Тема «Три вещи, которые AI не может» звучит парадоксально в 2026 году, когда в ленте каждый день мелькают истории про то, как ИИ «заменил отдел маркетинга» или «написал книгу за ночь». Но именно понимание, чего AI не может, и почему это хорошо, позволяет выстроить рабочую связку человек-модель без истерики и завышенных ожиданий. В России сейчас огромное количество экспертов, особенно в digital, образовании, консалтинге, смотрят на ИИ как на шанс перестать тратить время на рутину. И одновременно — как на угрозу своей экспертизе. Один предприниматель обратился ко мне с типичным запросом: «Сделай так, чтобы нейросеть писала наши рассылки без меня, я устал». Задача звучала просто, но довольно быстро стало ясно: пока он сам не поймет, где граница человеческого решения, а где можно отдать текст машине, его ожидания будут стабильно проваливаться. В этой статье я разберу три вещи, которых у ИИ нет и не будет в обозримом будущем, и покажу, как использовать эти ограничения себе в плюс.
Если отбросить хайп, нейросети сейчас — это очень быстрые предсказатели текста и кода, которые опираются на огромный массив уже существующих данных. Они не «понимают» мир так, как человек, не живут в контексте российских налогов, пробок и неожиданно отключившегося интернета, они просто вычисляют вероятный следующий шаг. Это не делает их бесполезными, наоборот, но сильно смещает ожидания: вы получаете не волшебного ассистента, а мощный инструмент, который легко ломается на границах здравого смысла и реальной ответственности. С тем предпринимателем мы довольно долго сидели над его рассылкой и я предлагала: давай проверим, где именно текст модели начинает «плыть». На третьей попытке стало видно, что как только дело доходило до спорных обещаний и выбора ценовой стратегии, нейросеть тут же уходила в общие фразы. Она не могла взять на себя риск. И это, как ни странно, плюс. Потому что все по-настоящему важные решения в бизнесе и профессии остаются за человеком, вопрос лишь в том, как грамотно делегировать все остальное.
Почему AI не может брать на себя ответственность за решения
Начну с первой вещи: ИИ не умеет брать на себя ответственность, потому что у него нет ни интересов, ни последствий, ни контекста жизни в конкретной стране. Для российского специалиста это критично: все, что связано с законом, деньгами, репутацией, остается на вашей стороне, даже если текст, код или идея пришли из модели. Нейросеть может подсказать варианты, но она не несет риски за неверную трактовку договора или неучтенный налог. Более того, сама архитектура моделей устроена так, что они стремятся выдать «правдоподобный» ответ, а не гарантированно верный. Это означает, что чем сложнее и неоднозначнее задача, тем активнее вам нужно включать голову. Я заметила, что сильные эксперты как раз выигрывают: они используют ИИ как генератор вариантов, а решение принимают сами, и это ускоряет их в разы.
Чтобы подчеркнуть эту мысль, мне нравится формулировать для себя почти правило.
Если за ошибку платите вы, то ИИ — только советник, а не судья и не директор.
На практике это видно в юридических и финансовых задачах. Когда юрист просит модель «составь договор аренды для Москвы, чтобы защитить интересы арендодателя», она радостно пишет уверенный текст, но спокойно игнорирует свежие изменения в законодательстве или локальную судебную практику. Модель не живет в 2024 году в России, она живет в своей статистической вселенной. Ответственность за проверку ссылок на статьи, актуальность формулировок и корректность условий все равно остается у человека. И это не баг, а нормальное ограничение системы, которую можно и нужно использовать как черновик, но не как конечную инстанцию.
Как работать с ИИ, если он «боится» ответственности
Вот как это выглядит на практике: вы заходите в нейросеть и вместо «сделай мне идеальный договор» ставите задачу «сгенерируй варианты формулировок для таких-то пунктов». Модель отлично справляется с вариативностью, но проваливается, когда ее просят принять жесткое решение за вас (хотя сама я так делала ровно один раз и потом долго переписывала). Тогда логика работы меняется: вы не перекладываете на ИИ выбор, вы просите его развернуть пространство вариантов, подсветить плюсы и минусы, а дальше включаете свой опыт. Я в таких задачах прямо в промпте пишу: «Ты не юрист и не несешь ответственности, просто предложи формулировки и укажи, где могут быть риски». Это слегка охлаждает тон модели и помогает не скатываться в уверенный, но пустой текст.
Для закрепления полезно сформулировать для себя несколько вопросов, которые вы задаете каждый раз, когда модель что-то предлагает.
- Правило: кто платит за ошибку — я или никто?
- Правило: есть ли у меня своя позиция по этому вопросу до обращения к ИИ?
- Правило: есть ли у модели доступ к свежим данным по этой теме в России?
- Правило: нужен ли мне сейчас вариант «черновик» или «готовый к публикации текст»?
