Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов
Предисловие
ЧЕЛОВЕК УСИЛЕННЫЙ
Практическое руководство по ИИ: от первого промпта до системы агентов
Предисловие
Эта книга пишется в 2026 году – в момент, когда ИИ перестал быть экзотикой и стал частью рабочей среды. Языковые модели встроены в текстовые редакторы, почтовые клиенты, корпоративные системы и мессенджеры. Вопрос больше не «использовать ли ИИ», а «насколько осознанно».
Большинство людей застряли на уровне чат-бота: задали вопрос, получили ответ, закрыли вкладку. Между этим и полноценной системой работы – пропасть, которую не перепрыгнуть случайными экспериментами. Книга строит мост.
* * *
Что внутри
Книга устроена как маршрут, а не энциклопедия. Каждая глава – один навык. Каждый практикум – конкретная задача с измеримым результатом, который можно применить на следующий день.
Путь состоит из семи этапов: понять, как устроен ИИ и почему он ошибается; научиться формулировать запросы, которые дают нужный ответ с первого раза; подключить собственные документы и базы знаний; освоить прикладные сценарии – от текстов до анализа данных; построить автоматизации и агентов, которые работают без вас; выработать критическое мышление для работы с ненадёжным инструментом; сформировать личную стратегию на следующие полгода.
* * *
Про российский контекст
Большинство книг по ИИ написаны для западного читателя с западным набором инструментов. Эта – нет. Здесь также разобраны GigaChat, YandexGPT и другие отечественные модели; учтено законодательство о персональных данных; описаны инструменты, реально доступные в России в 2026 году.
Там, где зарубежные решения недоступны или нецелесообразны, предложены альтернативы. Там, где они работают – они описаны честно, без замалчивания.
* * *
Главная идея
ИИ не заменяет специалиста. Он заменяет специалиста без ИИ.
Человек с выстроенной системой закрывает задачи, которые раньше требовали команды. Не потому что он умнее – а потому что он правильно делегирует. Этому и учит книга.
* * *
Как читать
Книга читается последовательно – каждая глава опирается на предыдущую. Если вы опытный пользователь, начните с диагностики в Главе 2: она покажет, с какого места имеет смысл стартовать.
Три трека для разной аудитории описаны в разделе «Как работать с учебником». Студентам рекомендован полный путь. Специалистам – акцент на Частях II–V. Руководителям – Части I, VI и VII плюс профессиональные кейсы.
Практикумы – не опциональный бонус. Без них книга даёт знания, но не навык. Разница между знанием и навыком здесь принципиальна: ИИ-грамотность проявляется только в действии.
Инструмент готов. Осталось научиться им пользоваться.
Москва, 2026
Глава 1. Что такое современный ИИ и почему он изменил всё
Часть I · Фундамент
Учебные результаты: объяснить принцип работы LLM; назвать ≥5 актуальных инструментов; составить личную карту инструментов.
Если вы начнёте изучать любую технологию с вопроса «как ею пользоваться», вы рискуете стать её заложником. Человек, который знает только кнопки, теряет ориентацию при каждом обновлении интерфейса. Человек, который понимает принцип работы, адаптируется к любому интерфейсу. Эта глава – о принципе.
Речь не о том, чтобы «разобраться в ИИ» в абстрактном смысле. Речь о конкретной рабочей модели: почему языковые модели ведут себя именно так, откуда берутся ошибки и неожиданные успехи, какие инструменты реально доступны в 2026 году и как не попасть в ловушку расхожих заблуждений. Без этой базы даже хорошие промпты будут работать вслепую.
1.1 Краткая история: от правил к нейросетям
История ИИ – это история трёх принципиально разных ответов на один вопрос: как сделать так, чтобы компьютер вёл себя «умно»? Каждый ответ доминировал в своё время, у каждого были реальные успехи и реальные потолки. Понять эту эволюцию – значит понять, почему нынешние модели устроены именно так, а не иначе.
1.1.1 Символьный ИИ и экспертные системы
Первый подход, господствовавший с 1950-х по 1980-е годы, исходил из простой идеи: знания можно записать в виде правил. Если пациент – мужчина старше 40 лет, у него повышенное давление и одышка – вероятен сердечный приступ. Экспертные системы типа MYCIN (диагностика инфекций, 1972) или XCON (конфигурирование компьютеров, 1980) работали именно так: специалисты формализовали свои знания в тысячи правил «ЕСЛИ – ТО», программисты их кодировали.
Эти системы показывали впечатляющие результаты в узких областях. Но у них был фундаментальный изъян: они не умели справляться с тем, что выходило за рамки прописанных правил. Реальность богаче любого набора правил – и эти системы раз за разом разбивались о пограничные случаи, которые их создатели не предусмотрели. К 1987 году рынок экспертных систем рухнул: затраты на поддержку и обновление правил превышали выгоду от автоматизации.
