ИИ для бизнеса / Михаил Ларькин

Можно ли собрать свой AI-инструмент, если вы не программист? 👀

Это один из самых частых вопросов после анонса AI-прайм.

Короткий ответ: да.

Но руками поработать всё равно придётся. На программе не получится просто посмотреть записи и ждать, пока автоматизация как-нибудь сама соберётся))

При этом учиться программировать в классическом смысле не нужно. Код пишет AI. Ваша задача — научиться нормально объяснять ИИ системе (ИИ Агенту с доступом к вашему контексту жизни и инструментам жизни):

— какой процесс вы хотите автоматизировать;
— какие данные и сервисы в нём участвуют;
— что агент должен делать по шагам;
— какой результат считается правильным;
— как проверить качество его работы.

По сути, вам не обязательно разбираться, как устроен двигатель. Но нужно научиться управлять машиной, понимать маршрут и замечать, когда она едет куда-то не туда.

Именно поэтому на AI-прайм мы начинаем не с кода.

Сначала собираем личного AI-агента, даём ему ваши файлы и рабочий контекст. Потом подключаем таблицы, почту, аналитику, сайты и другие сервисы. После этого создаём скиллы — готовые сценарии, по которым агент выполняет повторяющиеся задачи.

И уже на этой основе собираем собственный инструмент: для продаж, документов, аналитики, клиентской работы или управления бизнесом. Доводим интерфейс до нормального состояния, сохраняем проект в GitHub и размещаем на сервере, чтобы им можно было пользоваться каждый день.

Если вы уже хорошо работаете с ChatGPT или Claude — отлично.

Мы не будем тратить время на базовые промты и обзоры двадцати нейросетей. Следующий уровень начинается там, где AI знает ваш контекст, работает с реальными данными и выполняет весь процесс, а не помогает в одном случайном чате.

По времени ориентир — 5–7 часов в неделю.

Сюда входят живые занятия и работа над своим проектом. То есть большую часть времени вы тратите на задачу, которая и так существует в вашей работе, только постепенно передаёте её системе.

Через три недели у вас остаются:
— настроенный агент с вашим контекстом;
— подключённые данные или рабочий сервис;
— собственные повторяемые скиллы;
— готовый AI-инструмент под одну реальную задачу;
— понимание, как дальше собирать такие решения самостоятельно.

Программа подойдёт предпринимателям, руководителям и экспертам, у которых уже есть клиенты, документы, данные или повторяющиеся процессы.

Если пока хочется просто посмотреть, какие существуют нейросети, AI-прайм, скорее всего, будет избыточным. Здесь мы действительно собираем и внедряем.

Если хотите понять, справитесь ли вы технически и какой инструмент сможете собрать под свою работу, напишите моему партнёру Матвею @starsevast слово «СИСТЕМА».

Посмотрим на вашу задачу и честно скажем, подходит ли она для программы 🫡

Что реально можно собрать на AI-прайм под свою работу? 👀

Когда говоришь «собственный AI-инструмент», люди часто представляют либо очередного чат-бота, либо огромную систему, которую нужно разрабатывать несколько месяцев.

На AI-прайм масштаб другой: берём один конкретный процесс, собираем под него рабочий инструмент и доводим до состояния, когда им уже можно пользоваться.

Вот несколько реалистичных примеров.

Если вы предприниматель

Можно собрать утренний пульт управления бизнесом.

Система забирает данные из CRM или таблиц, сравнивает их с планом и присылает в Telegram короткую сводку: новые лиды и продажи, зависшие сделки, просроченные задачи и показатели, которые требуют внимания.

Можно сразу спросить агента, почему упали продажи или где застряли клиенты. Он поднимет доступные данные и подготовит первичный ответ.

Человек принимает решение. Система собирает картину и не даёт важному потеряться между таблицами, чатами и CRM.

Если вы топ-менеджер

Можно сделать помощника для подготовки к управленческим встречам.