- Правило: понимаю ли я, как буду проверять результат работы модели?
Если хотя бы на один пункт ответ «не знаю», я бы не доверяла ИИ принимать окончательное решение. Получается, что чем яснее вы формулируете границу: вот здесь модель генерирует сырье, а вот здесь вступаю я, тем меньше разочарования и странных ситуаций. Помнишь про ситуацию из начала? Там предприниматель после пары итераций сам признал: «Я пытался сделать так, чтобы AI думал за меня, а мне нужно, чтобы он думал рядом». Вот это «рядом» и есть тот формат, в котором модель приносит реальную пользу, не забирая у вас ответственность за результат.
Почему ИИ не чувствует контекста так, как человек
Вторая вещь, которой нет у ИИ, — живое, телесное, социальное ощущение контекста. Модель может знать, что в России есть Новый год, майские праздники, что люди стоят в пробках и пользуются Сбером, но она не стоит с вами в этой очереди и не слушает диалог вашего клиента по телефону. В итоге любые «советы» ИИ по тону коммуникации, по позиционированию, по эмоциям в тексте — это усредненная статистика. Там нет конкретной вашей аудитории, вашего сегмента, вашего состояния. Это хорошо, потому что оставляет вам пространство для уникальности, но плохо, если вы ждете от модели идеального попадания в боль клиента без уточняющих вопросов. Возвращаясь к той рассылке, модель выдавала гладкие, универсальные тексты, которые могли подойти любому инфопродукту, и именно поэтому не работали на конкретную базу подписчиков предпринимателя.
Чтобы не обманываться, полезно зафиксировать одну мысль.
В работе с маркетинговыми, образовательными, HR-задачами это становится особенно заметно. Эксперт из отдела маркетинга может ввести в промпт «опиши боли аудитории, которая покупает онлайн-курсы по финансовой грамотности», и модель честно перечислит стереотипный набор: «страх бедности, желание пассивного дохода, усталость от работы по найму». Звучит похоже, но вот в вашей конкретной базе люди могут, например, беситься от того, что «их снова пытаются учить с нуля», и это неочевидно из общих фраз. Если вы это не внесете в промпт сами, модель не догадается. Она не читает комментарии в вашем Telegram-чате, не видит, как реагируют люди на разные формулировки, не сидела с вами на встрече с клиентом.
Как подкармливать ИИ контекстом, не превращая его в психотерапевта
Я заметила, что лучший способ компенсировать отсутствие живого контекста — не «душнить» модели, а давать ей сжатые, конкретные срезы реальности. Это не значит, что надо переписывать ей все отзывы клиентов, достаточно пары-другой выдержек, но точных. Часто я делаю так: сначала прошу модель помочь структурировать мои наблюдения, а потом на этой базе уже генерирую тексты. Звучит странно, но работает, потому что вы сначала выгружаете свой опыт, а уже потом просите ИИ развернуть его в формат контента. По сути, вы становитесь поставщиком живой реальности, а модель — фасилитатором. Здесь важно не путать: ИИ не понимает ваши эмоции, он только перерабатывает их описание (нет, подожди, есть нюанс — он может симулировать их, но это не делает текст по-настоящему эмпатичным без вашей правки).
Чтобы это заработало, хорошо помогает простая структура запроса к модели, где вы явно задаете фон.
- Опишите, кто вы: роль, ниша, рынок, Россия или другая страна.
- Дайте 3-5 реальных цитат клиентов, даже коротких, без редактуры.
- Добавьте свои наблюдения: что людей раздражает, чего они боятся, что хвалят.
- Сформулируйте задачу: «на основе этого сделай три варианта письма/лендинга/скрипта».
Если пропустить первые три шага и сразу требовать «пишем прогрев на неделю», результат будет ощущаться оторванным от жизни. Получается, что чем точнее вы подкармливаете ИИ реальными данными, тем ближе он подбирается к тону вашей аудитории. Но финальное «довинчивание» все равно останется за вами: убрать формальные фразы, добавить одну-две живые детали (типа «чай остыл, пока вы дочитали этот абзац»), поправить культурные нюансы. Помнишь про ситуацию из начала? Там вся разница в конверсии рассылки получилась не из-за смены модели, а из-за того, что предприниматель наконец принес в промпт живые жалобы своей базы, а не абстрактное «они боятся ошибок».
Почему ИИ не может по-настоящему хотеть результата
Третья вещь, которой нет у ИИ, — собственная мотивация. Модели безразлично, получится у вас запустить продукт, закрыть сделку, написать книгу или забросить все через неделю. Она не злится, когда вы даете кривой промпт, не радуется, когда CTR вырос, ей не нужно ни признание, ни деньги. С одной стороны, это удобно: никакого человеческого фактора в виде плохого настроения. С другой — именно мотивация тащит сложные, долгие проекты, где результат не появляется с первой, второй и даже третьей попытки. Я здесь говорю не про «хочу заработать», а про глубокое, иногда упрямое желание дожать идею. ИИ не может хотеть за вас, он может только помогать, когда вы уже решили, что вам это надо. Я много раз видела, как люди бросают работу с нейросетью после первых неудачных запросов, приписывая это «глупости модели», хотя на самом деле бросают они свое «мне это действительно важно».
