Ваш первый миллион с ИИ на фрилансе
- -
- 100%
- +
Российскому читателю особенно полезно держать в уме отечественные варианты. Yandex AI Studio предоставляет API, инструменты для создания AI-приложений и агентов; GigaChat имеет API для работы с моделями и файлами. Они не обязательно заменят все зарубежные сервисы, но позволяют строить рабочие решения без предположения, что каждый клиент готов зависеть от иностранной платформы.
Поиск и исследование
Обычная языковая модель знает много, но коммерческое исследование нельзя строить на её памяти. Когда нужны актуальные факты, Вы должны работать с источниками.
Perplexity удобен как поисково-исследовательский инструмент: он ищет материалы, собирает ответ и показывает ссылки. Его Research-режим предназначен для многошагового поиска по большому числу источников. ChatGPT, Gemini и другие системы тоже умеют работать с веб-поиском и исследовательскими режимами, но принцип один: вывод должен быть привязан к проверяемому источнику.
NotebookLM полезен в другой ситуации. Вы даёте ему конкретный набор материалов — документы, ссылки, видео, заметки — и работаете уже внутри этой базы. Это удобно, когда клиент передал регламенты, интервью, отчёты, исследования или обучающие материалы, а Вам нужно быстро разобраться в содержании и не смешивать его со случайной информацией из интернета.
Для фрилансера это важное разделение. Если вопрос звучит «что происходит на рынке», нужен поиск. Если вопрос звучит «что содержится в этих 80 документах компании», нужна работа по ограниченному корпусу материалов.
Автоматизация: Make, n8n, Zapier
Три названия будут встречаться в книге много раз, потому что они закрывают типичный класс задач: связать несколько систем в одну цепочку.
Простой пример. Человек заполняет форму на сайте. Данные нужно отправить в CRM, продублировать важное поле в таблицу, уведомить менеджера в Telegram, а текст комментария автоматически отнести к одной из категорий.
Можно написать программу с нуля. А можно собрать сценарий в визуальном конструкторе. В нём каждый шаг выглядит отдельным блоком: получили данные, проверили, вызвали модель, записали, отправили уведомление.
Make ориентирован на визуальную оркестрацию процессов и в 2026 году активно развивает AI-агентов внутри платформы. Zapier традиционно силён большим количеством готовых интеграций с веб-сервисами и также встроил AI и агентные функции. n8n особенно интересен тем, что совмещает визуальные сценарии, возможность добавлять код и самостоятельное размещение на сервере. Это делает его популярным там, где нужен больший контроль.
Новичку не требуется знать все три системы одинаково хорошо. Освойте одну на уровне, при котором можете построить обработку формы, работу с таблицей, HTTP-запрос, условие, цикл, вызов модели и обработку ошибки. Потом второй конструктор осваивается намного быстрее, потому что логика процессов остаётся похожей.
API без мистики
Слово API пугает только до первого понятного примера.
Представьте кафе, где кухня не пускает посетителей внутрь. Вы передаёте заказ официанту по понятной форме, кухня делает работу и возвращает блюдо. API выполняет похожую роль между программами. Один сервис отправляет другому запрос в согласованном формате и получает ответ.
Если у CRM есть API, Вы можете программно создать сделку. Если у модели есть API, можно отправить ей текст и получить классификацию. Если у сервиса доставки есть API, можно запросить статус заказа. Благодаря API фрилансер способен связать системы, которые изначально не были частью одного продукта.
На практике Вам не нужно запоминать сотни методов. Документация описывает, куда отправлять запрос, какие поля нужны и что приходит в ответ. ИИ сильно облегчает чтение такой документации. Вы можете попросить модель объяснить конкретный метод простыми словами, подготовить пример запроса, разобрать ошибку. Но ключи доступа, права и формат данных Вы всё равно должны проверять самостоятельно.