Перед комитетом агент изучает отчёты подразделений, предыдущий протокол и текущие показатели. На выходе получается один документ: что изменилось, где есть отклонения, какие обязательства не выполнены и какие решения нужно принять.

После встречи система разбирает транскрипт, обновляет договорённости и формирует задачи для команды.

Если вы эксперт

Можно собрать систему сопровождения клиентов.

После консультации она разбирает транскрипт, фиксирует запрос и договорённости, готовит персональный план и материалы для клиента.

Перед следующей встречей агент собирает историю работы: с чем человек пришёл, что уже пробовал, какой получил результат и что нужно обсудить дальше.

А повторяющиеся вопросы клиентов можно превращать в темы для постов, вебинаров и новых продуктов.

Если у вас есть продажи

Можно сделать систему обработки новых лидов.

Когда приходит заявка, агент изучает запрос и информацию о компании, проверяет лида по вашим критериям, готовит первый ответ и собирает справку для продавца.

В CRM сразу появляется контекст: кто обратился, насколько клиент подходит, что ему предложить, какие вопросы задать и какой следующий шаг запланировать.

Стандартную подготовку делает система. Продавец подключается там, где нужен человеческий разговор.

Если вы работаете с документами и аналитикой

Можно собрать инструмент для сравнения предложений, отчётов или других файлов.

Загружаете несколько документов, а система вытаскивает одинаковые показатели, приводит информацию к одной структуре, находит расхождения и собирает сравнительную таблицу.

Например, так можно разбирать предложения подрядчиков: сравнивать цены, сроки, состав работ, ограничения и риски. Руководитель получает готовую основу для решения и проверяет ключевые выводы.

У всех проектов одна логика:

ваши данные → ваш контекст и правила → последовательность действий → рабочий результат.

На входе мы разбираем задачу и выбираем один процесс, который часто повторяется, имеет понятный результат и реально собирается за три недели.

Главный критерий: после программы инструмент должен остаться у вас в работе, а не в папке с учебными проектами)

Если хотите понять, какой проект можно собрать под ваш бизнес или рабочую функцию, напишите моему партнёру Матвею @starsevast слово «СИСТЕМА».

Посмотрим на запрос и выберем одну ключевую задачу для AI-прайм 🫡

Новых AI-сервисов стало столько, что за ними уже физически невозможно следить, тоже заметили?))

Каждую неделю появляется новая модель, агент, конструктор, интеграция или очередной способ автоматизировать вообще всё. Легко поймать ощущение, что ты постоянно что-то упускаешь и используешь AI как-то недостаточно правильно.

При этом реальный запрос у человека обычно намного проще.

Мне нужно разобрать созвон и подготовить предложение. Собрать отчёт из нескольких источников. Сделать внутренний инструмент для команды. Автоматизировать работу с клиентами. Или настроить агента, которому можно написать в Telegram и получить готовый результат.

Короче, человеку нужно просто решить свою задачу. Желательно так, чтобы решение работало каждый день и его не приходилось каждый раз собирать заново.

Весь этот год я проверял отдельные части такого подхода в разных форматах.

В Colvir мы проходили этот путь с 32 директорами функций: собирали персональный контекст, подключали корпоративные источники, превращали повторяющиеся задачи в готовые сценарии и делали собственные инструменты.

С топ-менеджерами «Магнита» сейчас разбираем реальные процессы и проектируем автоматизации под конкретные функции.

Кроме того, я пробовал разные форматы с IT-компаниями, дизайн-агентствами, строительными и промышленными командами. Где-то мы работали с личной системой руководителя, где-то собирали автоматизацию процесса, где-то делали внутренний AI-инструмент.

Постепенно из этого сложился понятный маршрут, который люди нормально усваивают и потом могут повторять самостоятельно.

Поэтому я решил запустить программу «AI-прайм» — ИИ для экспертов: личная операционная система и AI-инструменты под свою нишу.