1.1.2 Машинное обучение: когда модель учится сама
Второй подход перевернул логику: вместо того чтобы писать правила, дайте компьютеру много примеров и позвольте ему самому найти закономерности. Именно это делает машинное обучение (machine learning). Вместо правила «спам, если в тексте есть слово «выиграли»» – тысячи примеров спама и не-спама, из которых алгоритм сам извлекает признаки.
Машинное обучение сделало возможным практичный спам-фильтр, распознавание рукописных цифр на банковских чеках, системы рекомендаций. Но и у него был потолок: алгоритму нужно было вручную указывать, на какие признаки смотреть. В задачах с изображениями это означало ручное проектирование детекторов краёв, текстур, форм – огромный труд экспертов.
1.1.3 Глубокое обучение и революция 2010-х
Третий подход снял и это ограничение. Глубокое обучение (deep learning) – это многослойные нейронные сети, которые сами учатся извлекать признаки из данных, не нуждаясь в ручном проектировании. Идею нейросетей предложили ещё в 1940-х, но до 2010-х она оставалась маргинальной: не хватало вычислительных мощностей и данных.
В 2012 году сеть AlexNet выиграла конкурс ImageNet с результатом, который превзошёл второе место на 10 процентных пунктов. Это был статистический шок: такого разрыва никто не ожидал. С этого момента глубокое обучение стало доминирующей парадигмой в распознавании изображений, речи, игре в шахматы и го. Когда AlphaGo в 2016 году обыграл Ли Седоля – одного из лучших игроков в мире – это была победа не правил, а обученной нейросети.
1.1.4 Трансформеры и появление языковых моделей
В 2017 году исследователи Google опубликовали статью «Attention Is All You Need» – и предложили архитектуру трансформер (transformer). Ключевое изобретение – механизм внимания (attention): способность сети при обработке каждого слова учитывать весь контекст предложения, взвешивая важность каждого другого слова. До этого языковые модели обрабатывали текст последовательно – слово за словом, быстро теряя контекст длинных фрагментов. Трансформер обрабатывает весь текст параллельно.
Это открыло путь к масштабированию: чем больше данных и вычислений – тем лучше модель. GPT-1 (2018) обучился на книгах. GPT-2 (2019) – на текстах из интернета, и его авторы поначалу отказались публиковать полную версию, опасаясь злоупотреблений. GPT-3 (2020) с 175 миллиардами параметров продемонстрировал то, что назвали «эмерджентными способностями»: модель стала делать вещи, которым её не учили явно – переводить, решать задачи по аналогии, писать код. С этого момента языковые модели перестали быть инструментом для специализированных задач и стали общим инструментом для работы со смыслом.
Определение: большая языковая модель (LLM)
Большая языковая модель (large language model, LLM) – нейронная сеть трансформерной архитектуры, обученная на массиве текстовых данных (как правило, от сотен гигабайт до нескольких терабайт) с целью предсказывать следующий токен в последовательности. «Большая» означает от нескольких миллиардов параметров и выше. Параметры – это числовые веса связей между нейронами, которые настраиваются в процессе обучения.
1.2 Как работает большая языковая модель (без математики)
Понимание механики LLM на уровне пользователя – не академическое упражнение. Это прямая карта того, где модель надёжна, а где ненадёжна, почему повторный запрос даёт другой ответ и почему длинный разговор деградирует. Каждый из следующих принципов имеет практическое следствие.
1.2.1 Токены, вероятности и предсказание следующего слова
LLM не читает текст словами – она работает с токенами (tokens). Токен – это фрагмент текста, обычно от одного символа до нескольких букв или целого короткого слова. Слово «продуктивность» может быть разбито на несколько токенов; английское «cat» – скорее всего один. Это техническая деталь, но у неё есть следствие: модель «считает» не слова, а токены, и в нестандартных задачах подсчёта слогов или букв легко ошибается.
Работа модели – это итеративное вычисление вероятностей. На каждом шаге модель смотрит на всё, что написано до сих пор (контекст), и выбирает следующий токен на основе распределения вероятностей по всему словарю. Параметр температура (temperature) регулирует, насколько детерминировано это семплирование: при низкой температуре модель почти всегда выбирает наиболее вероятный токен, при высокой – чаще выбирает «неожиданные» варианты. Именно поэтому один и тот же промпт даёт разные ответы при разных запросах – это не случайность и не баг, это функция.
Важнейшее следствие: модель предсказывает «правдоподобный продолжатель текста», а не «правдивый ответ». Она не знает правды – она знает, что было написано в текстах, на которых её обучили. Если в обучающих данных что-то написано неверно, но написано часто, – модель будет уверенно воспроизводить ошибку.
1.2.2 Что такое «понимание» для модели – и понимает ли она вообще
Этот вопрос продолжает вызывать споры среди исследователей, но для практика важна прагматическая позиция. LLM демонстрируют поведение, которое функционально неотличимо от понимания в большом классе задач: анализ аргументации, переформулировка сложных концепций, нахождение аналогий, перенос знаний между областями. При этом они демонстрируют провалы, которых не бывает у людей с реальным пониманием: могут блестяще объяснить принцип математической задачи и ошибиться в её численном решении; могут описать протокол действий в чрезвычайной ситуации и «не заметить», что описали нечто опасное.
