AI не убивает экспертизу, он убивает тех, кто прячется за текучкой. В России это сейчас видно особенно остро: вокруг разговоры о сокращениях, автоматизации, «всё за нас сделает нейросеть», а по факту страдают не эксперты, а те, кто годами закрывал глаза на профессиональный рост и маскировал это бесконечной рутиной. В этой статье я разберу, как использовать ИИ как умного напарника, а не конкурента, и что именно меняется в работе специалистов — от маркетинга до юридических отделов. Материал для тех, кто уже что-то умеет и хочет сохранить ценность на рынке, а не обсуждать новости про очередной релиз модели. Одному клиенту я недавно помогала перестроить работу отдела: раньше они неделями копались в текстах и отчетах, а теперь ста часов рутинных задач уходит в нейросети. Я покажу, как мы к этому пришли и почему уволен в итоге был не «маркетолог как класс», а конкретный человек, который пять лет писал одно и то же и даже не пытался разобраться, что вообще можно делегировать ИИ.
Я часто слышу вопрос: «А что, если завтра мой навык никому не нужен, потому что придут модели и всё сделают лучше?» Если отбросить эмоции, становится видно странный парадокс: модели лучше всего убирают именно то, от чего большинство специалистов устало уже давно — шаблонные отчеты, однотипные письма, бесконечные версии коммерческих предложений. Но вместо того чтобы вздохнуть с облегчением, люди боятся, как будто кто-то забирает у них любимое. В той истории с отделом маркетинга у клиента проблема была не в ИИ, а в том, что команда привыкла мерить свою нагрузку количеством слайдов и текстов, а не результатами. Нейросеть показала неприятное: три четверти задач можно автоматизировать, и сразу стало видно, кто умеет принимать решения, а кто только перекладывал текст из шаблона в шаблон. Это неприятное открытие, но полезное, потому что дальше встаёт честный вопрос — куда расти, чему учиться, что делегировать цифровому напарнику, а где наоборот усиливать себя.
Если смотреть не с позиции паники, а с позиции «что я могу сделать уже сейчас», становится понятнее, как встроить ИИ в рабочий день так, чтобы он усиливал экспертизу. Я буду идти от общих принципов к практике: сначала разберём, почему именно текучка делает специалистов уязвимыми, потом — как выглядит связка «эксперт + ИИ» в реальных задачах, без идеальных примеров с презентаций. Вернусь к кейсу с отделом маркетинга чуть позже, когда будет понятно, какие решения там вообще можно было принять, а какие уже тянулись из прошлой эпохи. И да, буду честно говорить не только о том, что получается, но и о местах, где ИИ откровенно подводит и требует человеческой головы, а не только красивого промпта.
Почему кажется, что ИИ убивает профессии и экспертизу
Если коротко, ощущение, что ИИ «убивает экспертизу», появляется там, где работа специалиста почти полностью состоит из повторяющихся действий, а не из решений. Когда день забит текучкой: отчеты, сводки, одинаковые ответы на письма, механическое редактирование — естественно, кажется, что любая автоматизация вытеснит человека. Но по сути это сигнал о другой проблеме: экспертиза уже давно не используется по назначению, она как будто спрятана под горой рутины. В российских реалиях это усиливается тем, что многие компании по привычке оценивают сотрудников по загрузке, а не по эффекту, и потраченные часы до сих пор выглядят важнее результата.
Чтобы не оставаться на уровне общих слов, полезно проговорить вслух, из чего реально состоит ваш рабочий день. Я заметила, что у многих экспертов, с которыми я работаю, 60-80 % задач можно описать как «переформулировать», «пересчитать», «проверить по чек-листу», «составить шаблон по образцу». Это не про экспертное решение, это про обслуживание процессов. Как только в такой контур попадает ИИ, он естественно берёт на себя всё, что описывается правилами и примерами, и делает это быстрее. Здесь вовсе не нейросеть «злая», просто вдруг оказывается, что за красивым названием должности большую часть времени скрывалось не то, за что компания на самом деле готова платить.