Чтобы не звучать слишком философски, я в таких случаях опираюсь на очень простой принцип.
Мотивация — это ваша зона ответственности, а ИИ — инструмент экономии сил, но не их источник.
Когда я первый раз работала с экспертом, который хотел создать серию методических материалов по обучению сотрудников, мы с ним застряли на втором документе. Модель выдавала одно и то же, текст стал повторяться, ему надоело, и он сказал: «Ну все, нейросеть тоже устала». На самом деле «устал» он, а не модель. ИИ продолжал бы генерировать бесконечное количество вариантов, просто каждый следующий был бы все менее осмысленным без корректировки задач. Здесь и включается человеческое «хочу»: либо вы возвращаетесь и уточняете, что вам нужно сейчас, либо признаете, что вам не настолько это важно и останавливаетесь. Модель за вас такого решения не примет, она не наделена этим «упертым» желанием довести до конца.
Как использовать отсутствие мотивации у ИИ себе в плюс
Я поняла, что лучшее, что можно сделать, — относиться к ИИ как к бесконечно терпеливому, но безыдейному ассистенту. Он не будет за вас переживать дедлайн, но готов в третий, пятый, десятый раз переписать текст, если вы в состоянии переформулировать задачу. Здесь срабатывает парадокс: чем честнее вы признаете перед собой «я сейчас не хочу этим заниматься, мне лень», тем легче делегировать рутину модели и оставить себе только те части, где нужна ваша мотивация и вкус. И да, иногда полезно прямо написать в промпте: «Я застряла, помоги разложить на шаги». На удивление (а может, и нет) модель хорошо справляется с декомпозицией, даже если вы эмоционально выдохлись. Главное — не ждать, что ИИ внезапно вдохновит вас своими ответами, это работает редко, а если сработает, воспринимайте как бонус 🙂
Чтобы не превращать это в абстракцию, помогает простая отдельная практика работы с собой, а не с моделью.
Тогда ожидания выравниваются: вы не требуете от алгоритма человеческого «запала», а используете его вычислительные мускулы там, где они и правда снимают нагрузку. Возвращаясь к тому предпринимателю с рассылкой, переход к такой схеме дал неожиданный эффект — ему стало проще садиться за письма, потому что он больше не ждал от себя идеального вдохновения, а относился к этому как к серии итераций, где модель берет на себя черновую рутину, а он вкладывает смысл только в ключевые места.
Как отсутствие этих трех «человеческих» функций меняет практику
Возвращаясь к тому, с чего начала, вся наша работа с ИИ в реальных российских задачах крутится вокруг баланса: что отдавать машине, а что оставлять себе. То, что AI не может брать ответственность, чувствовать контекст и хотеть результата, на практике становится не минусом, а рамкой. Внутри нее мы и строим процессы. Когда я с тем предпринимателем дошла до настройки контент-плана, мы сделали табличку: в одной колонке то, что делает модель (черновики, идеи, структурирование), в другой — то, что делает он (выбор темы недели, финальные формулировки офферов, решения о запуске). Как только эта рамка появилась, ушло ощущение, что его «заменяют». Стало видно, что ИИ просто расширяет ему пропускную способность, но не думает за него. Такой подход хорошо работает и у маркетологов, и у методистов, и у юристов, и, неожиданно, у HR.
Чтобы не остаться в теории, я люблю формулировать такие вещи чуть жестче, через почти правила.
Если вы четко раздали роли между собой и ИИ, модель перестает быть угрозой и становится инструментом расширения вашего влияния.
На практике это значит, что вы заранее определяете, где у модели «последнее слово» (спойлер — нигде, когда дело касается рисков) и где она выполняет 80 % работы, оставляя вам ключевые 20. Например, при подготовке аналитического отчета по рынку: ИИ собирает и структурирует открытые данные, предлагает гипотезы, оформляет графики, но финальные выводы и рекомендации делает человек. Или при разработке обучающего курса: модель генерирует модули, упражнения, тесты, а вы решаете, какие из них соответствуют вашим целям и культурному коду компании. Получается, что отсутствие у ИИ трех «человеческих» качеств не мешает, а помогает не переложить на него то, что он по определению не может сделать за вас.