Это практический формат, на котором каждый участник проходит весь маршрут не просто учась чему-то на будущее, а собирая то что будет работать уже сейчас и помогать расти.

Первые три занятия - собираем личную AI-систему.

— Сразу на первом модуле настраиваем ИИ-агента, который работает с вашими файлами и знает контекст вашей деятельности.
— Потом учимся подключать к нему внешние сервисы: таблицы, почту, аналитику, сайты, мессенджеры и другие рабочие источники.
— После этого разбираемся со скиллами - повторяемыми сценариями, у которых есть понятный вход, последовательность действий, результат и проверка качества. Один раз нормально собрали - дальше запускаете одним нажатием.

Следующие три занятия - создаём собственный инструмент автоматизации.

— Берём одну реальную задачу, описываем её и через Superpowers (топовый скилл для агента) собираем первую рабочую версию.
— Затем приводим интерфейс в порядок через понятную систему дизайна, сохраняем проект в GitHub и размещаем его на сервере, чтобы им можно было пользоваться самому или дать доступ команде.
— К примеру, на программе мы собираем: помощника для клиентских созвонов, систему подготовки документов, внутреннюю панель, автоматизацию контента, аналитику или другой сценарий из вашей работы, который поможет делегировать рутину и освобождать время для важного.

На входе мы отдельно разбираем задачу и помогаем выбрать процесс, который действительно имеет смысл автоматизировать. Потому что можно три недели увлечённо собирать красивую штуку, которая потом никому не нужна)

Маршрут будет понятным: пришёл, разобрался, попробовал на своей задаче, получил работающий результат и дальше используешь этот навык самостоятельно и можешь масштабировать и делать новые автоматизации и инструменты.

3 недели. 6 живых занятий в зуме по 2 часа. Все записи занятий остаются у вас навсегда. Старт 30 августа.

Подробнее о курсе: pay.larkinmd7.ru/tg

Если хотите понять, какой инструмент/-ы можно собрать под вашу работу, чтобы увеличить выручку благодаря автоматизаций, напишите моему партнеру Матвею в личку @starsevast слово «СИСТЕМА»

Сначала посмотрим на запрос и выберем одну ключевую задачу которую будем решать на продукте 🫡

Как понять, какую работу уже пора отдавать AI

Вчера я спрашивал, какую регулярную задачу вы бы первой перестали делать руками.

Но есть ещё один вопрос: как вообще понять, что задачу уже можно передать AI?

Когда мы делали программу «AI-агент руководителя» для 32 директоров Colvir, мы начинали не с выбора нейросетей. Каждый руководитель сначала описывал свою роль, цели, источники информации и повторяющиеся задачи.

Потом мы собирали карту рабочего контура: почта, мессенджеры, документы, трекеры, внутренняя база знаний. Смотрели, откуда берутся данные, какие действия человек выполняет руками и что должно получиться на выходе.

И только после этого выбирали первый процесс для автоматизации.

У нас даже появилось простое правило:

Если ты третий раз выполняешь задачу примерно по одной схеме - её уже пора превращать в готовый сценарий для AI.

Обычно у подходящего процесса есть пять признаков:

- он повторяется хотя бы несколько раз в месяц;
- информация каждый раз приходит из понятных источников;
- основные действия можно описать по шагам;
- есть критерии хорошего результата;
- человек может быстро проверить итог и подключиться в сложной ситуации.

Например, еженедельный отчёт.

Данные каждый раз берутся из одних таблиц и сервисов. Их нужно собрать, сравнить с прошлым периодом, найти отклонения, сформулировать выводы и подготовить документ для команды.

Или работа после клиентского созвона.

Нужно разобрать транскрипт, вытащить договорённости, подготовить письмо, зафиксировать следующий шаг и обновить информацию по клиенту.

Или контент.

Взять накопленные материалы, найти темы, подготовить несколько вариантов, проверить их по стилю и сохранить в контент-план.

