ChatGPT и Codex быстро обрастают новыми рабочими режимами: файлы, браузер, голос, долгие цели, запись процессов и публикация сайтов. Собрал, что из этого уже имеет практический смысл и как этим пользоваться.
Я убрал из эксперимента распознавание картинки и передал нейросетям готовую текстовую таблицу. Чтение данных стало точнее. Но теперь лучше проявилась другая проблема: где заканчиваются цифры и начинается уверенная интерпретация модели.
Девять AI-моделей получили одну таблицу и просьбу подготовить рекомендации к планёрке. Ни один ответ нельзя было использовать без проверки контекста и звонков.
Четыре сервиса исправили мобильные вкладки. Но два результата создали новые проблемы, и только два файла прошли полную проверку.
Сравнение моделей останется методом эксперимента. Главным сюжетом станет работа, которую раньше пришлось бы поручить человеку.
Единой цифры провала AI-проектов нет. Разные исследования измеряют разные уровни успеха и не должны складываться в один универсальный процент.
Клиент видит желаемый результат. Я вижу данные, интеграции, тестирование и ответственность. Вместо новых объяснений я решил показывать реальные проверки.
Замена модели - не миграция. Для десятков агентов нужен реестр, golden tests, поэтапный rollout и готовый откат.
Новой модели нужно меньше процедурного микроменеджмента и больше ясности в результате, границах автономности и проверке.
Codex расходует ресурс не за сам текст запроса, а за всю траекторию агентной работы. Поэтому внешне похожие задачи могут стоить совершенно по-разному.
Один аккаунт не означает один понятный счетчик. У обычного чата, агентных функций и API разные механики учета.
Самый дорогой режим не должен быть дефолтом. Его нужно включать тогда, когда сложность и цена ошибки действительно это оправдывают.
Главный вопрос не в длине материала, а в том, требуется ли извлечение фактов, интерпретация или ответственное управленческое решение.
Новая модель сильнее во многих сценариях, но это еще не означает, что старую нужно немедленно выключить во всех процессах.
Первый выбор теперь не модель, а рабочая поверхность. Разбираемся, где нужен Chat, Work, Codex, Deep Research, Projects, Tasks или API.
AI уже встроен во множество наших бизнес-задач. Новое поколение моделей заставляет проверить не только качество ответов, но и всю систему работы.
Ожидал улучшение модели, а получил остановку работы, повторные попытки и необходимость заново разбираться в системе из моделей и reasoning.
Почему зрелое внедрение ИИ начинается не с большого корпоративного мозга, а с одного доверенного участка, данных, критериев и калибровки.
Почему ИИ повторяет путь CRM, Excel и 1С: инструмент не создаёт порядок, если не встроен в реальные процессы и поведение людей.
Почему люди, вдохновившись возможностями ИИ, быстро достраивают красивую картину корпоративного разума, но не сразу видят слой внедрения.
Почему ИИ не снимает с человека ответственность, а требует еще более явного процесса, контроля данных и регулярной калибровки.
SaaS конкурировал экранами, подпиской и удобством. AI-софт может конкурировать другим: способностью принять намерение, связать его с контекстом, безопасно выполнить действие и объяснить основание.
В звонках, переписках и письмах уже есть знания о клиентах, продажах, возражениях, спросе и слабых местах команды.
Агент без памяти компании остаётся универсальным помощником. Агент, который опирается на коммуникационный след, историю сделок, правила и подтверждённые паттерны, становится бизнес-инструментом.
Одна платформа может быть удобной. Но если весь рабочий контекст живёт только там, удобство постепенно превращается в единственную точку отказа.
Пользователь может говорить живым языком, но за этим языком часто скрыты неполные данные, смешанные цели и неясный критерий результата. Сильный продукт должен не просто слушать, а помогать уточнять.
Если действие влияет на деньги, клиентов или управленческие решения, пользователю мало сказать команду. Ему нужно увидеть, что система поняла, на каких данных стоит вывод и что будет сделано дальше.
Голос и чат удобны для входа в задачу. Но когда за фразой стоит сложный бизнес-контекст, продукт должен не просто услышать команду, а понять, что можно делать, на каких данных и с какой уверенностью.
Когда компания долго работает с нейросетью, ценность появляется не только в самом инструменте. Она появляется в контексте, инструкциях, примерах, истории решений и способе думать вместе с этой системой.
Михаил Токовинин точно поймал сдвиг: пользователь всё меньше хочет изучать экран и всё больше хочет сказать задачу обычным языком. Но намерение - это только вход в продукт, а не весь продукт.
Нейросети дают скорость, но вместе со скоростью появляется новая зависимость: компания начинает хранить рабочие знания во внешнем продукте.