Я часто формулирую это для себя так:
Нейросети не забирают экспертизу, они поднимают на поверхность, насколько давно её не использовали по делу.
Это звучит немного жестковато, но иначе люди продолжают спорить про «убийство профессий», вместо того чтобы посмотреть на структуру собственной работы. Каждая автоматизация высвечивает простой вопрос: где именно я создаю ценность, а где просто служу прокладкой между системой и документом. ИИ отлично подходит, чтобы эту прокладку убрать, а экспертизу как раз оставить.
Как текучка маскирует отсутствие роста
Вот как это выглядит на практике: человек искренне уверен, что он перегружен и незаменим, потому что у него по 30 задач в день и вечные дедлайны. Но если разобрать эти задачи по типам, выясняется, что половину он делает по одному и тому же принципу, просто с разными входными данными. Когда в такой режим попадает чат-бот или модель вроде ChatGPT, она быстро показывает, что, например, подготовить драфт письма или отчета можно за три минуты, а не за час. Возникает неловкий момент: нагрузка резко уменьшается, а дальше нужно либо выходить на уровень более сложных задач, либо честно признать, что их за человеком просто нет. Здесь, кстати, многие начинают придумывать себе дополнительную текучку (звучит странно, но работает) — лишние согласования, лишние переписки, лишь бы сохранить ощущение занятости.
Перед тем как всерьез внедрять ИИ в работу, полезно сделать одну простую вещь — расписать свои типовые задачи за неделю и отметить, какие из них повторяются. Не в общих словах, а конкретно: «собрать статистику продаж по регионам», «сделать черновик описания продукта на сайт», «ответить на запрос клиента по шаблону». Почти всегда оказывается, что таких повторяющихся блоков 10-15, и большая часть из них легко ложится в формат промптов: есть вход, есть желаемый формат, есть критерии. В тот момент, когда человек видит, что 5-6 часов в день может делать нейросеть, проявляется настоящая развилка: либо использовать высвободившееся время на развитие, либо попытаться вернуть привычный уровень занятости любыми способами. Это критично, потому что именно здесь ИИ «убивает» тех, кто прячется за объёмом, а не за качеством решений.
Чтобы не быть голословной, я кратко зафиксирую, какие типы задач сильнее всего вымываются ИИ, если не пересмотреть подход:
- Правило: однотипные текстовые ответы клиентам и партнерам по скрипту.
- Правило: механическое форматирование и структурирование документов.
- Правило: подготовка черновиков презентаций по заранее заданным блокам.
- Правило: первичный анализ данных «по шаблону» без интерпретации.
- Правило: рутинный перевод и перефразирование текстов.
Это означает, что чем больше ваш рабочий день состоит именно из таких операций, тем выше риск, что ИИ просто покажет: для этого не нужен дорогой эксперт. Но одновременно это шанс: убрав этот слой, можно выйти на задачи, где действительно важны опыт, контекст и ответственность.
Чем экспертиза принципиально отличается от набора действий
Когда я первый раз столкнулась с внедрением ИИ в компании, которая боялась «потерять экспертов», мы начали с простого вопроса: а в чем именно их экспертиза? Ответы были очень разные: «он всё знает про клиентов», «она прекрасно пишет тексты», «он лучший по Excel». Но если копнуть, становится видно, что настоящая экспертиза — это не просто умение нажимать правильные кнопки. Это способность принимать решения в условиях неопределенности, выбирать критерии, задавать правильные вопросы, видеть связи между задачами бизнеса. ИИ пока умеет отлично работать с паттернами и вероятностями, но не умеет нести ответственность за выбор, за риски и за последствия, которые не описаны в данных.
На практике это проявляется так: модель может подготовить пять вариантов коммерческого предложения, но она не знает, какой из них лучше впишется в стратегию клиента, как он реагирует на скидки, какие неформальные договоренности уже есть. Эксперт здесь не просто «дописывает текст», он решает, какие акценты расставить, что вообще можно обещать, а что будет слишком рискованно. То же самое в юридической работе: ИИ может предложить шаблон договора, но не возьмет на себя понимание, насколько клиент реально готов к тем условиям, которые там прописаны. Получается, что экспертиза живет в слое решений, а не в слое действий.