Рабочая формула: считайте, что модель понимает контекст и семантику – но не понимает мир. Она знает, как слова связаны друг с другом, но не имеет прямого опыта взаимодействия с реальностью. Из этого следует конкретное правило: в задачах, где нужно рассуждать о мире (числа, причинно-следственные связи, факты), – проверяйте. В задачах, где нужно работать с текстом (перефразировать, структурировать, адаптировать стиль), – доверяйте значительно больше.
Важно: модель не «думает» во время вашего разговора
LLM не накапливает знания в процессе диалога с вами. Когда разговор заканчивается – всё, что было сказано, исчезает. Модель не «запомнила» ваши предпочтения, не «научилась» на вашей обратной связи. Всё, что она знает о вас в данный момент – это текст текущего контекстного окна. Если вы хотите персонализированного ассистента – нужны внешние механизмы памяти (о них в Главах 6 и 9).
1.2.3 Контекстное окно: память, которая исчезает
Контекстное окно (context window) – это максимальный объём текста, который модель может «видеть» одновременно при генерации ответа. Всё, что произошло в диалоге до начала текущего окна, для модели не существует. В 2022 году стандарт был около 4 000 токенов (примерно 3 000 слов). В 2024–2025 годах ведущие модели перешли к 128 000–200 000 токенов, а некоторые достигли 1 миллиона и более.
Практическое следствие: чем длиннее диалог, тем больше риск, что ранние инструкции и детали «вытеснятся» из фокуса внимания модели. Исследования показывают, что модели хуже удерживают информацию из середины длинного контекста, чем из его начала и конца – эффект, известный как «потеря в середине» (lost in the middle). Это не значит, что нужно избегать длинных диалогов – но это значит, что ключевые инструкции лучше повторять или выносить в системный промпт.
1.2.4 Почему одна и та же модель даёт разные ответы
Три причины разной реакции на одинаковый промпт. Первая – стохастичность семплирования: при ненулевой температуре каждый запрос – это новое случайное блуждание по пространству вероятностей. Вторая – чувствительность к формулировке: порядок слов, наличие или отсутствие знаков препинания, конкретность контекста – всё это смещает распределение вероятностей. Небольшое изменение промпта может дать принципиально другой ответ. Третья – дообучение с подкреплением на основе обратной связи от людей (RLHF): модель не просто предсказывает следующий токен, она дополнительно обучена давать «предпочтительные» ответы – по критериям безопасности, полезности, честности. Это иногда конфликтует с буквальным следованием промпту.
Отсюда практический вывод: вариативность – нормальное свойство инструмента, а не дефект. Если вам нужен воспроизводимый результат – используйте параметр температуры 0 там, где интерфейс его предоставляет, и фиксируйте успешные промпты для повторного использования.
1.3 Ландшафт ИИ-инструментов в 2026 году
Карта инструментов 2026 года не похожа на карту 2022 года настолько же, насколько карта мобильных приложений 2012 года не похожа на 2007-й. Появились новые категории, некоторые пионеры потеряли лидерство, граница между «ИИ-продуктом» и «обычным приложением» практически стёрлась. Ориентироваться в этом ландшафте удобнее через уровни: базовые модели, их надстройки и встроенный ИИ в знакомых инструментах.
1.3.1 Глобальные модели: поколения и возможности
К 2026 году зрелый рынок LLM – это несколько семейств моделей, конкурирующих по разным осям: возможности, скорость, цена, политика работы с данными. OpenAI, Anthropic, Google и т.д. – каждый из них предлагает линейку от быстрых и дешёвых «рабочих лошадок» до флагманских моделей для сложных задач. Важно понимать: все флагманские модели 2026 года умеют работать с текстом, кодом, изображениями, таблицами, часто – с аудио и видео. Разница между ними – в качестве рассуждений, точности, скорости и ограничениях.
Ключевое изменение по сравнению с 2023–2024 годами: модели приобрели способность рассуждать (reasoning) перед ответом. Флагманские модели теперь могут тратить «вычислительное время» на обдумывание задачи, прежде чем выдать финальный ответ. Это принципиально улучшило качество решения сложных математических, логических и многошаговых задач. Для пользователя это означает, что на сложных задачах выгоднее дождаться «думающей» модели, чем сразу получить быстрый и ошибочный ответ.
1.3.2 Российская экосистема: GigaChat, YandexGPT, GigaCode и другие
Российский рынок языковых моделей к 2026 году сформировал собственные конкурентоспособные решения. Два главных игрока – Сбер с семейством GigaChat и Яндекс с семейством YandexGPT. Оба предлагают API, потребительские интерфейсы и корпоративные решения.
GigaChat развивался как общая языковая модель с акцентом на русскоязычный контент и интеграцию в продукты Сбера (СберЗвук, SaluteDevices, корпоративные системы). К 2026 году линейка включает базовые, профессиональные и специализированные версии. Важная особенность для корпоративного сектора – возможность развёртывания в закрытом контуре, что снимает вопросы передачи данных за пределы России.
