Зачем нужна ИИ-грамотность
Может показаться, что учиться работать с ИИ не нужно: открыл чат, написал, что хочешь, получил ответ. Это правда для половины задач. Проблемы начинаются во второй половине — там, где результат уходит клиенту, попадает в код или ложится в основу решения. В этом уроке разберём, что именно идёт не так и почему навык важнее инструмента.
Инструменты меняются, навыки остаются
За последние годы модели сменились несколько раз, интерфейсы — ещё чаще. Появились чаты, потом ассистенты в редакторах, потом агенты, которые сами ходят по файлам и сервисам. Если бы ИИ-грамотность была знанием кнопок, её пришлось бы переучивать каждый квартал.
Но привычки, о которых этот курс, не зависят от версии. Понять свою задачу до того, как её кому-то отдать. Объяснить так, чтобы исполнитель не додумывал. Проверить результат прежде, чем поставить под ним свою подпись. Быть честным о том, кто на самом деле делал работу. Это те же навыки, что нужны при работе с новым сотрудником или подрядчиком, и они переживут любую модель.
Асимметрия: дёшево сделать, дорого проверить
Главное, что изменил генеративный ИИ, — стоимость первого черновика. Раньше черновик ТЗ, макета, письма или функции стоил часов работы, и поэтому его делали вдумчиво. Теперь он стоит минуту. Но стоимость проверки не изменилась: чтобы понять, верно ли написано ТЗ, всё ещё нужно прочитать его целиком и подумать.
Отсюда типичная ловушка. Черновиков становится много, проверять их некогда, и что-то проходит непроверенным. Внешне работа выглядит быстрее, а по факту ошибки просто переезжают на следующий этап, где стоят дороже. Тестировщик, который получил сгенерированные тест-кейсы и не прочитал их, найдёт пробелы уже на проде.
ИИ-грамотный человек знает про эту асимметрию и планирует проверку заранее: отдаёт модели то, что легко проверить, и держит при себе то, где проверка дороже самой работы.
Три способа ошибиться
Наблюдая за тем, как коллеги работают с ИИ, можно выделить три повторяющихся сценария.
Чрезмерное доверие. Модель написала уверенно и складно, значит, правильно. Это самая дорогая ошибка. Модель одинаково уверенно пишет верные и неверные вещи, потому что уверенность — это стиль текста, а не показатель точности. В одном из наших проектов по сайту для небольшой компании в тексты просочились «3D-проектирование», «премиальная фурнитура» и «собственный шоурум» — ни одного из этих фактов клиент не подтверждал, модель просто написала правдоподобное. Заметили это уже на этапе приёмки.
Недостаточное доверие. Обратный случай: человек попробовал один раз, получил ерунду и решил, что «ИИ не работает». Чаще всего ерунда была следствием запроса из одной строки без контекста. Это тоже неграмотность: инструмент отвергнут не потому, что он не подходит, а потому, что им не умели пользоваться.
Неверное делегирование. Модели отдали не ту часть работы. Аналитик просит «напиши требования к системе бронирования», не рассказав ничего о заказчике, и получает общий текст, который потом дольше переделывать, чем писать заново. При этом ту же модель можно было использовать для того, что она делает хорошо: найти противоречия в уже написанных требованиях, придумать граничные случаи, переформулировать раздел для клиента без технического бэкграунда.
Почему это важно именно в агентстве
В продуктовой разработке цепочка длинная: требования → дизайн → код → тесты → сдача. На каждом стыке результат одного человека становится входом для другого. Если аналитик отдал в разработку ТЗ с выдуманным сроком интеграции, дизайнер нарисовал экран под несуществующее поле, а разработчик реализовал логику, которой не будет, — ошибка одной минуты стоила недели трёх людей.
Есть и второй слой. Мы продаём клиентам экспертизу. Клиент платит не за текст, а за то, что за текстом стоит человек, который за него отвечает. Если клиент получает от менеджера письмо, которое явно написала модель и в котором путаются названия его же продуктов, страдает не письмо, а доверие. Поэтому в этом курсе так много внимания различению и добросовестности: они защищают репутацию, а не только качество.
Наконец, есть данные. В работе агентства постоянно проходят чужие данные: базы клиентов, доступы, финансовые условия, неанонсированные продукты. Вставить их в чат «чтобы модель лучше поняла контекст» — это отдельный класс ошибки, о котором мы поговорим в модуле про добросовестность. Здесь достаточно запомнить: удобство никогда не оправдывает утечку.
Что даёт грамотность на практике
Не будем обещать «в два раза быстрее». Дадим более честную картину того, что меняется, когда четыре навыка становятся привычкой.
Вы перестаёте пробовать наугад. Перед тем как открыть чат, вы за полминуты решаете: что хочу получить, что модель про это знает, что ей надо рассказать, как проверю.
