Реальный кейс успешной ИИ-автоматизации от директора по развитию

Контент-маркетингом HTML Academy сейчас занимаются два человека, ещё участвую я. На объём, который мы выпускаем, раньше понадобилась бы команда из 12–14 человек.

За этим результатом несколько месяцев работы с процессами. При этом часть задач мы по-прежнему делаем руками: автоматизация там либо не даёт нужного качества, либо требует больше усилий, чем я пока готов в неё вложить.

Язык Академии пришлось описать

У HTML Academy за годы сложился свой голос. Если отдать нейронке задачу «напиши пост про наш курс», она напишет пост. Только узнаваемого текста Академии из этого не получится. Для него нужно понимать, с кем мы разговариваем и почему именно так.

Я начал с описания бренда. Отдельно собрал правила голоса, рядом положил редакционную политику. Копирайтинг стал ещё одной частью этой системы: как работать с текстом, на что опираться при выборе формы, что учитывать на конкретной площадке. Всё это оформил в скиллы, инструкции для агента.

Разделение здесь полезно. Знания о бренде нужны и для статьи, и для анонса курса. А правила подготовки этих материалов различаются. Если держать всё в одном огромном документе, с ним неудобно работать и трудно понять, что именно сломалось. Небольшие инструкции можно сочетать под задачу и исправлять по отдельности.

Поверх них уже собирается работа с площадками. Подкаст можно переработать в статью, к статье подготовить публикацию для соцсетей. При этом в каждом случае агенту нужны свои требования к результату. Просто сократить длинный текст до короткого недостаточно: вместе со словами легко вырезать мысль, ради которой всё писалось.

Поэтому я проверяю результат. Даже когда текст выглядит аккуратно, в нём может потеряться опорная мысль: модель переставила слова, упростила объяснение, и смысл сдвинулся. Сохранить наш голос получилось не с первой попытки, и это до сих пор не происходит безошибочно при каждом запуске.

С монтажом у меня пока иначе. Сервисы умеют выбирать фрагменты длинного видео и делать из них клипы. Но подходящий по форме отрывок не обязательно передаёт ту идею, которую мы хотим донести. Мы занимаемся образованием, и мне важно, что человек поймёт из этого куска. Переставлять фрагменты и править надписи после автоматической нарезки оказывалось дольше, чем хотелось. Монтажёр справляется быстрее и точнее.

При этом перевод видео уже оказался полезен. Для испанского рынка мы переупаковывали образовательный контент и пробовали HeyGen: тот же автор говорит на другом языке, с синхронизацией движения губ. У меня даже лежат записи, где я говорю по-японски и по-итальянски. Смешно смотреть на себя в такой роли.

Агента тоже нужно ввести в курс дела

В разработке мы годами описывали процессы, чтобы команда поставляла нужный результат. Договаривались о технологиях и оформлении кода, проверяли архитектурные решения. Эти знания никуда не исчезли с появлением ИИ. Теперь я могу передать их агенту в виде инструкций.

Если проект хорошо описан, многие изменения в нём становятся вполне посильными для модели. Она может следовать нашим правилам кода и оформления интерфейса. Но за этим стоит человек, который понимает проект и способен оценить, что получилось. Для небольшой компании это может быть опытный разработчик или технический руководитель.

Мы за последние годы сильно сократили разработку. В Академии сложная архитектура и много продуктов, так что трудности остаются. Но инструменты дошли до состояния, в котором я могу передавать им целые классы задач, раньше требовавшие команды. Два года назад у нас так не получалось.

Когда я слышу, что модель слишком глупая для разработки, хочется спросить: а что вы сделали, чтобы она разобралась в вашей работе? От нового джуна обычно не ждут, что он с первого дня будет всё знать. Ему объясняют, как устроен проект, помогают освоиться и проверяют сделанное. С агентом у меня похожие ожидания.

Я бы оценивал нынешнюю модель как джуна, а в отдельных задачах как мидла-минус. При этом за постановку задачи и проверку результата отвечаю я.

Основную работу я делаю в Claude Code. Для меня заметный сдвиг произошёл после выхода Opus 4.5 в конце 2025 года. Но результат нельзя объяснить только выбором модели. Вокруг неё у меня есть инструкции и специализированные агенты, а программные ограничения удерживают работу в заданных рамках. Похожую систему можно строить и с Codex. Сам по себе переход на другой инструмент эту работу за вас не сделает.

