Уволь себя: как заставить нейросеть делать твою работу
- -
- 100%
- +
© Амелия Белл, 2026
ISBN 978-5-0071-3054-7
Создано в интеллектуальной издательской системе Ridero
Вместо предисловия. Нейросеть, которая действительно работает за вас
Когда я впервые увидел, на что способны современные нейросети, всё выглядело почти как фокус.
Можно было написать несколько строк — и через секунды получить письмо, статью, план поездки, рекламный текст или разбор документа. Можно было загрузить таблицу и попросить найти ошибки. Показать фотографию — и спросить, что на ней. Дать длинный текст — и получить короткое объяснение.
Казалось, ещё немного — и компьютер наконец начнёт делать за нас всю скучную работу.
Но довольно быстро обнаружилась странная вещь.
Нейросеть могла прекрасно рассказать, как выполнить работу. Только сама работа почему-то всё ещё оставалась мне.
Допустим, мне нужно подготовить небольшой проект.
Изучить конкурентов. Собрать информацию. Свести цифры в Excel. Написать документ. Сделать презентацию. Подготовить несколько писем. Создать простой сайт. Проверить результат.
Я пишу нейросети: «Сделай всё это за меня».
Через минуту появляется отличный ответ.
Вот анализ рынка. Вот пример таблицы. Вот структура презентации. Вот текст письма. Вот план сайта.
Выглядит впечатляюще.
Но потом я закрываю окно чата.
И вижу, что на моём компьютере почти ничего не изменилось.
Excel-файл никто не создал. Презентации нет. Цифры никто не проверил. Письма не отправлены. В календаре ничего не появилось. Сайт не готов.
Нейросеть рассказала мне, как выполнить работу.
А я хотел, чтобы она выполнила её.
Именно с этого различия начинается эта книга.
Современный искусственный интеллект уже давно умеет гораздо больше, чем просто отвечать на вопросы.
Он может читать файлы, создавать документы и презентации, работать с таблицами, писать программы, искать информацию в интернете, пользоваться внешними сервисами и выполнять действия в браузере.
Он может получать доступ к календарю, почте, облачным дискам, базам данных и другим программам.
А современные ИИ-агенты способны получить большую задачу, разбить её на шаги, выбрать нужный инструмент, выполнить действие, посмотреть, что получилось, и решить, что делать дальше.
Проще говоря, нейросеть постепенно превращается из собеседника в цифрового исполнителя.
И вот это намного интереснее очередного списка «100 лучших промптов».
Промпт — всего лишь способ объяснить машине, чего вы хотите.
Но если у нейросети нет доступа к вашим файлам, программам и рабочим инструментам, даже самый прекрасный промпт не создаст настоящий Excel-файл, не добавит встречу в календарь и не изменит документ.
Чтобы ИИ действительно начал работать за нас, ему нужны своего рода руки.
Такими «руками» становятся инструменты, приложения, плагины, API, навыки, MCP, браузер и доступ к программам.
Не пугайтесь этих слов.
Сейчас совершенно не обязательно понимать, что они означают.
Мы дойдём до каждого понятия постепенно.
И я буду объяснять их не языком программистов, а обычным человеческим языком.
Если вы умеете включить компьютер, открыть браузер, найти документ и напечатать текст в Word — этого достаточно, чтобы читать эту книгу.
Начнём мы с самого простого.
С обычного разговора с нейросетью.
Разберёмся, почему она иногда отвечает блестяще, а иногда уверенно говорит ерунду.
Поймём, какие задачи ей можно доверять, а какие необходимо проверять.
Научимся давать ей документы и объяснять, какой результат нам нужен.
После этого начнётся самое интересное.
Мы попробуем сделать так, чтобы результатом работы нейросети был уже не красивый текст в окне чата, а настоящий готовый файл.
Документ Word. Таблица Excel. Презентация PowerPoint. Отчёт. Папка с обработанными файлами.
А затем пойдём дальше.
Научимся подключать к ИИ другие программы.
Разберёмся, что такое плагины и навыки.
Очень простыми словами поймём, что такое API и зачем оно вообще нужно обычному человеку.
Познакомимся с MCP — технологией, которая помогает искусственному интеллекту подключаться к разным инструментам и источникам данных.
Посмотрим, как нейросеть может работать в браузере.
А потом доберёмся до агентов.
Пока достаточно одного простого определения.
ИИ-агент — это нейросеть, которая способна не только ответить вам, но и выполнить последовательность действий для достижения цели.