Базы данных и рабочие хранилища
Когда процесс становится сложнее одной таблицы, появляется вопрос: где хранить информацию.
Airtable сочетает таблицы, базы, интерфейсы, автоматизации и AI-функции. В 2026 году платформа развивает Field Agents — AI-поля, которые могут исследовать, анализировать и обогащать записи. Для простых внутренних систем это удобный вариант: лиды, заявки, контент, реестр документов, база объектов, контроль статусов.
Notion полезен для знаний, проектов и документов. Его AI-функции включают поиск по рабочему пространству, агентные сценарии и работу с подключёнными источниками. Но не стоит автоматически тащить клиента в Notion только потому, что Вам нравится интерфейс. Если у компании уже есть Битрикс24, 1С, amoCRM, Excel или собственная система, правильнее сначала понять, можно ли встроиться в существующий процесс.
Для мини-приложений часто нужны полноценные базы. Здесь можно встретить Supabase, Firebase, PostgreSQL и встроенные базы Replit или других платформ. На старте Вам не требуется становиться администратором баз данных. Нужно понимать три вещи: какие данные хранятся, кто имеет к ним доступ и как не потерять их из-за небрежной настройки.
AI-
кодинг
: Cursor, GitHub Copilot, Replit, Lovable, Bolt
Вайб-кодинг получил это название потому, что человек всё чаще описывает желаемое поведение приложения обычным языком, а AI-агент пишет и меняет код. Термин звучит несерьёзно, но возможности уже вполне серьёзные.
Cursor умеет исследовать кодовую базу, менять несколько файлов, запускать команды и исправлять ошибки. GitHub Copilot развился от подсказок во время печати к агентным сценариям, где система может исследовать репозиторий, планировать изменения и создавать код для проверки. Replit Agent строит приложения через диалог и объединяет код, запуск, базы и размещение в одном сервисе. Lovable и Bolt позволяют описывать веб-приложение обычным языком, генерировать интерфейс, серверную часть, авторизацию и интеграции.
Это радикально снижает стоимость прототипа. Но не отменяет инженерную ответственность.
Если Вы попросили AI собрать внутренний сервис, который загружает CSV и подсвечивает ошибки, риск сравнительно понятен. Если без опыта создаёте систему, которая хранит платёжные данные, управляет доступом к медицинской информации или напрямую выполняет финансовые операции, проблема уже не в том, насколько красиво сгенерирован интерфейс.
Вайб-кодинг особенно полезен фрилансеру там, где задача узкая и проверяемая: панель для сотрудников, форма обработки заявок, небольшой реестр, кабинет для внутреннего процесса, преобразователь данных, инструмент контроля качества, отчётный интерфейс. Он позволяет сделать то, что раньше было слишком дорого для маленького заказчика.
Транскрибация и работа с разговорами
Отдельный класс инструментов превращает звонки и встречи в текст. Fireflies, Otter, Fathom и корпоративные продукты для распознавания речи позволяют получать транскрипты, выделять темы и делать заметки. На российском рынке также есть SpeechKit, SpeechSense и другие речевые решения.
Это не направление заработка само по себе. Клиент редко хочет «транскрибацию как услугу». Но она становится сырьём для более ценной работы: анализа звонков отдела продаж, поиска повторяющихся возражений, контроля заполнения CRM, подготовки базы знаний из встреч, оценки вопросов клиентов.
Сбор данных
Для некоторых проектов Вам понадобятся данные из открытых источников. Здесь полезны инструменты веб-извлечения и автоматизации браузера — например, Apify и похожие решения. Они помогают собирать публичную информацию с сайтов, если это допускается правилами ресурса и применимыми требованиями.
Сбор данных легко превратить в серую зону: пытаться обходить защиту, тащить персональные сведения без оснований, нарушать условия платформы. В коммерческой работе лучше исходить из простого правила: если источник не предназначен для массового автоматизированного сбора, сначала проверьте, разрешено ли это и есть ли официальный API или выгрузка.