YandexGPT интегрирован в экосистему Яндекс 360: он работает в Яндекс Браузере (встроенный ассистент Алиса), в облачных сервисах, почте и календаре. GigaCode – специализированная модель для работы с кодом от Сбера – конкурирует с GitHub Copilot в задачах разработки. Экосистема VK активно развивает ИИ-инструменты внутри собственных продуктов, хотя к 2026 году они менее зрелы для корпоративного использования.
Пример: выбор модели под задачу
Юрист готовит анализ договора. Если документ содержит персональные данные клиентов – российский закон требует обработки на серверах в РФ, и выбор очевиден: GigaChat или YandexGPT в корпоративной версии. Если документ – обезличенный шаблон международного контракта и нужно максимальное качество юридического анализа – можно рассмотреть глобальные модели, убедившись в соответствии политике организации.
1.3.3 Специализированные модели: код, изображения, аудио, видео
Параллельно с общими языковыми моделями существуют специализированные. Для кода: GitHub Copilot и его конкуренты, интегрированные в IDE и обученные на миллиардах строк публичного кода. Для изображений: Midjourney, Stable Diffusion, DALL-E, Kandinsky (российская разработка) – генерация по текстовому описанию, редактирование, расширение кадра. Для аудио: модели транскрипции речи (Whisper и его аналоги), синтез голоса с заданными характеристиками. Для видео: к 2026 году генерация видео достигла качества, пригодного для маркетинговых материалов, хотя профессиональное кино-производство ещё требует доработки.
Тенденция 2025–2026 годов – слияние специализированных возможностей в мультимодальные системы. Флагманские LLM теперь умеют не только анализировать изображения, но и генерировать их; не только транскрибировать речь, но и говорить. Выбор между специализированной и универсальной моделью – вопрос баланса: специализированная даёт лучшее качество в своей нише, универсальная – бесшовный опыт в одном интерфейсе.
1.3.4 Локальные модели: когда данные нельзя отдавать в облако
Для задач с конфиденциальными данными (медицинские записи, персональные данные, коммерческая тайна) существуют локальные модели – те, что работают на оборудовании организации или пользователя без отправки данных во внешние сервисы. С 2023 года подобные модели достигли качества, практически сопоставимого с облачными моделями предыдущего поколения.
Такие инструменты позволяют запустить языковую модель на обычном ноутбуке с 16–32 ГБ оперативной памяти. Качество будет ниже, чем у облачных флагманов, но для многих задач – анализ внутренних документов, черновики текстов, кодовые помощники – этого вполне достаточно. Российские организации всё активнее внедряют локальные решения в связке с российскими моделями – в рамках политики импортозамещения и требований регуляторов.
1.3.5 ИИ внутри привычных инструментов: Word, Excel, браузер, почта
Самое важное изменение 2025–2026 годов для нетехнического пользователя – ИИ перестал быть отдельным приложением, которое нужно открывать. Он встроен. Microsoft Copilot работает внутри Word, Excel, Outlook и Teams – напрямую с вашим документом, письмом, таблицей. Google Gemini встроен в Google Docs и Gmail. Яндекс Браузер с Алисой предлагает ИИ-ассистента прямо на любой веб-странице. Notion, Confluence, Figma, 1С – практически все корпоративные инструменты к 2026 году имеют встроенные ИИ-функции.
Это меняет точку входа: для большинства специалистов первый контакт с ИИ происходит не через ChatGPT или специализированный чат, а через кнопку «Улучшить текст» в почтовом клиенте. Важно понимать: встроенный ИИ – это та же языковая модель под капотом, просто с узким интерфейсом. Всё, что вы узнаете о принципах работы с LLM в этой работе, применимо и к встроенным помощникам.
1.3.6 Карта выбора инструмента под задачу
Выбор инструмента определяется пятью факторами: тип задачи (текст, код, изображение, аудио, данные), требования к конфиденциальности данных, нужная скорость ответа, качественный порог и бюджет. Ни один инструмент не является лучшим по всем осям одновременно.
Практическое правило выбора модели
Для задач с любыми персональными данными, коммерческой тайной или данными, подпадающими под 152-ФЗ: только российские модели в корпоративной версии или локальное развёртывание. Для задач с обезличенными данными и максимально высоким качеством: используйте глобальные флагманы, сверившись с политикой организации. Для встроенных рабочих задач (почта, документы, таблицы): встроенный ИИ вашей экосистемы – самый быстрый путь, пусть и не самый мощный.
1.4 Распространённые заблуждения об ИИ
Каждое из следующих заблуждений – это не просто теоретическая ошибка. Каждое влечёт конкретный сбой в работе: либо переоценку инструмента и последующее разочарование, либо недооценку и упущенные возможности. Разобраться с ними сейчас – значит заложить корректную основу для всех последующих глав.