Например: найти информацию; изучить документы; сравнить данные; заполнить таблицу; создать отчёт; проверить результат; подготовить письмо; и обратиться к вам только там, где действительно требуется ваше решение.
Именно здесь начинается настоящий «Нейромир».
Но есть одна вещь, о которой необходимо договориться заранее.
Я не буду рассказывать вам сказку о волшебном искусственном интеллекте, которому можно бездумно передать всю свою жизнь.
Нейросети ошибаются.
Иногда очень убедительно.
Они могут придумать несуществующий факт. Неправильно прочитать таблицу. Выбрать не тот файл. Нажать не ту кнопку. Сделать разумное действие в неподходящий момент.
И чем больше свободы получает система, тем важнее становится контроль.
Поэтому в этой книге мы будем учиться не только давать нейросети больше возможностей.
Мы будем учиться делать это безопасно.
Сначала — посмотреть. Потом — предложить действие. Затем — попробовать на копии. Проверить результат. И только после этого разрешать системе что-либо менять по-настоящему.
Это простое правило убережёт от огромного количества ошибок:
прочитать → предложить → сделать на копии → проверить → выполнить настоящее действие.
Особенно в начале.
В книге будут встречаться названия конкретных нейросетей и моделей.
GPT-6 Astra. Claude Fable 5.1. DeepSeek V4.1 Flash. Gemini 3.8 Flash. И другие.
Эти названия нужны нам как реальные примеры того, что умеют современные системы.
Но запоминать их все не нужно.
Рынок искусственного интеллекта меняется слишком быстро. Сегодня выходит новая модель, через несколько месяцев появляется следующая.
Поэтому сведения о конкретных моделях в этой книге отражают ситуацию на 12 сентября 2026 года.
Названия будут меняться. Кнопки в программах тоже будут меняться. А основные принципы останутся.
Что именно вы хотите получить? Какие данные для этого нужны? Какие инструменты должна использовать система? Что ей разрешено делать? Что ей запрещено? Как проверить результат? И в какой момент решение должен принять человек?
Если вы научитесь отвечать на эти вопросы, переход с одной нейросети на другую уже не будет большой проблемой.
Поэтому не переживайте, если интерфейс программы на вашем экране выглядит немного иначе, чем в книге.
Не ищите глазами каждую кнопку точно на том месте, где она была у меня.
Смотрите глубже.
Что я хочу сделать? Какой файл нужен системе? Какое действие я ей разрешаю? Что должно получиться в конце? Как я это проверю?
Эти вопросы важнее расположения любой кнопки.
И ещё одно.
Не пытайтесь сразу построить огромную систему из десяти агентов, двадцати инструментов и пяти нейросетей.
Возьмите одну маленькую задачу.
Например: привести в порядок документ; обработать небольшую таблицу; разобрать папку с файлами; создать презентацию; подготовить отчёт.
Научитесь передавать машине сначала часть работы.
Потом ещё одну.
Затем соедините эти части.
Так постепенно произойдёт очень интересный переход.
Сначала вы будете спрашивать нейросеть: «Как мне это сделать?»
Потом: «Сделай мне вот эту часть».
Ещё позже: «Выполни всю задачу и покажи результат».
И однажды вы заметите, что главный вопрос изменился.
Вы больше не спрашиваете: «Какой промпт мне написать?»
Вы спрашиваете: «Какую часть этой работы я вообще должен делать сам?»
Вот об этом и написана эта книга.
Как читать эту книгу, если вы боитесь «сломать компьютер»
Для первых опытов вам не нужны API-ключи, программирование и доступ к рабочей почте. Начните с копии обычного файла: документа, таблицы или небольшой папки. Просите ИИ сначала объяснить, что он собирается изменить, затем работать только с копией и в конце показать, что именно поменялось.
Двигайтесь по правилу «прочитать → предложить → сделать на копии → проверить → только потом разрешить реальное действие». Эта последовательность будет повторяться по всей книге. Она важнее названия конкретной модели.
Если в книге встречается функция, которой нет в вашем тарифе или приложении, пропустите конкретную кнопку. Ищите эквивалентную возможность: загрузить файл, создать новый файл, подключить сервис, вызвать инструмент или попросить подтверждение перед действием.