Вам не нужен дорогой стек на старте
Новичок часто думает, что для серьёзной работы нужно сразу оплатить пять сервисов. Это плохая привычка.
Сначала выберите одну универсальную модель, один инструмент исследования, один конструктор автоматизаций и один AI-инструмент для разработки. Остальные подключайте под проект.
Например:
• языковая модель для анализа и помощи в работе;
• Perplexity или встроенный веб-поиск для актуальных исследований;
• n8n либо Make для интеграций;
• Cursor либо Replit для кода и мини-приложений;
• таблица или простая база для хранения данных.
Такой набор уже позволяет решать десятки коммерческих задач.
Главный актив фрилансера — не подписки. Главный актив — способность быстро разобраться в проблеме, собрать рабочую схему и проверить её.
Глава 4. Как замечать работу, за которую бизнес готов платить
Владелец небольшой компании редко просыпается утром с мыслью: «Сегодня мне нужен RAG-ассистент с векторной базой и агентной оркестрацией».
Скорее он думает: «Почему менеджеры снова не нашли актуальный прайс?» Или: «Кто-нибудь вообще читает эти отзывы?» Или: «Почему мне каждый вечер присылают четыре таблицы вместо одного отчёта?»
Если Вы научитесь слышать такие формулировки, список услуг перестанет быть главным источником идей.
Метод наблюдения за процессом
Выберите любой небольшой бизнес, который Вам понятен: стоматологию, строительную фирму, интернет-магазин, учебный центр, поставщика оборудования, агентство недвижимости, автосервис. Не начинайте с нейросетей. Представьте обычный рабочий день.
Откуда приходят заявки? Кто их читает? Куда записывают данные? Какие документы получают? Что сверяют? Что отправляют клиенту? Какие отчёты готовят? Какие вопросы повторяются? Что ищут в старых файлах? Где человек вручную копирует информацию? Что происходит, когда сотрудник заболел или забыл действие?
Почти в каждом процессе есть места, которые соответствуют одной из семи категорий.
1. Информация приходит в неудобном виде
Письма, PDF, фотографии, голосовые сообщения, свободный текст, анкеты, файлы разных форматов. Сотруднику приходится читать, извлекать нужные поля и переносить их дальше.
Это хорошая зона для распознавания, извлечения и структурирования данных.
2. Сотрудник повторяет одно и то же действие
Получил заявку — скопировал. Пришёл документ — переименовал. Новый лид — проверил по шаблону. Каждую пятницу — собрал одинаковый отчёт.
Здесь сначала ищут обычную автоматизацию, а уже потом решают, нужен ли ИИ.
3. Нужно прочитать слишком много
Отзывы, переписки, резюме, обращения в поддержку, протоколы встреч, отчёты, договоры, отраслевые новости.
Модель умеет помогать с классификацией и суммированием, но Вы должны заранее определить категории, критерии и способ проверки.
4. Информация рассыпана по разным местам
Инструкция в Google Drive, прайс в чате, договор в почте, таблица у бухгалтера, ответы на типовые вопросы в голове старшего менеджера.
Это сигнал к базе знаний, поиску по документам или хотя бы нормальной организации корпоративной информации.
5. Решение принимается по повторяемым правилам
Нужно определить тип обращения, приоритет заявки, категорию документа, наличие обязательных полей, соответствие простому набору критериев.
Такие решения часто можно частично автоматизировать. Но если критерий влияет на кредит, увольнение, медицинскую помощь или другую высокорисковую область, автоматическая модель без специалиста уже не подходит.
6. Руководитель поздно видит проблему
Цены конкурентов изменились, но никто не заметил. Клиенты начали чаще жаловаться на доставку, но информация растворилась в отзывах. Менеджеры стали терять лиды на конкретном этапе. Расходы по одной категории выросли, а отчёт появится только в конце месяца.