Я люблю в таких случаях напоминать фразу, которая у меня сама висит на стикере рядом с монитором:
Если твою работу можно описать как набор понятных шагов, её рано или поздно сделает машина. Если как набор осознанных выборов — тогда уже нет.
Возвращаясь к той ситуации из начала, в отделе маркетинга как раз всплыло: те, кто умел видеть, зачем вообще делается кампания, что для клиента важно и где бизнес зарабатывает, очень быстро нашли себе работу нового уровня. А вот те, кто всегда считал, что ценность в количестве таблиц и презентаций, оказались в подвешенном состоянии. ИИ здесь не убил их знания, он просто подсветил, что в структуре работы слишком мало места было отведено настоящей экспертизе.
Как превратить ИИ в напарника, а не конкурента
Если принять, что ИИ вымывает рутину, а не решения, следующий логичный шаг — встроить его в свою работу так, чтобы он усиливал ваш профессиональный взгляд. В России это особенно актуально для тех, кто работает в контенте, аналитике, обучении, продукте: там высокий запрос на скорость, а бюджеты далеко не всегда растут. Я обычно начинаю с простого принципа: всё, что можно описать в виде «вход — правила — формат», отдаётся нейросети, всё, что требует выбора и ответственности, остаётся за человеком. Это помогает перестать спорить абстрактно «кто кого заменит» и перейти к разметке конкретных задач.
Помнишь про ситуацию из начала? Там мы как раз пошли именно этим путём: расписали процессы отдела, выделили куски, которые можно формализовать, и шаг за шагом начали переносить их в промпты. Уже на этом этапе стало видно, кто быстро подхватывает идею и начинает задавать модели грамотные вопросы, а кто старается удержать старый порядок — «я сама всё руками сделаю, так надежнее». Здесь нет моральной оценки, просто в новом ландшафте выигрывают те, кто готовы строить тандем с ИИ, а не доказывать, что без него «как-то же жили». И дальше важно не застрять в бесконечной настройке промптов, а выйти на уровень системы: какие именно роли в вашей работе забирает ИИ, а какие, наоборот, становятся ещё ценнее.
Чтобы зафиксировать подход, я сформулирую его одной фразой:
ИИ становится напарником там, где вы даёте ему понятную рамку, а себе оставляете право на последний осмысленный шаг.
Это означает, что ваша задача — не стать «оператором промптов», а остаться экспертом, который использует ИИ как быстрый генератор вариантов, черновиков, подсказок, но не передаёт ему ответственность за смысл.
Что делегировать нейросетям уже сегодня, а что оставлять себе
Вот как это выглядит на практике: сначала вы выписываете все свои регулярные задачи, потом рядом ставите вопрос «можно ли это описать правилами и примерами». Если да, это кандидат на делегирование ИИ. Если нет — скорее всего, там как раз и живет ваша экспертиза. Иногда пограничные зоны пугают (нет, подожди, есть нюанс), потому что кажется, что модель «почти справляется». Здесь я предлагаю ориентироваться на два критерия: риск и стоимость ошибки. Если ошибка недопустима или слишком дорогая, окончательное решение должно оставаться за человеком, даже если 80 % работы делает ИИ.
На практике чаще всего делегируют такие блоки: черновики текстов, структурирование заметок, генерация идей, черновая сегментация аудитории, подготовка вопросов для интервью, резюмирование длинных документов. При грамотной постановке задачи модель делает это достаточно хорошо с первого-второго раза, а дальше вы подключаете экспертный фильтр: убираете неуместное, добавляете свой контекст, проверяете логику. Со временем появляются устойчивые промпты: «ты — помощник маркетолога, вот наша ЦА, вот стиль, вот список тем» или «ты — помощник аналитика, вот формат выгрузки, вот метрики, вот вопросы, на которые нужно ответить». Важно помнить, что ни один промпт не живёт вечно, задачи меняются, модель тоже, и их стоит периодически пересматривать.
