Я устал объяснять, почему AI - не магическая кнопка. Поэтому буду проверять это публично

Я использую искусственный интеллект каждый день по шесть-восемь часов.
В исследованиях, аналитике, программировании, интерфейсах, документах, работе с данными, гипотезами и управленческими задачами.

Внутри платформы “Дожми Продажи” AI тоже давно не является внешней игрушкой. Он участвует в расшифровке звонков, анализе критериев, извлечении фактов, формировании выводов и рекомендаций.

Поэтому я точно не отношусь к людям, которые считают нейросети бесполезными.
Проблема в другом.

Клиент видит результат. Я вижу систему

В какой-то момент я заметил, что всё чаще участвую в одном и том же разговоре.
Клиент описывает желаемый результат:

• анализировать звонки;
• читать переписки;
• изучать историю отношений с клиентом;
• находить риски в документах;
• готовить рекомендации;
• менять сайт;
• автоматически отвечать сотрудникам.

На уровне формулировки задача выглядит просто.
Есть данные. Есть нейросеть. Есть запрос. На выходе должен появиться ответ.

Но когда нужно назвать сроки, стоимость и границы ответственности, я начинаю задавать вопросы.
Где находятся данные?
Кто имеет к ним доступ?
Как понять, что ответ правильный?
Что делать, если модель придумала факт?
Как результат попадёт в рабочий процесс?
Кто будет проверять изменения после обновления модели?
Что должно произойти, если система не уверена?

Именно здесь возникает разрыв.

Клиент видит желаемый результат. Я вижу данные, серверы, интеграции, тестирование, права доступа, поддержку и ответственность.

Мы говорим об одном проекте, но на разных языках.

Чем подробнее объясняешь, тем сильнее выглядишь человеком, который усложняет

Для клиента технические подробности не являются самостоятельной ценностью.

Ему не нужен рассказ про векторный поиск, контекстное окно, очередь задач или контроль версий промтов.
Ему нужен результат.

И это нормальное ожидание.
Но если я просто соглашусь с формулировкой “нейросеть уже всё умеет”, ответственность за последствия никуда не исчезнет.

Модель может написать убедительный ответ и сослаться на несуществующий пункт договора.
Может правильно изменить одну функцию сайта и одновременно повредить другую часть страницы.
Может хорошо разобрать отдельный звонок, но потерять единый стандарт при обработке тысячи разговоров.
Может подготовить рекомендацию, которую невозможно проверить по исходным данным.

Чем подробнее я объясняю эти ограничения, тем легче выгляжу человеком, который защищает старый способ работы или пытается увеличить бюджет.
Получается странная ситуация.
Я использую AI больше многих собеседников, но в разговоре вынужден постоянно доказывать, почему одного вызова модели иногда недостаточно.

AI продают как кнопку, а внедряют как систему

В рекламе путь выглядит так:

Загрузите данные, напишите запрос и получите готовый результат.

В реальной работе между запросом и результатом часто появляются дополнительные слои:

• подготовка и поиск данных;
• выбор контекста;
• критерии качества;
• проверка фактов;
• обработка ошибок;
• интеграция с рабочим процессом;
• история изменений;
• мониторинг стоимости;
• права доступа;
• повторяемость результата.

Модель может быть центральным компонентом этой конструкции.
Но модель не равна всей конструкции.

Это различие особенно важно в задачах, где результат используется не один раз, а регулярно.
Разово загрузить один звонок в AI-чат и попросить его разобрать можно.
Когда звонков тысячи, сотрудников несколько, критерии должны быть едиными, а руководителю нужна динамика по периодам, возникает уже другая задача.

Разово попросить нейросеть изменить HTML-файл тоже можно.
Когда сайт является рабочим продуктом, нужно проверить, что локальное изменение не сломало всё остальное.

Почему я больше не хочу убеждать словами

Я долго пытался объяснять эту границу на встречах, в переписке и коммерческих предложениях.
Но объяснение почти всегда проигрывает демонстрации.

Человек слышит мои аргументы и всё равно остаётся с простым вопросом:

А может, обычная нейросеть всё-таки справится?

Иногда справится.
Иногда нет.

Иногда выполнит задачу частично.
А иногда вернёт результат, который выглядит готовым, но создаёт новый риск.

Поэтому я решил изменить сам способ разговора.
Не спорить о возможностях AI в целом.
Не доказывать, что отдельная платформа всегда лучше обычного чата.
Не составлять универсальный рейтинг моделей.

А брать небольшие реальные задачи и показывать, что произошло на самом деле.

Как будет устроена проверка

Каждый практический эксперимент будет строиться вокруг одной атомарной задачи.

Например:

• изменить конкретное поведение готового сайта;
• объединить несколько таблиц;
• найти опасный пункт договора;
• разобрать один звонок менеджера;
• подготовить ответ клиенту без выдуманных фактов;
• провести исследование конкурентов по заданным критериям.

Несколько доступных нейросетей получат одинаковые исходные материалы и один обычный пользовательский запрос.
Я не буду заранее писать отдельный профессиональный промт под каждую модель.
Потому что проверяю не предел возможностей при участии специалиста по промтам.

Я проверяю ожидание обычного пользователя:

Описал задачу своими словами и получил готовую работу.

После этого я буду оценивать полный результат:

• вернула ли модель то, что было запрошено;
• можно ли это открыть и использовать;
• сохранилось ли всё, что не просили менять;
• появились ли скрытые ошибки;
• сколько времени заняла генерация;
• сколько времени потребовала проверка;
• понадобилась ли ручная доработка;
• остался ли в итоге нужен специалист.

Что я хочу получить от этой серии

У серии есть практическая задача.

Во-первых, меньше повторять одни и те же объяснения клиентам.
Вместо спора можно отправить короткое видео, полный выпуск или статью с исходными материалами и результатами.

Во-вторых, сформировать базу наблюдений для IT-консалтинга и индивидуальной разработки.
Когда приходит новый запрос на AI-функцию, важно понимать не только то, способна ли модель выполнить отдельную операцию, но и какой контур нужен вокруг неё.

В-третьих, искать новые продуктовые гипотезы.
Если обычный бесплатный чат стабильно закрывает задачу одним запросом, возможно, отдельный сервис не нужен.
Если модели регулярно теряют контекст, нарушают критерии или требуют дорогой проверки, появляется основание исследовать отдельный продукт.

И наконец, эта работа должна помогать развивать “Дожми Продажи”.
Но продукт не будет заранее объявляться победителем каждого эксперимента.

Сначала задача и проверяемый результат.
Только потом вывод о том, где достаточно модели, а где нужна система вокруг неё.

Вместо вывода

Я понял, что больше не хочу убеждать людей словами.
Я хочу брать реальные задачи и показывать, что нейросеть сделала на самом деле.

Не умеет ли она красиво отвечать.
А можно ли использовать её ответ в работе и отвечать за результат.

Следующий материал серии посвящён вопросу, который часто используют как универсальное доказательство проблем AI.