1.4.1 «ИИ знает правду» – миф о всезнании
Это самое опасное заблуждение с точки зрения практических последствий. Языковая модель – это не энциклопедия и не поисковик. Она генерирует текст, который статистически похож на правдоподобные утверждения по данной теме. Когда модель пишет «согласно исследованию Стэнфордского университета 2023 года…» – она не цитирует реальное исследование. Она генерирует фрагмент, который звучит как цитата из реального исследования, потому что именно так строятся похожие утверждения в обучающих данных.
Это явление называется галлюцинацией (hallucination). В Главе 2 мы разберём базовые сигналы ненадёжного ответа, в Главе 15 – системные методы верификации. Пока запомните одно правило: любое конкретное фактическое утверждение (число, дата, имя, ссылка) нуждается в независимой проверке перед использованием в работе.
1.4.2 «ИИ думает как человек» – миф о сознании
Языковые модели демонстрируют способности, которые мы привыкли считать признаками интеллекта: понимание контекста, гибкость, юмор, эмпатия в диалоге. Это создаёт ощущение присутствия собеседника. Однако за этим нет ни сознания, ни намерений, ни эмоций – только статистические паттерны, обученные имитировать такое поведение.
Практическое следствие: не ожидайте, что модель «запомнит» обиду, «обидится» на грубость или «постарается больше» ради сложной задачи. Интерфейс, имитирующий личность, – это дизайнерское решение, а не свидетельство наличия личности. Модель, которая говорит «я рад помочь», делает это так же, как термостат «хочет» поддерживать температуру.
1.4.3 «ИИ заменит всех» – миф о полной автоматизации
Тезис о тотальной автоматизации появляется в публичном пространстве волнами при каждом технологическом скачке. История показывает, что автоматизация обычно трансформирует профессии, а не уничтожает их полностью. Телефонные операторы исчезли, но появились операторы call-центров. Стенографисты исчезли, но появились специалисты по транскрипции и редакторы.
ИИ 2026 года исключительно хорошо справляется с задачами, которые: хорошо определены, имеют однозначный критерий правильности, могут быть сформулированы как текстовый запрос, не требуют физических действий. Он плохо справляется с задачами, требующими уникального контекстного суждения, ответственности за последствия, долгосрочного планирования в нестабильной среде, физического взаимодействия с миром. Заменяются не профессии целиком – заменяются конкретные задачи внутри профессий.
1.4.4 «ИИ опасен сам по себе» – миф об автономной угрозе
Языковые модели 2026 года – это не агенты с собственными целями. Они не планируют, не инициируют действия по собственной воле и не имеют механизмов самосохранения. Существующие риски – реальные, но иного рода: дезинформация в масштабе, дипфейки, снижение когнитивной самостоятельности, утечка данных через облачные сервисы. Этим рискам посвящены Главы 15, 16 и 17.
Отдельная история – автономные агенты с инструментами (см. Главу 12): там действительно появляются системы, способные выполнять последовательности действий без участия человека в каждом шаге. Но и они работают в рамках, заданных разработчиком, и не обладают автономными целями.
1.4.5 «ИИ – это только для программистов» – миф о высоком пороге входа
В 2020 году для использования языковых моделей действительно требовались технические знания: API, Python, понимание параметров модели. Сегодня порог входа – это умение формулировать задачу в тексте. Если вы можете написать письмо, поставить задачу подчинённому или составить рабочий документ – вы уже владеете ключевым навыком. Всё остальное – техника улучшения этого навыка, и именно этому посвящена Часть II данного учебника.
Тезис «это для программистов» работает как самоисполняющееся пророчество: те, кто в него верит, не пробуют – и тем самым лишают себя преимущества, которое активно используют их коллеги. Подавляющее большинство ценных сценариев использования ИИ в офисной и управленческой работе не требует ни одной строчки кода.
Практикум 1.А: Первый диалог с тремя моделями – одна задача, три ответа, сравнение по пяти метрикам
Задача: сформировать первичное понимание различий между доступными вам моделями на одной конкретной задаче из вашей профессии.
Шаг 1 – Выберите реальную профессиональную задачу среднего уровня сложности. Примеры: «Напиши структуру отчёта по итогам квартала для моей отрасли», «Составь список ключевых рисков при запуске нового продукта в сегменте [ваша область]», «Объясни концепцию [X] для коллеги без опыта в этой области». Задача должна быть такой, чтобы вы могли оценить качество ответа – то есть из вашей профессиональной области.
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?
5. (Оценка) Вы читаете в новостях: «Новая модель ИИ прошла тест Тьюринга и признана мыслящей». Какие вопросы вы зададите, прежде чем принять это утверждение? Опираясь на содержание параграфа 1.2.2, сформулируйте три критических вопроса к такому заявлению.
→ 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 2. Мышление продуктивного пользователя ИИ
Часть I · Фундамент
Учебные результаты: применить модель человек+ИИ к своим задачам; построить карту задач с потенциалом ИИ; описать первые признаки галлюцинаций.
Понимание механики языковых моделей из предыдущей главы – это карта местности. Но карта не учит ходить. Между тем, как работает LLM, и тем, как конкретный человек начинает делать с её помощью больше – лежит слой, которому редко уделяют внимание: перестройка мышления о собственных задачах. Эта глава именно об этом.
