«ИИ мне не подходит» почти всегда значит одно

«Я попробовал ИИ, и мне не подошло» — фраза, которую AI-консультант Dylan Davis слышит почти каждую неделю. И в девяти случаях из десяти дело не в инструменте: люди направляют его не на ту задачу. Вопрос «какие задачи подходят для ИИ» звучит просто, но большинство пропускает его вовсе — сразу переходя к вопросу выгоды: сколько времени это сэкономит. Дэвис предлагает добавить второй фильтр и пять конкретных вопросов, которые проверяют его за несколько минут, без месяцев проб и ошибок.

Два вопроса вместо одного

Первый вопрос, с которого обычно стартуют: что отнимает больше всего времени и какая тут отдача. Это разумная точка входа — Дэвис и сам с неё начинает работу с клиентами. Но без второго вопроса — а способен ли ИИ вообще хорошо справиться с этой конкретной задачей — легко потратить недели на автоматизацию того, что модель в принципе не умеет делать надёжно. Второй фильтр можно нарабатывать интуицией годами, а можно — и это практичнее для старта — прогнать задачу через пять чек-вопросов. Важная оговорка: автоматизировать нужно не «бухгалтерию» или «поддержку клиентов» целиком, а один конкретный шаг внутри процесса — иначе вопросы не сработают.

Какие задачи подходят для ИИ: пять быстрых вопросов

Есть ли чёткий бинарный результат и весь нужный контекст

Первый вопрос: можно ли однозначно сказать, что ИИ справился — да или нет? Ответ на письмо клиента легко проверить бинарно. А вот «составь бюджет на квартал» — задача мутная, пока её не разложить на измеримые критерии («уложился ли ИИ в диапазон» и так далее). Полезный трюк: попросить сам ИИ превратить расплывчатое «хорошо сделано» в список бинарных критериев — обычно результат получается на удивление рабочим. Второй вопрос — про доступ: видит ли модель всё, что нужно для задачи, — контракты, переписку, файлы. Если часть знаний живёт только в голове человека, их можно вытащить через ИИ-интервью: 10–15 вопросов подряд, а на выходе — документ, понятный будущим запускам модели.

Похожа ли задача сама на себя — и что будет, если ИИ ошибётся

Третий вопрос часто понимают неверно, ожидая от ИИ идентичных входов и выходов, как от классического скрипта. На деле важна не идентичность, а форма: одинаковая структура результата при разных вводных. Письмо по итогам еженедельной встречи каждый раз получает разных адресатов и разные выводы, но остаётся тем же письмом — это и есть хороший кандидат на автоматизацию. Четвёртый вопрос — цена ошибки: высокий финансовый, юридический или репутационный риск не значит «ИИ нельзя», это значит «нельзя без человека в цикле». Пятый, самый простой: нужно ли физическое присутствие человека — переговоры, ужин с клиентом, сложный разговор с сотрудником. Здесь ИИ пока не заменяет — зато может подготовить: собрать контекст, цифры, вероятные возражения.

Три корзины вместо одного решения «да или нет»

По итогам пяти вопросов задачи раскладываются не в два, а в три кармана. Чёткая цель плюс низкий риск — делать прямо сейчас. Чёткая цель, но высокий риск — оставлять ИИ черновик, а решение и отправку — человеку. И третий вариант — отложить: задача либо слишком сложна для текущих моделей, либо результат проявится только через полгода-два, и сравнивать пока не с чем. Важный нюанс: отложенное не значит забытое. Модели у Google, Anthropic и OpenAI обновляются каждый месяц, и задачу, которая не прошла проверку сегодня, стоит прогонять через те же пять вопросов заново хотя бы раз в месяц.

Почему это важнее, чем гнаться за новой моделью

Ценность метода Дэвиса не в самих пяти вопросах — они довольно очевидны по отдельности. Ценность в том, что они превращают смутное разочарование «мне не подошло» в конкретный диагноз: нет бинарного критерия, не хватает контекста, слишком высокий риск для полной автоматизации или физически нужен человек. Это дешевле, чем ещё один раунд экспериментов с промптами, и куда полезнее, чем ждать очередной релиз модели в надежде, что она сама разберётся. Для тех, кто внедряет ИИ в рабочие процессы, а не просто балуется чат-ботом, привычка сначала отбирать задачу, а потом уже инструмент — куда более рабочая стратегия, чем поиск идеальной модели под нечёткую цель.