Чтобы было проще сориентироваться, я кратко перечислю блоки, которые чаще всего имеет смысл отдавать ИИ в связке «эксперт + напарник»:
- Подготовка черновиков писем, текстов, описаний продуктов по шаблону.
- Суммирование длинных отчетов и выделение ключевых тезисов.
- Генерация вариантов заголовков, гипотез для тестов, идей для контента.
- Первичная разметка данных: кластеры запросов, базовая сегментация.
- Роли «адвоката дьявола»: поиск слабых мест в уже готовом решении.
Получается, что чем более осознанно вы выделяете эти блоки и переводите их в промпты, тем меньше у ИИ шансов «выгнать» вас с рабочего места. Наоборот, вы становитесь тем человеком, который умеет организовать связку «модель + процессы + люди» так, чтобы результат был лучше и быстрее.
Как разговаривать с ИИ как с коллегой, а не с волшебной коробкой
Когда я первый раз села писать промпт для сложной задачки клиента, я поймала себя на том, что говорю с моделью либо как с калькулятором, либо как с оракулом. В обоих случаях результат был так себе. Перелом случился, когда я начала относиться к ИИ как к новому сотруднику: умному, но не знающему контекста. Новому коллеге вы же не скажете «сделай классный текст» и не исчезнете на час. Вы объясните, кто целевая аудитория, какой у вас тон, какие ограничения, что точно нельзя обещать. С нейросетью надо ровно так же: давать роль, фон, цель, критерии качества. Да, это занимает время, но потом экономит в разы больше.
Я заметила, что устойчивый результат появляется, когда промпт отвечает на несколько базовых вопросов: кто ты для меня (роль), что мы делаем (задача), для кого (аудитория), в каком стиле (тон), с какими ограничениями (рамки), по какому формату выдать результат (структура). При этом не нужно писать простыни на полэкрана, если задача простая, наоборот, лаконичность помогает. Иногда полезно встраивать небольшой пример — два абзаца текста «как надо», чтобы модель зацепилась за стиль. И да, нужно быть готовой к тому, что с первой попытки часто выходит не то, что хотелось. У меня почти всегда результат появляется к третьей итерации: уточняю, где не попали в тон, где перепутали акценты, где модель слишком уверенно придумала факты.
Чтобы выделить здесь ключевой момент, скажу так:
ИИ не читает мысли, он читает контекст промпта. Чем честнее и точнее вы его задаете, тем выше шанс, что результат будет пригоден, а не «на посмеяться».
Возвращаясь к нашему клиенту из начала, те сотрудники, которые быстро научились разговаривать с моделью как с коллегой, стали для компании ещё ценнее. Они взяли на себя не только свои задачи, но и настройку ИИ-процессов для остальных. А те, кто продолжал писать «сделай красивую презентацию срочно», получили ровно тот уровень хаоса, которого и боялись.
Где я обожглась с ИИ и чему это научило
На каком-то этапе у меня самой был период завышенных ожиданий: казалось, что если достаточно долго «допиливать» промпт, можно получить почти идеальный результат для любой задачи. Реальность быстро остудила энтузиазм: в юридических формулировках, сложной аналитике, глубоких стратегиях ИИ регулярно либо упрощал картину до боли, либо придумывал аккуратные, но неверные детали. В российской действительности к этому добавляется специфика законодательства, локальных сервисов, особенностей рынка, которые не всегда корректно отражены в обучении моделей. В итоге я пару раз попала в неприятную ситуацию, когда слишком доверилась красиво написанному ответу и пропустила ошибку, которая для эксперта была бы очевидной.
После этих случаев я ввела для себя жёсткое правило: всё, что может повлечь юридические, финансовые или репутационные риски, никогда не проходит без моего человеческого финального фильтра. ИИ может помочь собрать варианты, предложить структуру, подсветить то, о чем я не подумала, но последнюю проверку, особенно в российском контексте, делает живой мозг. Это убирает иллюзии и одновременно снижает страх: я не жду от модели невозможного и не завишу от неё там, где цена ошибки слишком высока. Зато в зонах, где риски минимальны, позволяю себе больше экспериментировать и действительно разгружаю голову.
