.

Языковая модель ведёт себя как очень быстрый, очень широкообразованный и абсолютно неинициативный исполнитель. Она не уточняет, не переспрашивает (если не запрограммирована на это), не догадывается о подразумеваемом контексте. Она работает строго с тем, что получила. Из этого следует прямое следствие: каждый элемент, который вы не указали явно, модель заполнит по умолчанию – своим суждением о «типичном» ответе на данный запрос. Иногда это совпадает с тем, что вам нужно. Часто – нет.

Чем точнее ТЗ, тем выше вероятность, что первый ответ модели будет либо готовым результатом, либо качественным черновиком. На практике это означает: 10 минут на составление промпта могут сэкономить 40 минут на переработку ответа.

3.1.2 Анатомия хорошего промпта: КЗФО

Большинство методологий промпт-инжиниринга сводятся к одной и той же идее, сформулированной разными словами. Здесь мы используем аббревиатуру КЗФО: Контекст – Задача – Формат – Ограничения. Это четыре компонента, каждый из которых решает отдельную проблему.

Контекст сообщает модели, кто вы, в какой ситуации и что уже известно. Без контекста модель выдаёт «среднестатистический» ответ на тему. С контекстом – ответ, привязанный к вашей конкретной ситуации. Задача формулирует, что именно нужно сделать. Не тему, а действие: «напиши», «проанализируй», «сравни», «выдели», «переформулируй». Формат описывает, как должен выглядеть вывод: объём, структура, стиль, уровень детализации. Ограничения задают границы: что не включать, каких слов избегать, какой аудитории предназначен текст.

К – Контекст

З – Задача

Ф – Формат

О – Ограничения

Пример 1:

К:Я – HR-менеджер производственной компании (500 человек). Готовлю внутреннее объявление.

З:Напиши объявление о запуске программы наставничества.

Ф:Объём: 150–200 слов. Структура: заголовок + 2 абзаца + призыв к действию.

О:Без корпоративного жаргона. Тон – живой, не официозный. Без фраз «в рамках стратегии» и «в соответствии с приоритетами».

Пример 2:

К:Я – маркетолог небольшого интернет-магазина спортивного питания. ЦА: мужчины 25–50 лет, любители тренажёрного зала.

З:Напиши 5 вариантов заголовка для карточки товара – протеина.

Ф:Каждый вариант – одна строка, не более 8 слов. Без кавычек и восклицательных знаков.

О:Не использовать слова «лучший», «премиум», «топ». Акцент на результат, не на состав.

КЗФО – это не жёсткий шаблон. Не каждый промпт требует всех четырёх компонентов: простая задача может обойтись без контекста, а знакомая модели тема – без ограничений. Но каждый раз, когда вы получаете неудовлетворительный ответ, стоит проверить: какой из четырёх компонентов отсутствовал или был сформулирован нечётко?