Большинство людей, начавших использовать ИИ, проходят через один и тот же цикл: первый энтузиазм от нескольких удачных ответов, разочарование при первой значимой ошибке, неустойчивое использование «когда не лень». Те, кто выходит за рамки этого цикла, как правило, сделали не технический шаг, а концептуальный: они переосмыслили логику делегирования задач. Именно эту логику мы разберём здесь.
2.1 Новая грамотность: что значит уметь работать с ИИ
Каждая волна инструментов создаёт новый слой грамотности, которая со временем становится базовой. Не уметь работать с ИИ в 2026 году – примерно то же самое, что не уметь пользоваться электронной почтой в 2005-м: пока ещё не критично, но с каждым месяцем всё заметнее как ограничение.
2.1.1 Аналогия с появлением текстовых редакторов и интернета
В 1995-м менеджеры могли обсуждать, зачем им электронная почта: «Есть обычная почта, факс». К 2000-м годам вопрос исчез. Инструмент казался дополнительным – до момента, пока не стал стандартом среды.
Ключевое наблюдение: люди, освоившие текстовые редакторы первыми, не просто «делали то же самое быстрее». Они начали делать то, чего раньше не делали вовсе – потому что стоимость итерации упала в разы. Исправить абзац раньше означало перепечатать страницу. Теперь это секунды. Точно так же языковая модель не просто ускоряет написание текста – она снижает стоимость первого черновика до почти нуля, что меняет логику того, когда вообще стоит браться за задачу.
Практическое следствие этой аналогии: навык работы с ИИ не в том, чтобы «знать все возможности инструмента». Никто не изучал все функции Word перед тем, как начать использовать его. Навык – в способности формулировать то, что вам нужно, достаточно точно, чтобы инструмент понял задачу. И в умении оценить, хорошо ли задача выполнена.
2.1.2 Навык задавать вопросы как ключевая компетенция
Исторически умение правильно формулировать запросы было профессиональным навыком – юристы, аналитики, исследователи десятилетиями оттачивали точность постановки вопроса. ИИ не отменяет этот навык – он переносит его из элитной компетенции в массовую необходимость. Человек, который умеет чётко сформулировать, что ему нужно, получает от ИИ принципиально другой результат, чем тот, кто формулирует расплывчато.
Что конкретно означает «умение задавать вопрос» применительно к ИИ? Это четыре вещи одновременно: точность контекста (кто вы, в какой ситуации, что уже известно), ясность задачи (что именно должно получиться на выходе), критерии качества (как выглядит хороший результат) и осознание ограничений (что точно не нужно включать). Главы 3 и 4 подробно разбирают технику. Здесь важен принцип: слабый результат ИИ – чаще проблема формулировки, чем проблема модели.
Пример: одна задача, два промпта
Слабый промпт: «Напиши письмо поставщику». Результат: общее вежливое письмо без конкретики, которое придётся полностью переписывать.
Сильный промпт: «Напиши деловое письмо поставщику строительных материалов с просьбой предоставить скидку 7% на повторный заказ в связи с увеличением объёма. Тон: корректный, не требовательный. Длина: не более 150 слов. Письмо для российского B2B-контекста». Результат: готовый черновик, требующий 5 минут правки.
Разница – не в модели. Разница – в том, насколько подробно поставлена задача.
2.1.3 Разница между «использую ИИ» и «работаю вместе с ИИ»
Это различие определяет, получит ли пользователь 10% прироста эффективности или 100%. «Использую ИИ» – поведение человека, который иногда задаёт вопросы в чате и получает ответы. Пассивная позиция: запрос – ответ – принять или отвергнуть. «Работаю вместе с ИИ» – другой режим: итеративный диалог, в котором пользователь активно формирует контекст, направляет рассуждение модели, встраивает вывод в свой рабочий процесс.
Конкретная иллюстрация: аналитик работает над рыночным обзором. «Использую ИИ» выглядит так: задал вопрос «что происходит на рынке Х», получил общий текст, скопировал пару абзацев. «Работаю вместе с ИИ» выглядит так: загрузил пять отраслевых отчётов, попросил выделить противоречия между ними, уточнил интерпретацию конкретного тренда, попросил сыграть роль скептика и атаковать собственный вывод, финальный текст написал сам – но с принципиально иным качеством аналитики за счёт итерации. Время на задачу – сопоставимо. Глубина результата – несопоставима.
2.2 Модель взаимодействия: человек + ИИ как система
Самый распространённый способ думать об ИИ – как о замене человека для конкретных задач. Эта рамка продуктивна для автоматизации рутины, но ограничивает мышление о более сложных применениях. Рамка «человек + ИИ как система» открывает другой класс задач – те, где ни человек, ни ИИ в отдельности не дали бы сопоставимого результата.
2.2.1 Что хорошо делает человек, что хорошо делает ИИ
У человека есть несколько устойчивых преимуществ перед языковыми моделями. Первое – ситуативное суждение: способность оценивать контекст, который не был явно сформулирован. Вы знаете, что ваш директор сейчас в плохом настроении из-за провала квартала, – и это меняет тон письма. Модель не знает. Второе – ответственность: только человек может нести юридическую, профессиональную и моральную ответственность за результат. Третье – долгосрочная память о контексте: вы помните всю историю отношений с клиентом за три года, а не только последний разговор.
