Азамат Гулиев – Сверхпродуктивность с искусственым интеллектом: От первого промпта до собственной системы агентов (страница 4)
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.
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
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 одини 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.
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.
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.
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.
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.
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.
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.