Самый интересный момент здесь в другом. Чтобы передать процесс AI, приходится достать из головы собственную рабочую логику: какие данные ты используешь, в каком порядке действуешь и по каким признакам понимаешь, что результат хороший.

Часто оказывается, что эта логика нигде не записана. Каждый раз человек воспроизводит её по памяти.

И вот это как раз хорошая точка входа. AI забирает сбор информации, повторяемые действия и подготовку результата. А человек оставляет за собой решения, исключения и контроль качества.

Какой процесс в вашей работе за последний месяц повторился минимум три раза - и какие шаги вы каждый раз делали одинаково?AI, который реально решает вашу задачу 👌

Почему AI у многих так и остался ещё одной вкладкой

Последние несколько недель я веду консалтинговый проект для топ-менеджеров «Магнита». Мы разбираем их реальную работу и ищем, что можно передать AI.

Задачи у всех разные: аналитика, презентации, документы, переписки, встречи, работа с командой. Но устройство работы почти одинаковое.

Как сейчас:
• данные лежат во внутренних системах, документы - на диске, переписки - в мессенджерах и почте, встречи - в отдельном сервисе, часть правил - только в голове. Для каждой задачи используется свой AI-инструмент.
• А человек остаётся связующим звеном: сам переносит информацию, собирает контекст и каждый раз заново объясняет AI, что происходит.

Один из руководителей очень точно это сформулировал:
> «Всё, что ты говоришь, у меня есть по кускам. Но оно всё не объединено».

Раньше такая схема была нормальной. Каждый сервис умел делать что-то одно, а человек соединял их между собой.
Сейчас можно построить работу иначе.

Как нормально:
• у тебя есть единое рабочее пространство на компьютере. В нём лежат файлы, контекст проектов, расшифровки встреч, правила работы и накопленные знания.
• Через одно окно AI может работать со всем этим и обращаться к нужным сервисам: диску, почте, календарю, аналитике, мессенджерам.
• Ты не ищешь информацию в пяти местах и не переносишь её вручную. Ставишь задачу - система сама собирает нужный контекст, выполняет работу и сохраняет результат туда, где он должен лежать.

И главное - её не нужно каждый раз обучать с нуля. Один раз настроенный процесс можно повторять, улучшать и постепенно расширять.

Мне кажется, сегодня AI-мышление начинается именно здесь: не с поиска ещё одного полезного сервиса, а со сборки единой системы, внутри которой AI уже знает твой контекст и может работать со всеми инструментами.

Если бы AI мог работать со всеми вашими файлами и сервисами через одно окно, какую регулярную задачу вы бы первой перестали делать руками?

Хороший результат начинается не с промпта, а с понимания задачи

Можно параллельно запустить несколько агентов и за минуты получить от них результат. Но качество ответа уже не столько зависит от знания промпт-инжиниринга, сколько от понимания, что именно человек хочет получить на выходе. 

Как добиться необходимого результата, со мной поделился Михаил Беляев, руководитель образовательного направления Битрикс24. Разберем два практических приема.

1. Подробно ставить задачу на входе
Любая модель недостающую вводную достраивает сама. Чем больше контекста она получает, тем меньше итераций потребуется потом. Поэтому прежде нужно понимать какая стоит задача и четко сформулировать ее для ИИ.

Пример промпта:
Проанализируй отзывы клиентов за январь-март 2026 года с Яндекс Карт, 2ГИС и нашего сайта. Раздели их по категориям: продукт, обслуживание, поддержка, цена, интерфейс и доставка. Для каждой категории посчитай долю негатива, отдели единичные жалобы от повторяющихся проблем и приведи по 2-3 примера. В конце сделай краткий отчет в формате презентации на 7–10 слайдов, покажи ключевые показатели и проблемы на графиках. Выдели 5 главных выводов и предложи улучшения для трех самых частых проблемЕсли специалист сам понимает задачу, ему не обязательно запоминать подробные конструкции. Промпт здесь можно воспринимать как ТЗ — главное детально описать задачу, контекст и желаемый результат.
 
