Антон Аракчеев – AI Arsenal 2026. 500+ промтов для взрывного роста бизнеса (страница 9)

$1.25 / $5.00

Нет

YandexGPT 4

Отличный русский язык, доступность, интеграция с сервисами Яндекса, 152-ФЗ

Слабее в коде, ограниченный контекст (32K), меньше плагинов

От 0.5 ₽/запрос

Да

GigaChat Max

Работа с российскими данными, доступность, интеграция с Сбером

Слабее в творческих задачах, меньше контекстное окно

Бесплатно / корпоративный тариф

Да

Llama 3.1 405B

Полная приватность, бесплатно, open-source, кастомизация

Требует мощное железо (GPU), сложная настройка, слабее в рассуждениях

Бесплатно (самостоятельный хостинг)

Да

Mistral Large

Баланс цены и качества, быстрый, многоязычный, EU-хостинг

Меньше сообщество и экосистема, слабее на специфических задачах

$2.00 / $6.00

Нет

💡 Лайфхак: Не привязывайтесь к одной модели. Используйте GPT-4o для генерации креативного контента, Claude 3.5 — для анализа длинных документов, YandexGPT 4 — для задач с российскими данными и комплаенсом. Переключение занимает 30 секунд, а экономия может достигать 40–60 %. Создайте в Битрикс24 или Obsidian «шпаргалку»: задача → оптимальная модель → промт-шаблон.

⚠️ Важно: При работе с персональными данными граждан РФ (ФИО, контакты, паспортные данные) нельзя использовать модели, серверы которых расположены вне России и не соответствуют 152-ФЗ. К ним относятся GPT-4o, Claude 3.5, Gemini 2.0 и Mistral Large в их стандартных облачных версиях. Для таких задач используйте YandexGPT 4, GigaChat Max или локальные модели (Llama 3.1), развёрнутые на серверах в РФ.

Промт 1 — Адаптация промта для GPT-4o:

Ты — эксперт в [сфера] с 15-летним опытом (R). Выполни задачу: [задача] для компании [компания] (I). Контекст: [подробный контекст — рынок, аудитория, ограничения]. Формат ответа: [таблица / список / JSON / пошаговый план] (S). Требования: 1) Максимальная конкретика — цифры, даты, названия. 2) Без общих фраз и воды. 3) Уровень экспертизы: senior. 4) Язык: русский, деловой стиль (P). Используй chain-of-thought: сначала проанализируй задачу, затем предложи решение.

→ Адаптированный для GPT-4o промт, использующий сильные стороны модели: рассуждения, структурирование и конкретику. Оптимален для стратегических и аналитических задач.

Промт 2 — Адаптация промта для Claude 3.5 Sonnet (длинные документы):

Ты — [профессия], специалист по анализу и систематизации информации (R). Проанализируй следующий документ [или набор документов] (I). Текст документа: [вставить текст или описание загруженного файла]. Задачи: 1) Извлеки ключевые тезисы (не более 10). 2) Определи противоречия и нестыковки. 3) Составь сводную таблицу: «Тезис | Страница/раздел | Важность (1–5) | Комментарий». 4) Напиши executive summary на 200 слов. 5) Предложи 5 вопросов для углублённого анализа (C, S). Учитывай весь контекст — не пропускай детали в середине документа (P).

→ Промт, раскрывающий главное преимущество Claude 3.5 — работу с длинными текстами до 200K токенов без потери деталей в середине документа.

Промт 3 — Адаптация промта для YandexGPT 4 (российский контекст):

Ты — [профессия] с опытом работы на российском рынке (R). Подготовь материал по теме [тема] для компании [компания], работающей в [отрасль/ниша] в России (I). Учти: российское законодательство (укажи релевантные нормы), текущие тренды российского рынка [ниша], менталитет и культурные особенности целевой аудитории — [аудитория] (C). Формат: [формат ответа]. Тональность: деловой русский, без англицизмов (P). Упомяни 2–3 реальных российских компаний-примеров, если применимо.

→ Промт, адаптированный под сильные стороны YandexGPT 4 — знание российского контекста, законодательства и культурных особенностей.

