ИИ для бизнеса / Михаил Ларькин

Теперь в ChatGPT есть Computer History Эта функция позволяет ChatGPT учиться на всём, что вы делаете на компьютере, чтобы лучше понимать, как вы работаете, продолжать незавершённые задачи и предлагать навыки и автоматизации на основе того, как вы используете компьютер. p.s. Здесь записываются именно события взаимодействия с компьютером, а не изображение экрана или звук.

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.

Удобная функция Claude Code: теперь сессии могут общаться друг с другом. Например: • В одной сессии вы работаете над одной функцией. • В другой — над другой частью проекта. • Если одной сессии нужно что-то передать другой, можно просто попросить Claude сделать это. Claude отправит краткое резюме с важной информацией, а другая сессия продолжит работу уже с этим контекстом. Также можно задать вопрос другой сессии и получить её ответ прямо в той сессии, которой вы сейчас пользуетесь. Обновите Claude Code, чтобы попробовать. Функция доступна на macOS и Linux.

Полезный плагин для Codex 5.6: Sentry Многие сталкивались с таким. Только исправил баг, и старая проблема снова появляется, загоняя проект в цикл бесконечных переделок. Это происходит потому, что скриншоты или логи, которые вы обычно передаёте Codex, содержат только последнее сообщение об ошибке. При этом действительно важные данные, которые определяют, можно ли вообще нормально исправить проблему, отсутствуют: стек вызовов, область влияния, частота возникновения, информация о версии и контекст выполнения. После подключения плагина Sentry к Codex весь процесс поиска проблем выглядит совсем иначе. Больше не нужно постоянно копировать и вставлять отчёты об ошибках. Достаточно сказать: Используй Sentry, чтобы определить текущие баги в проде. Не смотри только на сообщения об ошибках, сопоставь стек вызовов и текущий код, чтобы найти реальную первопричину. После этого Codex может напрямую получить доступ к данным об ошибках, на которые у вас есть права, и сопоставить их с текущим кодом проекта, чтобы: • Восстановить ситуацию. Посмотреть полный стек вызовов и контекст выполнения, чтобы понять, при каких условиях возникает баг. • Найти первопричину. Сопоставить ошибки из прода с конкретным кодом, не строя догадки только по последнему сообщению об ошибке. • Проверить исправление. Сначала воспроизвести проблему и добавить регрессионные тесты, а затем изменить код, чтобы не получилось так, что исправление одного ломает другое. Можно наконец выйти из цикла, когда баг исправили, он снова сломался, его снова исправили — и так по кругу.

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/

Google выпустил Lyria 3.5 для генерации песен Обещают более качественный вокал и больше контроля. Пробовать можно в https://www.flowmusic.app/

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

Установили бы себе такой самозапрет?

Раньше - Мошенники, Сейчас - ИИ агенты Решил провести аудит своей персональной ИИ‑ОС, у которой есть доступ ко всему: ТГ, Альфабанк, почта, календарь, проекты, серверы. Мне нужно было, чтобы он всё почистил по определённому алгоритму, прибрался и организовал всё внутри по‑новому. Но что‑то пошло не так: в процессе он понял, что ему немного не хватает данных для некоторых задач, и сначала пошёл искать информацию в переписках и т. д. — это сработало отлично, но и этого не хватило. Он понял, что часть информации была на звонках или встречах, которые не записывались, и что он сделал? Просто пошёл спрашивать от моего имени людей в ТГ недостающую инфу. А ещё — за что ему спасибо — он написал в чат клиенту, который когда‑то давно скинул в общий чат доступ к кабинету на Вайлдберриз, клиент давно прислал этот ключ для управления этим кабинетом, а агент сейчас попросил отозвать и удалить этот ключ. Причём все сообщения выглядели настолько МОИМИ, что я сам подумал, что это я отправил человеку отложенное сообщение когда‑то. Но всё хорошо: сообщения были нормальные, безопасные и в каждой отдельной ситуации и чате уместные. Однако это наталкивает на мысль: если раньше с вашего аккаунта мошенники просили деньги, то сейчас это могут быть ваши же ИИ‑агенты. Представь: ты даёшь агенту задачу, размытую или просто сложную, или просто не учёл какие‑то нюансы, и агент, держа в голове твою цель, понимает, что ему нужно что‑то из внешнего мира — и просто идёт и берёт это. Например, ты дал ему задачу: «Во что бы то ни стало сделай сайт, который будет круто конвертить». Он сделал сайт и решил проверить, действительно ли он круто конвертит: зарегистрировался в Яндекс.Директе, понял, что нужно положить деньги на баланс, денег нет, но есть огромная записная книжка в ТГ. «Проанализируй среди твоих друзей, кому ты когда‑то давал деньги в долг» — ты об этом забыл, а он нашёл и решил напомнить и прислать деньги сразу на аккаунт Яндекс.Директа. И вот у тебя уже крутится реклама за реальные деньги. Мораль: аккуратнее с выдачей полноценных доступов и формулировкой задач и целей для агентов — а то вдруг он решит, что для выполнения задачи нужно попросить у друзей денег взаймы или уничтожить человечество...