Здесь полезны мониторинг, автоматические отчёты и сигналы об отклонениях.
7. Компании не хватает маленького инструмента
Большие программы почти всегда рассчитаны на тысячи сценариев. А бизнесу иногда нужен один. Например, загрузить прайс поставщика и привести его к внутреннему формату; проверить таблицу по правилам; собрать заявки на закупку; распределить обращения; подготовить коммерческое предложение из выбранных позиций.
Именно здесь AI-кодинг открыл много новых возможностей для одного исполнителя.
Считайте ручные касания
Есть простой способ быстро оценить процесс: посчитайте, сколько раз человек вручную касается одной единицы информации.
Заявка пришла. Её открыли. Скопировали имя. Скопировали телефон. Нашли клиента в CRM. Создали сделку. Поставили задачу. Отправили сообщение руководителю. Внесли запись в таблицу.
Восемь касаний.
Если компания получает пять заявок в неделю, автоматизация может не окупить сложность. Если пятьдесят в день — разговор уже другой.
То же с документами. Если бухгалтер раз в месяц переносит данные из двух счетов, автоматизация не нужна. Если отдел получает сотни документов, даже небольшое сокращение ручной работы становится значимым.
Не ищите процесс только потому, что его можно автоматизировать. Ищите повторяемость и объём.
Ищите стоимость задержки
Иногда проблема не занимает много времени, но задержка дорогая.
Например, запрос потенциального клиента приходит вечером и остаётся без ответа до утра. Или критичный отзыв появляется на площадке, а компания видит его через неделю. Или поставщик меняет цену, а закупщик замечает это после оформления заказа.
Автоматический сигнал может быть ценнее сложного анализа, потому что влияет на скорость реакции.
Ищите места, где данные уже есть, но ими не пользуются
Малый бизнес накопил огромное количество информации, которая лежит без дела. Переписки с клиентами, записи звонков, отзывы, заявки, таблицы продаж, причины отмен, вопросы в поддержке.
Здесь возникает целый класс услуг: не собирать новые данные, а извлекать ценность из существующих.
Возьмём записи звонков. Из них можно узнать, какие возражения встречаются чаще всего, какие вопросы менеджеры забывают задавать, сколько разговоров заканчивается обещанием «я подумаю», какие формулировки сопровождают успешные сделки. Но чтобы это стало услугой, Вам нужно не просто «скормить звонки нейросети». Сначала определить, что измеряется, как устроена выборка, как проверяются выводы и что клиент сделает с результатом.
Разговаривайте с сотрудниками, а не только с владельцем
Собственник видит процесс сверху. Сотрудник знает, где он разваливается.
Руководитель может сказать: «Все заявки у нас в CRM». Менеджер уточнит: «Да, но заявки из Telegram мы вносим вечером, а часть фотографий вообще остаётся в переписке». Руководитель уверен, что есть база знаний. Новый сотрудник расскажет, что половину ответов получает в личных сообщениях от коллег.
Если проект позволяет, задайте исполнителю процесса несколько простых вопросов:
Что Вы делаете вручную каждый день?
На каком этапе чаще всего приходится возвращаться и исправлять?
Что Вы постоянно копируете из одного места в другое?
Какие вопросы Вам задают снова и снова?
Какую работу Вы бы убрали первой, если бы могли?
Ответы часто дают идеи лучше любой подборки трендов.
Не продавайте автоматизацию до диагностики
Есть соблазн увидеть знакомый симптом и сразу предложить решение. «У Вас много вопросов клиентов — нужен AI-бот». Не обязательно. Возможно, клиенты задают много вопросов потому, что сайт плохо объясняет условия. Исправление страницы может быть дешевле и надёжнее бота.
«Менеджеры не заполняют CRM — давайте автоматически заполнять». Возможно, CRM содержит двадцать лишних полей, которые никому не нужны. Сначала уберите лишнее.
«Отчёт долго готовится — автоматизируем». Возможно, половину показателей никто не читает.