3.2. Локальные модели: приватность и автономность

Локальные модели — это языковые модели, которые развёрнуты на вашем собственном оборудовании, а не в облаке провайдера. Llama 3.1 от Meta, Mistral от французской одноимённой компании, Qwen от Alibaba — все они доступны для скачивания и запуска на собственных серверах или даже мощных рабочих станциях. В 2025–2026 годах локальные модели стали реальной альтернативе облачным для целого класса задач: работа с конфиденциальными документами, обработка медицинских и финансовых данных, автономная работа в условиях ограниченного интернет-доступа.

Главное преимущество локальных моделей — полный контроль над данными. Ничто не покидает периметр вашей инфраструктуры, что критично для банков, медицинских учреждений, государственных компаний и любого бизнеса, обрабатывающего чувствительную информацию. Согласно Gartner (2025), 38 % крупных предприятий уже развёрнули хотя бы одну LLM локально, и к 2027 году эта доля достигнет 65 %. Основной вызов — требовательность к оборудованию: модель Llama 3.1 70B требует минимум 2 GPU с 48 GB VRAM (NVIDIA A100 или аналог), а версия 405B — минимум 8 GPU. Однако для большинства бизнес-задач достаточно моделей меньшего размера: Llama 3.1 8B работает на одном GPU с 24 GB и справляется с текстовыми задачами на уровне GPT-3.5.

Сценарий использования

Рекомендуемая модель

Мин. оборудование

Стоимость запуска

Анализ внутренних документов (HR, финансы)

Llama 3.1 70B (квантиз. 4-bit)

2× NVIDIA A100 48GB

~350 000 ₽/мес. (аренда)

Чат-бот для сотрудников (FAQ, регламенты)

Llama 3.1 8B / Mistral 7B

1× NVIDIA RTX 4090 24GB

~80 000 ₽ (единоразово)

Медицинская документация (обезличенная)

Llama 3.1 70B + RAG

2× NVIDIA A100 48GB + БД векторная

~500 000 ₽/мес.

Автономная работа (оффлайн, полевые условия)

Mistral 7B / Phi-3 Mini

MacBook Pro M3 Max / 1× RTX 3080

~100 000 ₽ (единоразово)

Промт 4 — Анализ конфиденциального документа (Llama 3.1):

Ты — внутренний аналитик компании [компания] (R). Проанализируй следующий внутренний документ и извлеки из него ключевую информацию (I). Текст документа: [вставить текст]. Задачи: 1) Составь краткую выжимку (5–7 ключевых тезисов). 2) Определи риски и «красные флаги». 3) Сформулируй 3 рекомендации для руководства. 4) Укажи, какие данные из документа являются чувствительными и требуют дополнительной защиты (C). Формат: структурированный отчёт с заголовками (S). Тональность: строго конфиденциальная, деловая (P). Все данные остаются внутри периметра — не отправляй наружу.

→ Промт для локальной модели, гарантирующий, что конфиденциальные данные не покидают периметр организации.

Промт 5 — HR-ассистент по регламентам (Llama 3.1 8B):

Ты — HR-ассистент компании [компания] (R). На основе регламентов компании ответь на вопрос сотрудника (I). Контекст (регламент): [вставить текст регламента или указать RAG-источник]. Вопрос сотрудника: [вопрос]. Ответь: 1) Чёткий и конкретный ответ на вопрос. 2) Укажи пункт регламента, на который опираешься. 3) Если вопрос неоднозначный — предложи 2 варианта интерпретации и рекомендуй обратиться к [должность] (C, S). Тональность: вежливая, точная, без лишней информации (P). Если ответа в регламенте нет, явно об этом скажи.

→ Промт для внутреннего HR-чатбота на локальной модели, работающий только с утверждёнными регламентами.

Промт 6 — Код-ревью внутренних систем (Llama 3.1 70B):

Ты — senior разработчик, специалист по безопасному коду (R). Проведи код-ревью следующего фрагмента кода из внутреннего проекта [название проекта] (I). Код: [вставить код]. Проверь: 1) Безопасность — уязвимости, SQL-инъекции, XSS, утечки данных. 2) Производительность — потенциальные узкие места. 3) Читаемость — соблюдение стандартов [указать стандарт, например: PEP-8 / Google Style]. 4) Обработка ошибок — пропущенные крайние случаи (C). Формат: таблица «Проблема | Строка | Серьёзность (критично/средне/низко) | Рекомендация» + исправленный код (S). (P).

→ Промт для код-ревью на локальной модели — внутренний код не покидает инфраструктуру компании.