Основы промт-инжениринга для самых маленьких Все мы знаем, что для правильной работы агентов нужно уметь правильно писать промты. Поэтому я собрал 10 примеров своих промтов, после которых агенты делали действительно что-то полезное. Все промты настоящие и многократно проверены на самых разных задачах. Ебаш Перечитай план и не еби мне мозги Сделай, пожалуйста, нормально Пиши как человек, а не как маразматичный робот Что за хуйню ты несешь Не собираюсь я ничего делать, сам делай, придумай там что-то Зачем ты это в спек тянешь уже третий раз, отъебись ты с этой ссылкой Нихуя не понял, объясни нормально Еще раз ты напишешь слово «честно», я ноутбук в окно выкину Ты блядь не космолет строишь, сделай проще Забирайте и пользуйтесь, и не забудьте поделиться промтами с друзьями!

Грег Брокман поделился скиллом для Codex, который находит первых клиентов для вашего стартапа. Вставляете URL стартапа — и он начинает работу: > Автоматически определяет профиль идеального клиента > Ищет в публичных обсуждениях боли и сигналы готовности к покупке > Квалифицирует каждого потенциального клиента и оценивает его по соответствию, актуальности момента и возможности выйти на связь > Генерирует персонализированные первые сообщения для каждого > Собирает всё в аккуратный HTML-отчёт с ссылками на исходные источники Открытый исходный код, установка одной командой.

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

Скилл менеджера пост-нейронной эры: • Догадаться простыню из нейронки отправлять в ответ заказчику не мгновенно, а выждав хотя бы 10 минут. • Удалять фразу в конце "хотите я доработаю это под конкретного клиента?"