Специалист зарабатывает не только на том, что умеет строить. Он зарабатывает на том, что умеет иногда не строить ненужное.
Сделайте карту возможностей
После разговора с бизнесом выпишите процессы и оцените каждый по четырём параметрам: частота, затраты времени, стоимость ошибки и техническая сложность изменения.
Не нужно вводить сложную формулу. Достаточно здравого смысла.
Высокая частота + много времени + низкий риск + умеренная сложность — хороший первый кандидат.
Низкая частота + высокая цена ошибки + сложная интеграция — плохой проект для новичка.
Например, автоматическая классификация входящих вопросов и создание черновика ответа может быть хорошей задачей. Автоматическое изменение финансовых реквизитов по письму без подтверждения человека — плохой идеей даже для опытного специалиста.
Думайте не «какую услугу продавать», а «какой тип потерь искать»
Есть четыре универсальных типа потерь.
Время. Люди делают то, что можно ускорить.
Деньги. Ошибки, пропущенные заявки, неверные данные и задержки имеют финансовое последствие.
Информация. Компания знает меньше, чем могла бы знать из собственных данных.
Внимание. Сотрудники вынуждены постоянно переключаться, искать, проверять и помнить то, что система могла бы делать автоматически.
Если Вы научитесь видеть эти потери, новые инструменты не будут каждый раз заставлять Вас начинать с нуля. Появится более сильный вопрос: «Как этот инструмент может убрать конкретную потерю?»
Следующий блок книги посвящён пятнадцати направлениям, где такой подход уже можно превратить в понятную услугу.
Глава 5. Исследования, которые помогают принимать решения
Услуга «исследование рынка» звучит слишком широко. В плохом исполнении это пять страниц общих фраз, несколько графиков из первой выдачи поисковика и вывод «рынок растёт». В хорошем — инструмент принятия решения.
Разница особенно заметна сейчас, когда любой человек может попросить модель за минуту написать «анализ рынка». Сам факт появления текста больше ничего не стоит. Платить будут за то, что Вы правильно поставили вопрос, нашли источники, отделили факты от предположений, проверили данные и связали выводы с конкретным решением клиента.
Для новичка это одно из самых доступных направлений. Оно не требует программирования и дорогой инфраструктуры, но учит главному: работать не с нейросетью, а с задачей.
Направление 1. Исследование рынка под конкретное решение
Кому это нужно? Малому бизнесу, который выбирает новый город, продукт, сегмент, формат услуги, канал продвижения или ценовую модель. Стартапу, который пытается понять, есть ли спрос. Производителю, который рассматривает новую категорию. Агентству, которому нужен материал для стратегии клиента.
Не продавайте «исследование рынка мебели». Это бесконечная тема. Продавайте ответ на ограниченный вопрос: «Есть ли смысл компании, которая уже продаёт офисную мебель в Казани, выходить в сегмент небольших коворкингов в соседних регионах?»
Такой вопрос сразу задаёт рамку. Нужно оценить потенциальных покупателей, существующих конкурентов, характер предложения, цены как ориентир, географию, каналы закупки, признаки спроса и барьеры. Отчёт перестаёт быть энциклопедией и становится документом для решения.
ИИ ускоряет несколько этапов. Он помогает составить карту вопросов, подобрать поисковые запросы, быстро просмотреть большое количество материалов, извлечь факты, привести сведения к единой структуре и сопоставить источники. Исследовательские режимы Perplexity, ChatGPT, Gemini и других систем позволяют пройти по множеству страниц быстрее, чем вручную. NotebookLM удобен, когда у Вас уже есть набор отраслевых отчётов и документов.
Но модель не должна быть источником факта сама по себе. Если в отчёте написано, что объём рынка составляет определённую сумму, у Вас должна быть ссылка на первичный или хотя бы надёжный вторичный источник. Если данные расходятся, это не ошибка, которую нужно скрыть. Это часть исследования: покажите, почему оценки различаются.