Тут я один раз поймала себя на соблазне просто «прогнать через ИИ» большой аналитический отчет для клиента и выдать как есть — хотелось сэкономить время. Остановило только то, что я вспомнила, как сама раздражаюсь, когда вижу отчеты, написанные «для галочки», без мысли и ответственности. В итоге я использовала модель только для того, чтобы быстро вытянуть основные тезисы и структурировать блоки, а дальше уже сама дописывала выводы, связывала цифры с бизнес-целями клиента. Да, заняло дольше, чем хотелось бы, зато результат был не стыдно защищать.
Типичные ошибки при работе с ИИ, которые бьют по экспертизе
На практике чаще всего вижу три группы ошибок. Первая — вера в то, что ИИ сделает всё сам, если «правильно попросить». Вторая — страх трогать модель вообще, «чтобы не накосячить». И третья — попытка использовать ИИ как оправдание: «ну это нейросеть так сделала». Вот это, кстати, самый опасный кейс (забудь, что я только что сказала про невысокие риски) — потому что он подрывает доверие к вам как к эксперту. Клиента или руководителя не интересует, кто именно ошибся: вы или программа. Ответственность за то, что вы приносите на стол, всё равно остаётся за человеком.
Когда специалист начинает уходить от ответственности, прячась за ИИ, его экспертиза в глазах окружающих обесценивается сильно быстрее, чем если бы он продолжал делать всё вручную. Выглядит это так: «это ИИ придумал неверную цитату», «это модель не учла последние изменения в законодательстве», «это чат-бот перепутал данные клиента». Формально это правда, но по сути это признание: я не проверила, не провела критический анализ, не проявила профессиональный скепсис. В этот момент ИИ действительно «убивает» экспертизу, но не потому что он умнее, а потому что человек добровольно отдал ему право ошибаться от своего имени.
Чтобы акцентировать мысль, приведу небольшую цитату, которую часто повторяю на встречах:
ИИ ошибается по-своему, но репутационные последствия этих ошибок всегда ваши.
Это означает, что даже если вы активно делегируете модели 70 % работы, оставшиеся 30 % должны быть пропитаны вашей экспертизой и вниманием. Особенно в тех местах, где проверка занимает не так много времени, но сильно повышает качество: сверить данные, посмотреть, не выдуманы ли источники, проверить российские реалии в примерах.
Где ИИ реально слаб и почему это шанс для живых специалистов
Когда я честно смотрю на то, где ИИ по-прежнему слаб, я вижу не повод для злорадства, а точки роста для людей. Модели по‑прежнему плохо чувствуют контекст, который не отражен в данных: неформальные договоренности, корпоративную культуру, личные особенности конкретного клиента. Они не умеют по-настоящему сомневаться, они уверенно выдают вероятный ответ там, где эксперт скажет «стоп, здесь нужно посмотреть глубже». В российских компаниях это особенно заметно в стратегических и политически чувствительных вопросах: согласование с несколькими стейкхолдерами, нюансы работы с регулятором, региональные особенности рынка.
Даже при самом продвинутом ИИ остаются задачи, где ваша способность слушать, задавать неудобные вопросы, видеть нестандартные связи оказывается решающей. Модель может помочь собрать аргументы, но она не сделает выбор за вас — кого поддержать, какой риск принять, где пойти на компромисс. Здесь как раз и лежит та часть экспертизы, которую ИИ не убивает и в обозримом будущем не уберет. Наоборот, по мере того как рутинные части работы будут автоматизироваться, именно эти навыки начнут цениться сильнее. Это не значит, что можно расслабиться, это значит, что стоит честно посмотреть: насколько в моей текущей работе есть место таким задачам.
Иногда я сама ловлю себя на мысли, что хочется «спихнуть» на ИИ даже те куски, где ясно: нужно посидеть и подумать. В такие моменты помогает простое напоминание:
Если сейчас тяжело, потому что надо принять решение, скорее всего это как раз кусок моей экспертизы, а не чужой работы.