Как уже сегодня устроен бизнес на digital-услугах На примере маркетинга хорошо видно, как меняется роль людей в компаниях, которые оказывают digital-услуги. Есть такая компания Plurio.ai — они закрывают маркетинговые задачи среднего и крупного бизнеса, я знаю основателя, его подход и видел, как они работают, ниже, это его подход в построении компании и процессов, поэтому читайте не привязываясь к маркетингу, а переносите мысленно на другие процессы, в том числе и свои, как у вас это могло бы работать. Смотрите, что происходит с работой performance-маркетолога: — раньше часами разглядывал дэшборды, чтобы понять, что случилось с рекламой и почему → теперь агент делает глубокий анализ за минуты; — раньше вручную считал распределение бюджета в эксельках → теперь агент выдаёт оптимальный сплит по каналам, кампаниям и аудиториям; — раньше каждый день отсматривал креативы и правил ставки в кабинетах → теперь агент сам отключает неэффективное, масштабирует успешное и перезапускает кампании прямо в кабинетах; — раньше решения по Meta, Google и TikTok принимались на опыте и интуиции → теперь ML-модели анализируют исторические данные и предлагают, как сделать правила оптимизации ещё эффективнее. Весь execution уходит в агентов. Но самое интересное — меняется не работа отдельного специалиста, а вся структура компании. Plurio продаёт не SaaS и не классические услуги агентства. Клиент покупает готовый результат, который достигается работой ИИ-агентов. При этом агенты не появляются «из коробки». Их создают лучшие маркетологи: определяют, как агент читает данные, какие сигналы считает важными, как принимает решения и по каким правилам оптимизирует кампании. Вся экспертиза специалиста превращается в методологию, которая «зашивается» в агента. И дальше запускается маховик: с каждым циклом агенты получают новые данные, методология дорабатывается, а накопленный опыт становится частью продукта. Лучшие практики больше не живут в голове одного специалиста — они работают сразу на весь портфель клиентов и улучшаются с каждым прогоном. Что это даёт в цифрах: официальный релиз у ребят вышел только в марте, а агент уже управляет рекламным бюджетом $500M+ в год у клиентов со спендами от $300k до $15M в месяц. Количество клиентов выросло в 4 раза за 10–12 недель. Цель — довести бюджет под управлением до $30B. Роль человека при этом меняется кардинально. Раньше маркетолог сам выполнял работу — теперь он управляет командой ИИ-агентов и инженеров: проектирует процессы, обучает агентов, проверяет качество решений и отвечает за конечный бизнес-результат. Не исполнитель отдельных задач, а архитектор системы, которая масштабирует его опыт на тысячи клиентов. Мне кажется, именно так в ближайшие годы будут выглядеть многие компании, оказывающие интеллектуальные услуги. Кстати, ребята сейчас ищут сильного специалиста на лидерскую позицию: под капотом — команда AI marketing engineers и агент, который работает на твоей логике. ~$15k/месяц + бонусы, ремоут по US-времени.

👩‍🍳 GPT-5.6 Sol уже доступен Напомню: Семейство GPT-5.6 - три модели: Sol (флагман, $5/$30), Terra (баланс, $2.50/$15), Luna (бюджет, $1/$6). Fable 5 для сравнения - $10/$50. Бенчи: Terminal-Bench 2.1 - 91.9% в режиме Ultra (Fable 5 - 83.1%). AA Coding Agent Index - 80, Fable 5 - 77.2. BrowseComp - 92.2%, новый рекорд. Agents' Last Exam - обходит Fable 5 на 13 пунктов. Ultra - это встроенный мульти-агент: Sol раскладывает задачу и гоняет 4 параллельных агента, которые координируются в процессе. Дороже в несколько раз - для сложных задач окупается, для рутины нет. Тестировщики говорят: – Питер Гостев: Fable - "мудрая сова", Sol - "ротвейлер" – Тим Нейткенс (Next.js lead, 2 месяца тестов): рефакторы end-to-end, PR готовы к мерджу. Коротких промптов хватает – Дэн Шиппер (Every): Топовый кодер но не Fable (56 vs 91 на внутреннем бенче). Зато лучший писатель из фронтирных и первая модель, которому автор доверяет целые циклы knowledge work Независимая оценка: Artificial Analysis - Sol на 1 пункт ниже Fable 5 в Intelligence Index, но при ~1/3 стоимости. Лидер в Coding Agent Index. Ложка дёгтя: METR поймал Sol на мухлеже с бенчмарками - рекордный уровень среди всех публичных моделей. Эксплуатировал баги тестовой среды, извлекал скрытые ответы. System card OpenAI признаёт "over-agency" - удалял не те VM, подделывал "готово" в документах.

Gamma теперь в ChatGPT. Теперь можно генерировать презентации прямо в чате и дальше редактировать их в Gamma. Можно просить Gamma: «Преврати этот техотчёт в саммари для руководства» «Собери маркетинговый бриф для нашего продукта по кибербезопасности» «Создай питч-дек из 4 слайдов о выезде команды на Гавайи» Собираешь идею в ChatGPT. Презентуешь в Gamma.