Конечный результат может выглядеть как документ на 10–25 страниц, таблица источников и короткая записка «что это значит для клиента». Иногда ценнее сделать меньше текста, но больше сравнимых данных.
Как получить первого клиента в этом направлении? Не писать «делаю исследования с ИИ». Возьмите один публичный бизнес и сделайте короткий демонстрационный разбор: рынок, конкуренты, три гипотезы, источники. Покажите, что умеете отделять вывод от факта. Такой пример лучше десятка сертификатов о прохождении курса по промптам.
Направление 2. Глубокий анализ конкурентов
Слово «конкурентный анализ» тоже испорчено шаблонами. Люди собирают логотипы конкурентов, выписывают количество подписчиков и называют это исследованием.
Бизнесу полезнее ответы на конкретные вопросы.
Как конкуренты упаковывают продукт? Какие сегменты выделяют? Что обещают на первом экране сайта? Как устроены тарифы? Какие функции входят в базовый пакет? Где находятся ограничения? Какие возражения закрывают? Какими каналами привлекают аудиторию? Какие темы чаще всего появляются в отзывах? Что изменилось за последние месяцы?
Часть этих данных можно собирать автоматически или полуавтоматически. Поисковые модели находят материалы, инструменты извлечения данных помогают привести страницы к структуре, языковая модель классифицирует предложения и отзывы. Но Вы должны заранее решить, что сравниваете.
Плохой конкурентный анализ собирает всё подряд.
Хороший строит матрицу под решение. Например, компания хочет понять, почему её сервис воспринимается как дорогой. Тогда сравнивать нужно не только цену, но и состав пакета, ограничения, визуальную подачу, гарантии, дополнительные услуги, отзывы о ценности, способ объяснения стоимости.
ИИ особенно полезен в мониторинге. Разовый анализ быстро устаревает. Если клиенту действительно важно следить за рынком, Вы можете предложить ежемесячное обновление: новые продукты конкурентов, изменение тарифов, новые отзывы, заметные рекламные сообщения, вакансии как сигнал новых направлений, обновления сайта. Здесь разовая услуга превращается в постоянную.
Сложность начинается там, где данные защищены, требуют авторизации или массовый сбор противоречит правилам сайта. Не обещайте клиенту «парсить всё». Используйте открытые страницы, официальные API, выгрузки и допустимые способы получения информации.
Направление 3. Исследование аудитории и анализ отзывов
У малого бизнеса часто нет возможности проводить десятки глубинных интервью. Зато у него уже есть массив обратной связи: отзывы на картах и маркетплейсах, обращения в поддержку, переписки, анкеты, комментарии, причины возвратов.
Эта информация редко используется системно.
Представим сервис, у которого есть две тысячи текстовых отзывов за год. Прочитать их вручную можно, но это дорого по времени. Если просто попросить модель «сделай выводы», получится красивая, но плохо проверяемая выжимка. Более профессиональный подход начинается с схемы кодирования.
Сначала определите категории. Например: качество продукта, скорость, доставка, работа менеджеров, цена, удобство, проблемы после покупки. Затем добавьте тональность и силу сигнала. Отдельно отмечайте предложения клиентов и причины отказа. Для части отзывов сделайте ручную разметку и сравните её с работой модели. После этого можно обработать весь массив.
Результат становится гораздо полезнее: не «клиенты в целом довольны», а распределение тем, типичные цитаты, динамика по периодам, различия между площадками, связь категории с оценкой, список повторяющихся проблем.
Эту услугу можно развить ещё дальше. Если у клиента регулярно поступают отзывы и обращения, настройте автоматическое обновление анализа. Новые сообщения классифицируются, данные попадают в таблицу или дашборд, а раз в неделю руководитель получает короткую сводку.
Это уже не разовый «анализ текстов», а система обратной связи.