Возвращаясь к истории с отделом маркетинга, именно люди, которые брали на себя такие сложные, неформализуемые задачи — от работы с конфликтными клиентами до выбора направлений развития продукта, — оказались в итоге в выигрыше. ИИ разгрузил их от отчётов и презентаций, но не смог забрать то, что делает их по-настоящему ценными.
Что реально работает в связке «эксперт + ИИ» прямо сейчас
На практике лучше всего работает не красивая теория про «синергию человека и машины», а очень приземленный подход: прописать свои процессы, выделить типовые задачи, протестировать несколько промптов для каждой и договориться с собой, где проходит граница ответственности. Я уже упоминала, что в одном из проектов мы сделали это с отделом маркетинга, но похожие истории были и у продакт-менеджеров, и у методистов онлайн-курсов, и у аналитиков. В России, где многие команды не избалованы дополнительными руками, ИИ становится тем самым виртуальным стажером, который может закрыть много мелкой работы, если его нормально обучить.
Возвращаясь к тому, с чего начала в микросюжете: у того самого клиента была классическая история. Отдел регулярно жаловался на нехватку людей, при этом сроки горели, а качество материалов плавало. Мы начали с того, что просто посчитали: сколько часов в неделю уходит на тексты, презентации, сбор данных, ответы по шаблону. Цифра получилась пугающая — под сотню часов. После этого никто уже не говорил «нам некуда внедрять ИИ», стало ясно, что поле для автоматизации огромное. Главное было сделать это так, чтобы экспертиза не растворилась, а наоборот, стала видимее.
Чтобы зафиксировать принцип, приведу короткое наблюдение:
Там, где ИИ встроен в процессы как инструмент, а не как замена людей, эксперты начинают сильнее влиять на стратегию и меньше тонут в текучке.
Это звучит просто, но в реальной работе требует дисциплины: нужно не лениться описывать задачи, тестировать промпты, пересматривать подходы, а не надеяться, что «один универсальный запрос решит всё».
Как мы перестроили работу отдела и сколько времени это реально сэкономило
Теперь обещанная вторая часть истории. В том самом отделе маркетинга мы пошли по шагам. Сначала собрали все повторяющиеся задачи за месяц и сгруппировали их. Оказалось, что 80 % времени уходило на четыре блока: тексты для рассылок и соцсетей, презентации для продажников, отчеты по кампаниям и ответы клиентам по шаблону. На каждом блоке мы договорились: что можно формализовать, где нужны человеческие решения, какие риски. Потом я с частью команды села и сделала первые промпты: они были неидеальные, местами корявые, но уже на третьей попытке давали вполне рабочие черновики.
Дальше случился интересный эффект: люди, которым было по-настоящему любопытно, начали экспериментировать сами, подстраивать промпты под свои задачи, просить ИИ играть роли — «ты придирчивый клиент», «ты коллега из продаж, который будет презентовать», «ты новый сотрудник, который читал только вот этот документ». Другие, наоборот, старались все равно делать «по-старому», объясняя, что так спокойнее. Через два месяца мы снова замерили время: тексты и презентации стали занимать в среднем в два-три раза меньше, отчеты — в полтора раза. В сумме мы вернули отделу около 60-70 часов в неделю. Часть этих часов ушла на доработку промптов, но значительная доля освободилась под аналитику и планирование.
К этому моменту уже было ясно, кто как себя проявил. Те, кто использовал освободившееся время, чтобы глубже разбираться в клиентах, тестировать новые форматы, учиться работать с данными, получили новые зоны ответственности. Один человек вообще перешёл в продуктовую роль, потому что оказалось, что он отлично видит, какие функциональности не хватает. А вот один сотрудник, который упорно держался за текучку, в итоге ушёл — не потому что ИИ его «заменил», а потому что стало слишком очевидно: его вклад ограничивается оформлением материалов. ИИ здесь выступил как увеличительное стекло, а не как палач.
Чтобы подчеркнуть, что это не единичный случай, а тенденция, я сформулирую ещё одну мысль:
Там, где люди используют ИИ, чтобы убрать лишнюю текучку, их экспертиза начинает, наконец, работать по назначению — влиять на решения, а не украшать отчеты.