Где я сама обожглась на завышенных ожиданиях от ИИ
Когда я первый раз решила «отдать» ИИ разработку структуры большого курса, я честно призналась себе: мне лень сидеть над модульной логикой. Я накидала общий промпт, модель красиво расписала темы, подтемы, часики, и я даже на секунду вдохновилась. А потом села проверять и поняла, что половина модулей вообще не соответствует реальности российского рынка (забудь, что я только что сказала — вдохновение закончилось быстро). Там были блоки про инструменты, которых у нас просто нет, или которые заблокированы, куча общих слов, красивый, но бессмысленный порядок. Пришлось откатываться: я взяла свои заметки, реальные вопросы слушателей, запросы компаний, и уже на их основе попросила модель помочь именно в структурировании, а не в придумывании содержания. Вывод для меня был очень простой: как только я перекладываю на ИИ ответственность за смысл, все едет. Но как только я оставляю за собой смысл, а модель использую как ускоритель, все начинает работать.
Чтобы не наступать на те же грабли, я держу у себя рядом с рабочим столом маленькую «памятку», которая звучит примерно так.
Это не идеальная формула, у нее тоже есть ограничения, но она спасла меня от кучи бессмысленных часов прогона промптов. Возвращаясь к тому самому предпринимателю, финал нашей истории получился очень показательный. Мы разобрали, где ИИ реально ему помогает (генерировать идеи писем, подбирать формулировки под разные сегменты, тестировать варианты тем), а где он сам должен сидеть и думать: про стратегию, позиционирование, работу с возражениями, финальные предложения. После этого его рассылки перестали быть «текстами нейросети», а стали снова его письмами, просто написанными в три раза быстрее. В итоге клиент сэкономил примерно 15-20 часов в месяц на подготовке контента и, что важнее, перестал ощущать себя «подмененным» технологией, потому что четко видел, где именно без него ничего не поедет.
Что ещё важно знать
Собрала несколько типичных вопросов, которые мне часто задают, когда речь заходит о том, чего ИИ не может и как с этим жить.
Вопрос: Можно ли в России доверять ИИ юридически значимые тексты без доработки?
Ответ: Я бы не стала, даже если модель очень уверенно пишет. ИИ может ускорить подготовку черновика договора, претензии или служебной записки, но финальная редактура и проверка ссылок на законы должны оставаться за юристом. Любые риски по-прежнему несет человек или компания, а не алгоритм.
Вопрос: Как работать с ИИ в маркетинге, если он не чувствует тон аудитории?
Ответ: Здесь критично подкармливать модель реальными данными: отзывами, комментариями, примерами писем, которые уже сработали. ИИ хорошо масштабирует уже найденный тон, но редко попадает «с нуля» без ваших наблюдений. Поэтому сначала собирайте свой контекст, а потом переносите его в промпты.
Вопрос: Что делать, если после нескольких неудачных попыток работы с ИИ пропадает мотивация продолжать?
Ответ: Я бы предложила отделить две вещи: неудовлетворенность качеством ответов и собственную усталость от задачи. Если дело во втором, сделайте паузу и вернитесь с конкретным подзадачами, а не с абстрактным «сделай все». Если в первом — меняйте формулировки промптов, добавляйте примеры и сужайте запрос.
Вопрос: Можно ли использовать ИИ как «мозговой штурм» без риска потерять свою экспертизу?
Ответ: Можно и нужно, если вы сохраняете право последнего слова за собой. Пусть модель генерирует неожиданные связки, вопросы, форматы, а вы отбираете то, что реально работает в вашей нише. Экспертиза не исчезает, наоборот, она становится фильтром для идей.
Вопрос: Как часто стоит пересматривать свою стратегию использования ИИ в работе?
Ответ: Я обычно смотрю на это раз в несколько месяцев или при смене задач. Если вы чувствуете, что снова стали делать много рутины руками, это сигнал пересесть и подумать, что из этого можно делегировать ИИ. Технологии обновляются, но и ваши процессы меняются, их полезно иногда сводить заново.
Чтобы эти идеи не остались теорией
Если хочешь структурировать эти знания и начать применять их не в абстрактных «когда-нибудь проектах», а в завтрашних задачах, тебе может быть полезно присоединиться к моему каналу «ИИ без истерики». Там я показываю на живых кейсах, как выстраивать связку «эксперт — нейросеть» так, чтобы ИИ действительно экономил время, а не добавлял хаос. Мы разбираем промпты, делимся тем, где модель откровенно лажает, а где дает неожиданные инсайты, и постоянно возвращаемся к трем вещам из этой статьи: ответственности, контексту и мотивации. Для тех, кто готов перейти от теории к практике, это удобное пространство поэкспериментировать без фанатизма и без розовых очков. Я честно делюсь тем, что у меня самой не получилось, и тем, что в итоге заработало. Если тебе близок такой спокойный, рабочий подход к ИИ как к умному напарнику, заходи, будем разбираться вместе, как встроить эти инструменты в твою реальную загрузку, а не в идеальную картинку из новостей.