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

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

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

• Точность: насколько фактически корректен ответ в вашей оценке?

• Полнота: охвачены ли ключевые аспекты задачи?

• Структура: удобно ли читать и использовать ответ?

• Релевантность: насколько ответ применим именно к вашей ситуации?

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

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

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

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

Кейс 2026: Менеджер по развитию федеральной розничной сети

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

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

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

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

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

Важно: ключевой урок кейса

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

Типичные ошибки новичка при первом знакомстве с моделью

Ошибка 1: «Одна модель — всё»

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

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

Ошибка 2: Доверие к уверенному тону

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

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

Ошибка 3: Слишком общий первый запрос

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

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

Ошибка 4: Игнорирование контекстного окна

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

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

Ошибка 5: Ожидание памяти между сессиями

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

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

Контрольные вопросы к Главе 1

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

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

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

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

→ К Главе 2: Мышление продуктивного пользователя ИИ

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

Глава

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.