Именно поэтому мне ближе спокойный, рабочий подход к ИИ, а не истерики про «конец профессий»: по моему опыту, всё наоборот, для тех, кто готов взять на себя ответственность и научиться делегировать машине правильные куски, начинается более интересный этап карьеры.
Как встроить ИИ в свой рабочий день без хаоса и завала экспериментов
Многие на этом месте делают типичную ошибку: бросаются внедрять ИИ во всё подряд, открывают пять разных сервисов, читают длинные треды, сохраняют сотни промптов и через неделю выдыхаются. Гораздо продуктивнее пойти от обратного: выбрать 1-2 самые неудобные, но частые задачи и сфокусироваться на них. Например, если вы тратите по полтора часа в день на переписку с клиентами, начните с шаблонов ответов. Если вас изматывают отчеты, начните с структурирования данных и автоматического резюмирования. Поставьте себе спокойный эксперимент: в течение двух недель все однотипные задачи сначала прогоняете через ИИ, а потом дорабатываете.
Да, поначалу это ощущается как дополнительная работа, потому что нужно формулировать промпты, проверять, исправлять. Но примерно на третью-четвертую итерацию появляется устойчивое ощущение: часть работы действительно стала занимать меньше времени. В этот момент важно не сорваться в другую крайность и не пытаться автоматизировать всё. Я поняла, что лучше всего работает правило «один новый эксперимент с ИИ в неделю». Этого достаточно, чтобы наращивать практику, не превращая рабочий день в бесконечную лабораторию. И ещё один момент: имеет смысл начать собирать свои удачные промпты и кейсы в одном месте, хотя бы в заметках. Потом это превращается в ваш личный «справочник напарника» 🙂
Я люблю для таких вещей простые микрозаметки:
Сегодня ИИ помог сократить время на подготовку отчета с 2 часов до 40 минут. Ошибки проверила сама, стиль подправила. Вывод: можно так делать и дальше.
Такие записи помогают не скатиться в ощущение «ничего не меняется» и одновременно держат в фокусе, что ИИ — это инструмент, а не спасательный круг. И да, короткая пауза.
Дышим.
Потому что дальше всегда будет новое: новые модели, новые сервисы, новые ограничения. Но база остается той же: ваша экспертиза плюс умение грамотно делегировать текучку.
Что остаётся за человеком и к чему готовиться дальше
Когда снимается первый слой тревоги и становится понятно, что ИИ не собирается забирать у вас способность думать, встаёт другой, более интересный вопрос: а что именно вы хотите развивать в себе как эксперта. В российском контексте это особенно актуально, потому что рынок местами перегрет, местами, наоборот, консервативен, и от специалистов ждут одновременно скорости, глубины и умения ориентироваться в регуляторике. ИИ может помочь с информацией, с формой, с рутиной, но он не возьмет на себя ваши профессиональные выборы. Это одновременно и тяжесть, и привилегия.
Я всё больше убеждаюсь, что ближайшие годы будут особенно комфортны не для тех, кто «лучше всех пишет промпты», а для тех, кто умеет сочетать несколько вещей: глубокое понимание своей предметной области, умение мыслить системно, навыки коммуникации и работы с ИИ как с партнёром. То есть ценится не отдельный навык, а их связка. Как ни странно, это возвращает нас к довольно старой идее: широкое мышление плюс одна-две сильные специализации. Просто теперь в этот микс добавился ещё один инструмент — нейросети, и те, кто освоит их рабочее использование, будут тратить меньше сил на рутину и больше — на задачи, где они действительно незаменимы.
Возвращаясь к истории с отделом маркетинга, финальные цифры там выглядели так: около 60-70 часов рутины в неделю ушли в ИИ, при этом у трёх людей выросла зона ответственности, один перешёл в новую роль, один ушёл из компании. Никто не был уволен «потому что пришла нейросеть», но для одного человека стало слишком заметно, что он не готов выходить из зоны текучки. Для остальных ИИ стал своего рода фильтром, через который они пропустили свои процессы, избавились от лишнего и смогли наконец заняться тем, что они действительно умеют: стратегией, аналитикой, развитием продукта. Это чуть менее драматичная картинка, чем в заголовках про «смерть профессий», но она гораздо ближе к реальной жизни.