У ИИ есть устойчивые преимущества перед человеком. Первое – скорость генерации текста: первый черновик за 15 секунд против 45 минут. Второе – широта обобщения: модель обучена на огромном объёме текстов и может предложить угол зрения, который вы никогда не встречали в своей области. Третье – терпеливость к повторению: модель одинаково качественно обрабатывает двухсотый однотипный документ, тогда как человек к концу дня неизбежно теряет внимание. Четвёртое – доступность в любое время: модель не устаёт, не болеет и не уходит в отпуск.
Человек делает лучше
Ситуативное суждение (неявный контекст)
Ответственность за результат
Долгосрочная память о контексте
Этическая оценка последствий
Физическое взаимодействие с миром
Уникальные профессиональные знания
ИИ делает лучше
Скорость первого черновика
Широта обобщений и аналогий
Стабильность при повторяющихся задачах
Доступность без перерывов
Одновременная обработка множества текстов
Многоязычная обработка без деградации
2.2.2 Зоны совместной работы и зоны исключительной ответственности человека
Карта «что делает человек, что делает ИИ» – не статичная. Она зависит от конкретной задачи, качественного порога и цены ошибки. Полезно думать о трёх зонах: зона делегирования (ИИ делает, человек проверяет), зона совместной работы (итеративный диалог), зона исключительной ответственности человека (ИИ не участвует или участвует только как информационный ресурс).
Зона делегирования: типовые тексты с ясными параметрами (стандартные ответы на запросы, черновики протоколов, первичная структура документа), транскрипция и резюмирование записей, первичная обработка данных с очевидными критериями. Главный критерий делегирования – цена ошибки в данной задаче достаточно мала, чтобы вы могли позволить себе ошибиться на первой итерации.
Зона совместной работы: аналитика со сложным контекстом, стратегические решения, творческие задачи с неявными критериями качества. Здесь ИИ работает как интеллектуальный партнёр – предлагает гипотезы, атакует аргументы, генерирует варианты, – а человек принимает решения.
Зона исключительной ответственности: итоговые решения с юридическими последствиями, клинические заключения, кадровые решения о конкретных людях, публичные высказывания от своего имени, ситуации, где ошибка ИИ создаёт репутационный риск. В этих задачах ИИ может быть источником информации, но не автором решения.
Важно: зоны меняются вместе с задачей
Одна и та же задача «написать юридическое заключение» попадает в разные зоны в зависимости от контекста. Для внутреннего черновика на обсуждение – зона совместной работы. Для документа, который будет подписан и отправлен в суд, – зона исключительной ответственности человека, где ИИ максимум помогает с поиском прецедентов. Задача одна – зона разная.
2.2.3 Концепция усиленного интеллекта
Усиленный интеллект (augmented intelligence) – это рамка, в которой ИИ рассматривается не как замена человеческих когнитивных функций, а как их расширение. Аналогия: калькулятор не «заменил» способность считать – он позволил людям заниматься более сложной математикой, не тратя время на арифметику. Очки не «заменяют» зрение – они позволяют видеть лучше, чем без них.
Применительно к профессиональной работе это означает конкретное: задачи, которые раньше не брались из-за временных затрат, теперь становятся выполнимыми. Юрист, которому нужно было бы потратить неделю на изучение нового нормативного акта, теперь получает структурированный разбор за час и тратит оставшееся время на нюансы применения. Маркетолог, которому не хватало бюджета на 15 вариантов рекламного текста для A/B-тестирования, теперь генерирует их за полчаса. Не «то же самое быстрее», а «другое, что раньше было недоступно по цене».
2.2.4 Логика делегирования: не «как зайти в чат», а «что передать ИИ»
Самый практически ценный сдвиг в мышлении – переход от вопроса «как использовать ИИ» к вопросу «какие задачи из моего рабочего потока стоит делегировать». Это не технический вопрос. Это вопрос анализа собственной работы.
Три критерия задачи, которую стоит делегировать ИИ. Первый – задача формулируется текстом. Если вы можете написать задание подчинённому так, чтобы он её выполнил без дополнительных вопросов, – вероятно, можете написать и промпт. Второй – задача повторяется. Единоразовая уникальная работа редко стоит времени на конструирование промпта с нуля; повторяющаяся задача окупает шаблон с первых двух-трёх использований. Третий – цена ошибки на первой итерации невысока. Если черновик, требующий правки, лучше, чем пустой лист, – делегируйте.
Три критерия задачи, которую делегировать не стоит. Во-первых, задача требует уникального контекста, который слишком трудно передавать в промпте. Во-вторых, ошибка на первой итерации создаёт проблему (публикация, юридический документ, кадровое решение). В-третьих, сам процесс выполнения задачи развивает навык, который вам важно сохранить.