2. Проверять не всё подряд, а зоны риска
Даже хорошо поставленная задача не гарантирует идеальный результат. При работе с моделью практически всегда есть понимание, где она чаще ошибается. Поэтому следующая компетенция специалиста — уметь выявлять слабые места.

Здесь лучше проверять:
— свежие цифры;
— ссылки и источники;
— расчеты;
— юридические формулировки;

Со временем так формируется своя карта ошибок модели. 

Какая меняется роль специалиста в таком случае? 
Парадокс в том, что чем больше работы делегируется ИИ, тем важнее способность человека понимать задачу и оценивать результат. Запрос можно распределять между агентами, задавать им правила и контрольные точки, а самому фокусироваться на итоговой сборке. По сути, сотрудник становится руководителем небольшой ИИ-команды. Такая смена роли хорошо заметна при вайбкодинге. Как отмечает Михаил Беляев, сотрудники через платформу Битрикс24 Вайбкод сами формируют под свои задачи рабочие инструменты.

Итого эффективность работы с ИИ определяется тем, насколько хорошо человек понимает свою задачу и может объяснить ее модели.

Opus 5 проявил настоящую безжалостность, управляя торговым автоматом

Исследователи поручили AI-моделям управлять симулятором вендингового автомата. Opus 5 установил рекорд бенчмарка, закончив тест со средним балансом 11200 долларов.

Зарабатывал Opus довольно агрессивно. Он выдумывал предложения конкурентов, торгуясь с поставщиками, договаривался с другими агентами зафиксировать цены и поделить рынок, а затем нарушал договорённости и демпинговал.

В один момент Opus перестал отвечать на жалобы покупателей, потому что возвраты портили статистику. За весь тест он вернул клиентам только 8 долларов, тогда как GPT-5.6 Sol выплатил 655 долларов и всё равно показал сопоставимый результат.

Ещё Opus пытался выйти и за рамки задания: стать оптовым поставщиком для конкурентов и открыть второй автомат.

Исследователи считают, что тест показывает риск узких KPI. Чем лучше агент научится оптимизировать один показатель, тем важнее заранее прописать ограничения на способы достижения цели.

https://techcrunch.com/2026/07/29/claude-opus-5-became-downright-ruthless-when-tasked-with-running-a-vending-machine/

США запретили импорт китайских человекоподобных и четвероногих роботов

Главная цель запрета — китайская Unitree, занявшая почти пятую часть мирового рынка человекоподобных роботов.

Теперь на внутреннем рынке США будут доступны только роботы Tesla. Figure и других местных производителей.

https://www.cnbc.com/2026/07/28/trump-administration-to-ban-new-chinese-robots-and-inverters-protecting-us-ai.html?ref=aisecret.us

Claude на русском оказался самым строгим

Anthropic изучил, как меняется поведение Claude в зависимости от модели и языка. Исследователи выделили четыре оси: уступчивость или осторожность, теплота или строгость, глубина или краткость, откровенность или ориентация на результат.

На русском Claude сильнее всего склоняется к строгости. Он чаще оспаривает предположения пользователя, исправляет детали и требует доказательств. На хинди и арабском Claude заметно теплее, на английском осторожнее и подробнее, а на арабском еще и более уступчивый и краткий.

Модели тоже отличаются. Sonnet 4.6 чаще поддерживает пользователя, шутит и отвечает коротко. Opus 4.7 чаще предупреждает о рисках, критикует идеи и подробно объясняет свою позицию.

Anthropic пока не знает, откуда берутся различия. Возможные причины — объем и состав обучающих данных, культурные нормы и настройки моделей. В итоге получается, что одинаковый бизнес-план на русском и хинди Claude может оценить по-разному, даже если сам запрос не изменился.

https://www.anthropic.com/research/claude-values-models-languages