Вы получаете полезный результат с первой-второй попытки, а не с пятой, потому что описываете задачу целиком: формат, аудиторию, ограничения, примеры.
Вы ловите ошибки модели до того, как их поймает клиент или коллега, потому что знаете, где она ошибается чаще всего.
И вы не боитесь отдавать модели больше, потому что понимаете, где граница ответственности и что остаётся за вами в любом случае.
Попробуйте сами
10–15 мин на рабочем месте- Найдите последний результат работы ИИ, который вы использовали «как есть» без внимательной проверки: письмо, фрагмент кода, список, описание. Перечитайте его сейчас как рецензент. Найдите хотя бы одно место, где вы не уверены в точности. Если нашли — вы только что увидели асимметрию проверки на своём примере.
- Вспомните задачу, которую вы попробовали отдать ИИ, получили плохой результат и больше не пробовали. Напишите одним абзацем, что модель не знала о задаче в тот момент (контекст, формат, аудиторию, ограничения). Пока не переделывайте — просто зафиксируйте, к этой задаче мы вернёмся в модуле про описание.
Коротко
- Модели и интерфейсы меняются, привычки работы с ними — нет.
- Черновик стал дешёвым, проверка — нет. Планируйте проверку заранее.
- Три типичных ошибки: чрезмерное доверие, недостаточное доверие, неверное делегирование.
- В агентстве ошибка на входе цепочки стоит времени всех, кто дальше по цепочке.
- Клиент платит за ответственность человека, а не за текст; грамотность защищает репутацию.
- Удобство никогда не оправдывает передачу данных клиента в чужой сервис.
Видеоверсия
Сценарий озвучки · 472 слова, ≈ 4 мин
Кажется, что учиться работать с ИИ не нужно. Открыл чат, написал, получил ответ. Это правда примерно для половины задач. Проблемы начинаются во второй половине — там, где результат уходит клиенту, попадает в код или ложится в основу решения. Давайте разберём, что именно там ломается.
Первое. Инструменты меняются каждые несколько месяцев, а навыки — нет. Если бы ИИ-грамотность была знанием кнопок, её пришлось бы переучивать каждый квартал. Но привычки, о которых этот курс, от версии модели не зависят. Понять задачу до того, как её отдать. Объяснить так, чтобы исполнитель не додумывал. Проверить, прежде чем подписаться. Быть честным о том, кто делал работу. Это те же навыки, которые нужны при работе с новым сотрудником или подрядчиком.
Второе, и это, пожалуй, самое важное. Генеративный ИИ сделал черновик дешёвым, а проверку — нет. Раньше черновик ТЗ или макета стоил часов, и его делали вдумчиво. Теперь он стоит минуту. Но чтобы понять, верно ли написано ТЗ, всё ещё нужно прочитать его целиком и подумать. Отсюда ловушка: черновиков много, проверять некогда, что-то проходит непроверенным. Работа выглядит быстрее, а ошибки просто переезжают на следующий этап, где стоят дороже.
Есть три типичных способа ошибиться. Чрезмерное доверие: модель написала уверенно и складно, значит, правильно. Нет. Уверенность — это стиль текста, а не показатель точности. В одном из наших проектов в тексты сайта просочились «3D-проектирование», «премиальная фурнитура» и «собственный шоурум». Ни одного из этих фактов клиент не подтверждал, модель просто написала правдоподобное. Заметили только на приёмке.
Второй способ — недостаточное доверие. Человек попробовал один раз, получил ерунду и решил, что ИИ не работает. Чаще всего ерунда была ответом на запрос из одной строки без контекста. Инструмент отвергнут не потому, что не подходит, а потому что им не умели пользоваться.
Третий — неверное делегирование. Модели отдали не ту часть работы. Аналитик просит написать требования к системе бронирования, ничего не рассказав о заказчике, и получает общий текст, который дольше переделывать, чем писать заново. А ту же модель можно было попросить найти противоречия в уже написанных требованиях или придумать граничные случаи — и это она делает хорошо.
Почему это особенно важно в агентстве. Наша цепочка длинная: требования, дизайн, код, тесты, сдача. На каждом стыке результат одного становится входом для другого. Выдуманный аналитиком факт превращается в экран дизайнера, потом в логику разработчика, и минута ошибки стоит недели работы трёх человек. И ещё: клиент платит не за текст, а за то, что за текстом стоит человек, который отвечает. Если клиент получает письмо, которое явно писала модель и в котором путаются названия его же продуктов, страдает доверие, а не письмо.
Что даёт грамотность на практике. Вы перестаёте пробовать наугад: перед тем как открыть чат, за полминуты решаете, что хотите получить, что модель об этом знает и как вы будете проверять. Вы получаете полезный результат со второй попытки, а не с пятой. Вы ловите ошибки раньше клиента. И вы не боитесь отдавать модели больше, потому что понимаете, где граница ответственности. Об этой границе — весь дальнейший курс.