2.3 Психология работы с ИИ
Технические аспекты работы с ИИ часто обсуждаются, психологические – редко. Между тем именно психологические эффекты определяют, превратится ли инструмент в реальное усиление или, наоборот, создаст новые проблемы. Три из них – автоматизированное доверие, «синдром самозванца наоборот» и когнитивная разгрузка – стоит знать заранее, поскольку они возникают предсказуемо.
2.3.1 Эффект автоматизированного доверия и как его преодолеть
Автоматизированное доверие (automation bias) – когнитивный эффект, при котором люди склонны принимать ответы автоматизированных систем без критической проверки. Впервые описан применительно к системам автопилота: пилоты, доверявшие бортовому компьютеру больше, чем собственным показаниям приборов, допускали ошибки в нестандартных ситуациях. Применительно к LLM эффект проявляется в том же: уверенный, хорошо структурированный ответ модели снижает вероятность его проверки.
Механизм понятен: наш мозг интерпретирует качество оформления как сигнал достоверности. Текст без орфографических ошибок, с логичной структурой и профессиональным тоном воспринимается как написанный компетентным автором. LLM производит именно такой текст – независимо от его фактической точности. Это не свойство конкретной модели, это свойство всех современных языковых моделей: они оптимизированы на «правдоподобность», а не на «правдивость».
Конкретный способ противодействия – не «проверяй всё», что нереалистично, а «проверяй категории риска». Числа, даты, имена, цитаты, ссылки на источники – вот четыре категории, которые требуют проверки по умолчанию. Всё остальное – оценочно: чем выше ставка (документ для суда против внутренней заметки), тем глубже проверка.
Важно: красивое не значит правильное
LLM генерирует одинаково уверенный и хорошо отформатированный текст, когда пишет корректную статистику и когда галлюцинирует. Внешние признаки достоверности (структура, грамматика, профессиональный тон) не коррелируют с фактической точностью. Единственный надёжный критерий – проверка по первичным источникам для критически важных утверждений.
2.3.2 Синдром самозванца наоборот: «это сделал не я»
Это менее очевидный, но широко распространённый эффект. Когда профессионал с десятилетним опытом получает от ИИ текст, который выглядит лучше, чем то, что он написал бы сам, возникает дискомфорт: «Мне не следует предъявлять это как свою работу». Дискомфорт понятен, но логика неточна.
Профессиональная ценность – не в способности производить текст без помощи инструментов, а в способности задать правильную задачу, оценить качество результата, отвечать за него и применить его уместно. Когда финансовый директор использует Excel для составления финансовой модели, никто не говорит «это сделал Excel, а не я». Excel – инструмент вычисления; финансовый директор предоставил данные, логику, интерпретацию и ответственность. ИИ – инструмент генерации и структурирования текста; специалист предоставляет контекст, задачу, суждение о качестве и ответственность за использование.
Практический вопрос, который стоит себе задать: «Если бы этот результат оказался неверным – понял бы я это?» Если ответ «да» – значит, у вас есть профессиональное суждение, которое стоит за результатом. Если «нет» – это сигнал либо о необходимости более глубокой проверки, либо о том, что задача находится вне вашей компетенции.
2.3.3 Когнитивная разгрузка: польза и риски
Когнитивная разгрузка – перенос ментальных операций на внешний инструмент – является одновременно главной пользой ИИ и источником главного риска при его активном использовании. Польза очевидна: снижение умственной нагрузки при рутинных задачах позволяет освободить ресурсы для сложного мышления. Первый черновик пишет ИИ, аналитику делаете вы – это хорошее разделение труда.
Риск менее очевиден. Когнитивные навыки деградируют без практики – это установленный нейропсихологический факт. Если человек перестаёт писать тексты самостоятельно, его способность формулировать мысли на бумаге со временем ухудшается. Если перестаёт делать быстрые оценки в уме – теряет интуицию относительно порядка чисел. Это не аргумент против использования ИИ, но аргумент за осознанность: какие навыки для вас стратегически важны и требуют регулярной практики без ИИ-помощи?
Рабочее правило: разделяйте задачи на «рутинные операции» (делегировать ИИ без сожаления) и «навыкообразующие задачи» (делать самостоятельно или с минимальным ИИ-участием, чтобы поддерживать профессиональную форму). Для юриста рутинная операция – составление стандартного запроса; навыкообразующая – анализ сложного прецедента. Для преподавателя рутина – шаблон программы курса; навык – разработка сценария занятия с нестандартной аудиторией.
2.3.4 Как не утратить собственное мышление при активном использовании ИИ
Конкретная техника: «правило пустой страницы». Прежде чем открывать чат с ИИ, потратьте 5–10 минут на запись собственных мыслей по задаче – тезисно, без стилистической отделки. Это делает две вещи. Во-первых, принуждает вас сформулировать, что вы думаете, до того как ИИ начнёт влиять на ваши взгляды. Во-вторых, даёт вам точку отсчёта для оценки ИИ-ответа: вы видите, где модель совпала с вашим мышлением, где расширила его, а где вы с ней не согласны.
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-инжинири