Сначала приходится договориться о результате

Я долго думал, что опытный специалист умеет описать ожидаемый результат своей работы. Оказалось, это отдельный навык. Человек может делать сильные проекты, но работать в основном через погружение: поймал мысль, попробовал, поменял направление. На выходе всё хорошо, а заранее объяснить, что должно получиться, трудно.

С нейронкой это быстро становится проблемой. Она готова что-нибудь сделать почти в любой момент. Если результат не определён, можно долго двигаться вместе с ней и только потом обнаружить, что решали другую задачу.

Мне помогает разработка от спецификации. Основное время уходит на то, чтобы разобраться в задаче и описать результат. К реализации я перехожу, когда могу прочитать план и согласиться: да, это именно то, что мне нужно.

В подготовке модель тоже участвует. Она может задавать уточняющие вопросы, предлагать варианты и вытаскивать неоднозначности, которые я пропустил. Иногда до плана нужно сначала обсудить саму идею. Важно, чтобы я в итоге проверил получившееся описание, а не согласился с ним только потому, что оно гладко написано.

Это не делает результат детерминированным. Модель всё равно может решить похожие задачи немного по-разному. Но когда требования на входе точнее, а ожидаемый результат понятнее, у неё меньше возможностей уйти в ненужную сторону.

После неудачи хочется дописать всё самому. Я тоже понимаю это желание. Только тогда следующий запуск начнётся с той же проблемы. Если я хочу наладить повторяемую работу, нужно разобраться, где агент свернул не туда, и поправить инструкцию. Разовую задачу я, возможно, закончу медленнее. Зато у следующей уже будет другая отправная точка.

Курс должен складываться целиком

С образовательным контентом задачи сложнее, чем с отдельными публикациями. У Академии есть свои педагогические подходы: как объяснять материал, в какой последовательности вводить понятия, как помогать студенту сформировать навык. Я тоже собрал их в инструкции со справочными материалами.

В работе с внешними авторами подготовка курса могла занимать полгода, иногда год. Недавно у нас был случай, когда с ИИ понадобилось две недели.

Цена этого ускорения хорошо видна по расходу контекста. Модель должна понимать не только текущий урок. Ей нужно знать, что студент уже прошёл и что будет дальше, иначе вместо курса получится набор отдельных объяснений. Они могут быть грамотными сами по себе, но повторять друг друга или требовать знаний, которые мы ещё не дали.

Когда я начал заниматься курсами, впервые стал регулярно упираться в лимиты. Пятичасовой лимит мог закончиться за два-три часа, хотя раньше на других задачах мне его хватало. Последовательность учебного материала приходится удерживать и проверять на протяжении всей работы. Это довольно большой объём данных, который проходит через модель снова и снова.

Аналитику можно собирать под свой вопрос

У нас было несколько подходов к аналитике. В какой-то момент хватало Google Analytics и Яндекс.Метрики, потом появились Power BI с BigQuery. Параллельно развивалась собственная система, в том числе для когортного анализа.

На подготовку отчётов уходило время разработчиков. Дашборд уже построен, а мне нужно посмотреть на данные немного иначе. Мы спорим, что переделать, и снова тратим время. Я решил попробовать собрать нужный мне процесс самостоятельно.

К внутренним данным доступ получить сравнительно просто. С внешними системами мешали сложности работы через API, поэтому часть информации я начал собирать через браузер. Агенту передаётся доступ к интерфейсу и последовательность действий: какие данные нужны, с какими фильтрами их получить и куда сохранить.

Первая версия такого сценария ещё не означает, что его можно регулярно запускать. В интерфейсе появляются всплывающие окна, меняются состояния фильтров. Я запускаю несколько проходов: агент собирает данные, записывает свои ошибки и по этим наблюдениям обновляет инструкцию. Следующий проход проверяет, удалось ли их исправить.

После этого внешние данные можно объединять с собственными. А для анализа у меня есть отдельная инструкция. Я задаю вопрос обычным текстом и получаю нужное представление данных, не перестраивая каждый раз весь дашборд.