Несколько слов заранее: что я называю агентом
До отдельной главы об агентах нам ещё далеко, но слово будет встречаться раньше. Пока используйте простое определение: агент — это система с ИИ, которая не только отвечает текстом, но и может выбрать следующий шаг, использовать разрешённый инструмент, получить результат и продолжить работу. Например, открыть файл, посчитать данные, создать новый документ или подготовить действие в браузере.
Это не означает, что любой чат уже умеет всё перечисленное. Возможности зависят от конкретного продукта, тарифа, подключённых инструментов и ваших разрешений. Подробно разберём устройство агента в части VII.
ЧАСТЬ I. ЧАТ, КОТОРЫЙ НЕ РАБОТАЕТ ЗА ВАС
Глава 1. Иллюзия готовой работы
Однажды я решил поставить нейросети задачу так, как её обычно ставят хорошему помощнику: «Подготовь мне запуск нового онлайн-сервиса. Изучи рынок, найди конкурентов, сделай финансовую модель, презентацию и план продаж».
Ответ выглядел прекрасно. На экране появились аккуратные заголовки. Затем таблица с предполагаемыми расходами. Потом структура презентации из двенадцати слайдов. В конце — пример письма клиенту.
На чтение ушло меньше десяти минут. На секунду возникло приятное чувство: кажется, половина проекта уже сделана.
А потом я закрыл окно чата и посмотрел на рабочий стол.
Excel-файла не было. Формул не было. Презентации не было. Список конкурентов никто не проверил. Письма никому не отправлены. Сайт не создан. В календаре ничего не появилось. В папке проекта лежали ровно те же файлы, что и раньше.
Нейросеть отлично описала работу. Но она не выполнила работу.
Это первое различие, которое нам понадобится на протяжении всей книги.
Когда вы просите: «Напиши поздравление», ответ в чате уже может быть готовым результатом. Вы копируете текст и отправляете. Но когда вы просите: «Подготовь месячный отчёт», результатом обычно считается не объяснение, как должен выглядеть отчёт. Нужен файл с правильными данными, формулами, выводами и оформлением. Если вы говорите: «Организуй встречу», хороший совет о том, как искать свободное время, — не результат. Результат — найденный слот и созданное событие в календаре, возможно после вашего подтверждения.
Полезно привыкнуть к очень простому вопросу: что должно измениться в мире после выполнения задачи?
Если вы просите рецепт, возможно, достаточно текста. Если вы просите сравнить три договора, нужен вывод, основанный на реальных файлах. Если вы просите «обновить список клиентов», должен измениться файл или запись в CRM. Если просите сделать презентацию — должен существовать файл презентации, который открывается и выглядит нормально.
Именно здесь начинается настоящий разговор об автоматизации.
Ответ и действие
Условно все задачи можно разделить на два типа.
Первый тип — информационный. Вы хотите узнать, понять, придумать или сформулировать. Например: «Объясни простыми словами, что такое ипотека». Здесь текстовый ответ уже является результатом.
Второй тип — исполнительский. Вы хотите, чтобы произошло действие: изменился документ, появилась строка в таблице, была создана презентация, отправлено письмо, запущена программа, заполнена форма на сайте, в календаре появилась встреча.
Современные ИИ-системы способны и на первое, и на второе, но для второго им обычно нужны инструменты и разрешения.
Представьте очень умного человека, которого посадили в пустой комнате. У него прекрасная память, он отлично рассуждает и умеет составить план. Но у него нет телефона, компьютера и ключей. Он может объяснить, как заказать такси, но не может заказать его за вас. Как только вы дадите ему телефон и доступ к приложению, ситуация изменится. А если дадите ещё и банковскую карту, появится новая возможность — и новый риск.
С нейросетями происходит то же самое.
Сам по себе интеллект модели — это ещё не действие. Чтобы действовать, система должна иметь доступ к чему-то внешнему: веб-поиску, файлам, API, браузеру, электронной почте, календарю, программе, базе данных или другому инструменту.
Простой тест
Возьмите пять задач, которые вы делали на компьютере за последнюю неделю. Например:
1. ответили на письмо;
2. свели расходы в Excel;
3. нашли информацию о товаре;
4. написали документ;
5. записались к врачу.
Теперь напротив каждой задачи напишите, что является готовым результатом.
Для письма это может быть отправленный ответ.
Для работы в Excel — сохранённый файл с верными формулами.
Для поиска товара — сравнительная таблица с актуальными ценами и ссылками.
Для документа — готовый оформленный файл DOCX.
Для записи к врачу — подтверждённое время приёма.