Если попробовать связать всё сказанное в одну линию, получится простое наблюдение:
ИИ не убивает экспертизу, он просто делает видимым, где её давно подменили текучкой и где человек сам отказался от права думать.
Это даёт довольно прагматичный ориентир на будущее: имеет смысл инвестировать не в защиту от ИИ, а в развитие тех навыков, которые становятся ценнее именно на его фоне. Критическое мышление, умение работать с неопределенностью, ответственность за решения, способность выстраивать процессы с участием машин — всё это уже сегодня отличает специалистов, которых ИИ только усиливает, от тех, кого он действительно вытесняет.
И если тебе ближе первый вариант, то следующая логичная точка — не паниковать, а начать системно пробовать, где именно в твоей работе можно убрать лишнюю текучку и освободить место под экспертизу.
Для тех, кто дочитал до этого места и чувствует не страх, а скорее лёгкое «надо бы наконец разобраться», у меня есть одно рабочее приглашение. Если хочешь не просто теоретически понимать, а шаг за шагом встроить ИИ в свои задачи, можно продолжить этот разговор в моем телеграм-канале «ИИ без истерики». Там я показываю на живых примерах, как эксперты в России используют нейросети как умного напарника: разбираем промпты, смотрим, где модели ошибаются, где наоборот экономят часы, делимся рабочими кейсами без пафоса. Это хороший формат, если ты хочешь не превращаться в «оператора волшебной коробки», а выстраивать нормальное партнёрство с ИИ и постепенно вытаскивать себя из-под завалов текучки. Без обещаний чудес, но с очень приземленной практикой.
Что ещё важно знать
Вопрос: Можно ли полностью полагаться на ИИ для подготовки отчетов и аналитики?
Ответ: Я бы этого не делала, особенно если речь про отчеты для руководства или клиента. ИИ отлично помогает собрать данные, структурировать и даже предложить формулировки, но интерпретация цифр и выводы должны оставаться за человеком. Иначе вы рискуете выдать красиво оформленную, но смыслово неверную картину.
Вопрос: Как понять, какие именно задачи в моей работе стоит первыми отдавать нейросети?
Ответ: Начни с того, что чаще всего раздражает и повторяется: однотипные письма, шаблонные тексты, резюмирование длинных документов. Если задачу можно описать в формате «входные данные — правила — желаемый формат», это хороший кандидат для ИИ. Там, где много нюансов и высокая цена ошибки, лучше оставить себе финальное слово.
Вопрос: Что делать, если руководство в компании скептически относится к ИИ и боится его внедрять?
Ответ: В такой ситуации помогает тихий пилот на маленьком участке работы. Выберите одну безопасную типовую задачу, покажите разницу по времени и качеству до и после использования ИИ и только потом выносите результат на обсуждение. Руководителям проще соглашаться не с абстракциями, а с конкретными цифрами и примерами.
Вопрос: Есть ли риск, что работа с ИИ «размягчит» мои навыки и я перестану уметь делать что-то сама?
Ответ: Такой риск есть, если полностью перестать себя нагружать задачами «вручную» и бездумно принимать любой ответ модели. Я бы рекомендовала регулярно делать часть работы без ИИ или хотя бы подробно перепроверять его результат, чтобы не терять навык. Хорошая связка получается, когда ИИ ускоряет рутину, а ты сознательно тренируешь решение сложных задач.
Вопрос: Сколько времени обычно нужно, чтобы встроить ИИ в свой рабочий день без стресса?
Ответ: По моему опыту, первые ощутимые эффекты появляются через 2-4 недели спокойной практики по 20-30 минут в день. Это не мгновенный процесс: нужно время, чтобы отладить промпты, привыкнуть проверять и дорабатывать. Но если не забрасывать, через месяц-два ИИ перестает казаться чем-то отдельным и становится просто еще одним инструментом в наборе эксперта.