Проверка при этом остаётся моей работой. Модель может неверно прочитать число или убедительно объяснить то, чего в данных нет. Мне нравится возможность быстрее добраться до ответа, но доверять ему только за хорошее изложение нельзя.

Узкие задачи проще передавать дальше

Чем меньше область ответственности отдельной инструкции, тем проще использовать её повторно. Правила работы с языком бренда не нужно заново писать для каждой площадки. Проверку интерфейса можно поручить отдельному агенту, который не пытается одновременно решить все остальные задачи проекта.

В некоторых задачах я пробую устроить это как команду. Есть агент, который ведёт работу и делегирует части специализированным исполнителям. Один занимается фронтендом, другой проверяет интерфейс, отдельно можно подключить копирайтера и специалиста по базе данных. Результаты возвращаются тому, кто координирует задачу.

Для меня это способ ограничить объём работы каждого участника. Если один агент должен помнить всё сразу, ему легче потерять часть требований. Узкая задача даёт более понятные условия и более определённый результат, который можно проверить. А потом ту же инструкцию удаётся применить в другом проекте.

Я общаюсь только с агентом, который ведёт задачу. Он сам распределяет работу между исполнителями и получает от них результаты; мне возвращает уже общий результат.

На настройку ушли месяцы

ChatGPT я оплатил ещё в начале 2023 года, когда появился GPT-4. Но заметную пользу именно для бизнес-процессов начал получать с конца ноября 2025-го. Декабрь, январь и февраль прошли почти в постоянной работе с агентами.

Часть дня я решал текущие задачи, часть тратил на инструкции и инструменты для следующих. Поэтому в оценке экономии времени нужно помнить о времени на настройку. Всё это не появилось после удачного запроса на пятнадцать минут.

Инженерный опыт мне помогает. Но он не означает, что человеку без навыков программирования здесь нечего делать. В приложение для работы с кодом можно положить папку с документами и презентациями. Агент точно так же сможет работать с этими файлами. Дальше придётся понять, чего от него ждать и как проверять сделанное.

Я недавно показал это жене. Она директор по маркетингу, не разработчик. Сначала было непонятно, а через пару дней её уже было трудно оторвать: одну задачу сделала, взялась за следующую. Разобраться в рабочем процессе можно и вместе с моделью, начиная с небольших знакомых задач.

При этом у меня появилось новое ограничение. Пока агент работает над одной задачей, хочется запустить другую. Иногда у меня одновременно идут несколько совсем разных работ, и переключаться между ними уже трудно мне самому. Можно улучшать инструкции и параллельно наблюдать, как они применяются в соседней задаче. Это полезно, но требует внимания, которого не стало больше только потому, что код теперь пишет агент.

Профессиональная база никуда не делась

Умение пользоваться ИИ добавляется к профессии. Оно не даёт автоматически понимания того, что вы делаете. Если человек не замечает дыру в безопасности, модель может помочь ему быстрее построить продукт с этой дырой. Дальше могут оказаться вполне настоящие штрафы или огромный счёт за хостинг.

Я не согласен с мыслью, что начинающие разработчики больше не нужны. Опытные специалисты уходят с рынка, и новым людям всё равно нужно где-то набирать опыт. Стажёрские программы остаются необходимыми, даже если сейчас компании стараются повысить производительность и сократить расходы.

Требования к новичку при этом меняются. Ему нужна база в технологиях и уже на старте приходится осваивать работу с агентом. Здесь много от управления: нужно сформулировать задачу и оценить результат. Если он не подходит, придётся дать содержательную обратную связь, уточнить условия и сделать следующий проход. То же самое теперь требуется и в маркетинге.

Я не жду, что универсальный инструмент однажды сам догадается, какой результат нужен моему бизнесу. Он может помочь разобраться, но может и предложить убедительное описание, с которым я соглашусь, не проверив. Следующий шаг я вижу в готовых бизнес-сценариях. Если разработчики инструмента берут на себя весь процесс и позволяют настроить его под компанию, это уже другая степень автоматизации. Одного улучшения универсальной модели для этого недостаточно.

Поэтому я ищу в своих процессах небольшие задачи, которые хорошо понимаю. Могу объяснить, что в них считается качественным результатом, увидеть ошибку и разобрать её причину. С таких задач и получается постепенно собирать систему, на которую можно опереться в работе.