Вы только что сделали первый шаг к автоматизации: перестали описывать работу словами и начали определять её результат.
К этой привычке мы будем возвращаться снова и снова.
Глава 2. Что на самом деле умеет современная модель
Слово «нейросеть» в быту используют почти для всего: от генератора картинок до чат-бота. В этой книге чаще всего речь будет идти о больших языковых моделях — LLM. Не обязательно запоминать английскую аббревиатуру. Важно понять идею.
Такая модель получает информацию и предсказывает, каким должен быть следующий фрагмент ответа. Это звучит скромнее, чем «искусственный интеллект», но результат может быть очень сложным. Модель обучена на огромных массивах текстов, кода, изображений и других данных. Поэтому она умеет замечать структуры: как выглядит деловое письмо, как устроен программный код, как связаны понятия, как преобразовать таблицу в выводы.
Для начинающего пользователя важнее не внутреннее устройство модели, а четыре практических свойства.
Первое: модель умеет работать с языком
Она может объяснять, писать, переписывать, сокращать, переводить, структурировать и сравнивать тексты. Это базовая способность, из которой выросли многие другие.
Если вам трудно начать письмо, модель предложит черновик. Если документ написан слишком сложно — упростит. Если вы получили длинный договор — может помочь разобрать его структуру и обратить внимание на спорные пункты. Последнее не заменяет юриста, но экономит время на первичном чтении.
Второе: модель может работать не только с текстом
Современные системы мультимодальны. Они могут получать изображения, читать документы, анализировать таблицы, в некоторых продуктах — понимать аудио и видео. Это означает, что вы можете не пересказывать вручную содержимое файла, а дать сам файл, если сервис это поддерживает.
Но здесь есть важная ловушка. «Может прочитать» не означает «всегда прочитает безошибочно». Плохой скан, сложная таблица, мелкий текст, формула на картинке — всё это повышает вероятность ошибки. Если число критично, проверяйте его в первоисточнике.
Третье: модель может рассуждать о последовательности действий
Если задача сложная, модель способна разбить её на шаги. Например:
«Чтобы подготовить семейный бюджет, сначала соберём доходы и постоянные расходы, затем нерегулярные траты, после этого рассчитаем остаток и резерв».
Это уже похоже на работу консультанта. Но пока это только план.
Четвёртое: модель может выбирать инструменты
И вот здесь начинается особенно интересная часть. Если системе доступны веб-поиск, калькулятор, запуск кода, работа с файлами или внешними приложениями, модель может решить: «Сейчас мне надо не отвечать текстом, а вызвать инструмент».
Например, вы спрашиваете: «Какая сейчас погода и нужно ли брать зонт?» Модель без интернета может только опираться на старые знания или честно сказать, что текущую погоду не знает. Модель с доступом к сервису погоды запросит свежие данные и ответит уже на их основе.
Вы просите: «Посчитай сумму этих расходов». Вместо вычислений «в уме» система может использовать калькулятор или код. Это снижает риск арифметической ошибки.
Вы просите: «Добавь встречу во вторник». Если подключён календарь и разрешено создание событий, модель может вызвать соответствующее действие.
Контекст — рабочий стол модели
Есть ещё одно понятие, которое стоит понять сразу: контекст.
Когда мы разговариваем, человеку важно помнить предыдущие фразы. Если я сначала скажу: «У меня красная машина», а потом спрошу: «Какого она цвета?», ответ зависит от того, что собеседник помнит первую фразу.
У модели такую роль рабочей памяти выполняет контекст: текущие сообщения, загруженные файлы, инструкции и другая информация, доступная во время выполнения задачи.
Чем больше полезного контекста, тем лучше система понимает вашу ситуацию. Но «больше» не всегда значит «лучше». Если дать ей десять старых версий одного договора и не сказать, какая актуальная, можно получить очень уверенный вывод на основе неправильного файла.
Почему нейросеть иногда придумывает
Я буду использовать слово «галлюцинация», хотя оно не идеально. Так называют ситуацию, когда модель создаёт правдоподобную, но неверную информацию: придуманную ссылку, несуществующую функцию, ошибочную дату.
Причина проста: модель оптимизирована на создание подходящего ответа, а не на магическое знание истины. Если системе не хватает фактов, она может построить продолжение, которое похоже на правду.
Отсюда главное правило этой главы: используйте модель как умный механизм обработки информации, но не путайте уверенный стиль с доказательством.
Если факт важен, дайте системе доступ к актуальному источнику или проверьте источник сами.
Глава 3. Рынок 2026: почему вопрос «какая нейросеть лучшая?» почти бесполезен
К 12 сентября 2026 года рынок снова выглядит иначе, чем всего несколько месяцев назад. OpenAI 3 сентября представила GPT-6 Astra. Anthropic 1 сентября — Claude Fable 5.1. Google 2 сентября выпустила Gemini 3.8 Flash. DeepSeek 10 сентября представила V4.1 Flash. Это четыре релиза за десять дней, и уже один этот факт показывает, почему книга не должна превращаться в рейтинг моделей. [1] [2] [3] [4]
Если я напишу: «модель X — лучшая», такое предложение быстро устареет. Гораздо полезнее научиться выбирать модель под работу.
Представьте, что вы выбираете автомобиль. Фраза «какой автомобиль лучший?» почти бессмысленна без задачи. Для поездки по городу важны одни свойства. Для перевозки мебели — другие. Для бездорожья — третьи. Самая дорогая машина не обязательно лучше выполняет вашу конкретную работу.
С моделями так же.
GPT-6 Astra
OpenAI описывает GPT-6 Astra как модель для сложной сквозной работы, включая рассуждение, программирование, исследования, управление компьютером (computer use) и создание документов. В API на дату написания указано контекстное окно объёмом около 1,05 миллиона токенов и поддержка таких инструментов, как веб-поиск, поиск по файлам и управление компьютером. Доступ после релиза разворачивается постепенно, поэтому наличие модели и отдельных инструментов нужно проверять для своего плана и региона. [1] [5]
Для обычного пользователя важен не сам размер контекстного окна. Важно, что такие модели всё увереннее работают с большими проектами и длинными цепочками действий. Но у этого есть цена: мощная модель может быть дороже и избыточной для простого письма из трёх предложений.
Claude Fable 5.1
Anthropic позиционирует Claude Fable 5.1 как особенно сильную модель для программирования и интеллектуальной работы. Компания отдельно подчёркивает длительные агентные сценарии. Заявленное снижение стоимости типичных нагрузок связано прежде всего с более дешёвым чтением кэша, а не с одинаковым снижением цены всех токенов. [2]
На практике это означает, что Fable интересна там, где задача не заканчивается одним ответом: нужно прочитать много материалов, сделать выводы, работать с кодом или вести длительную работу над проектом.
Gemini 3.8 Flash
Google называет Gemini 3.8 Flash рабочей моделью с акцентом на рассуждение, программную инженерию и агентные задачи. На дату выпуска Google указывала стартовую цену $0,75 за миллион входных токенов и $3,75 за миллион выходных токенов; компания отдельно предупреждает, что тариф меняется с 1 января 2027 года. Поэтому цены в этой книге — пример, а не вечный прайс-лист. [4]
Для нас здесь важна идея: иногда лучше взять не самый мощный «флагман», а достаточно сильную и быструю модель, если задача повторяется сотни раз.
DeepSeek V4.1 Flash
DeepSeek V4.1 Flash — хороший пример того, как экономика становится частью архитектуры. Модель использует MoE-подход: общее число параметров велико, но при обработке конкретного запроса активируется лишь часть. DeepSeek заявляет 552 миллиарда параметров и существенно меньшее число активных параметров на входе и выходе, а также нативную работу с изображениями. [3]
Не нужно запоминать цифры. Запомните смысл: при массовых задачах стоимость каждого шага важна. Если агент делает тысячу обращений к модели, разница между дорогим и дешёвым вызовом умножается на тысячу.
Как выбирать без таблицы на сто строк
Я предлагаю пять вопросов.
1. Насколько сложна задача?
Если нужно переписать короткий абзац, флагманская модель часто не нужна. Если нужно провести исследование, проверить много условий и пользоваться инструментами — разумно выбрать более сильную модель.
2. Сколько раз задача повторяется?
Один сложный анализ и десять тысяч классификаций — разные ситуации. Во втором случае стоимость и скорость становятся ключевыми.
3. Нужны ли инструменты?
Модель может быть умной, но если ваш сервис не даёт ей доступ к файлам, браузеру или нужному приложению, большая часть интеллекта останется «в комнате без телефона».
4. Какова цена ошибки?
При выборе названия магазина можно позволить модели больше свободы. Для финансового расчёта нужна проверка, а для действий с деньгами — ещё более строгая.