ИИ, который пишет письма вместо вас: метод из 20-минутной настройки

Обещание «ИИ пишет письма как я» звучит уже пару лет, но большинство таких настроек ломается на втором сообщении: получается вежливый, но узнаваемо синтетический текст. В ролике Dylan Davis описан метод, который решает именно эту проблему — не через более изощрённый промпт про стиль, а через смену порядка операций. Автор называет это email map, и это, пожалуй, самая содержательная часть видео о том, как вообще стоит собирать ИИ-ассистент для email.

Почему один «тон» — ловушка

Первая и главная мысль ролика: тон — это последнее, что должен воспроизводить ИИ-ассистент для email, а не первое. Человек не пишет одинаково коллеге и незнакомому клиенту, отказ отличается от благодарности не только словами, но и логикой построения ответа. Большинство инструкций «пиши в моём стиле» упускают это и получают усреднённый голос без контекста ситуации.

Davis предлагает трёхшаговую модель для каждого письма: сначала определить категорию (что это за тип обращения), затем — какой контекст и какое суждение нужно применить, чтобы ответить по существу, и только в последнюю очередь — облечь это в узнаваемый стиль. Тон, по его словам, это надстройка над решением, а не замена ему.

Email map: как ИИ учится не звучать, а думать

Технически это оформлено как один длинный промпт: модели дают доступ к 500–600 отправленным письмам (через коннекторы к почте, календарю, облачным дискам и мессенджерам) и просят выделить категории обращений, а для каждой — «литературный отпечаток» (literary fingerprint) и типичное суждение при ответе. Итог такой сессии — не готовый скилл, а документ-спецификация, который нужно прочитать самому: совпадают ли категории с реальностью, узнаётся ли в тоне собственный голос, верно ли схвачена логика решений.

Разделение по сложности суждения

Полезное наблюдение из практики автора: у большинства писем суждение простое, но у части — сложное и многофакторное. Такие кейсы стоит выносить в отдельный skill и вызывать его из основного «письменного» скилла как подпроцесс, а не утяжелять один универсальный промпт. Это частный случай общего принципа работы со skills: они лучше работают как узкие, состыкованные модули, а не как одна разросшаяся инструкция.

От документа к рабочему skill для ответов на письма

После ревью документ превращается в skill буквально одной фразой, но полезнее задать рамки явно: ограничить область последними 24 часами непрочитанных писем, прописать доступ к нужным коннекторам, добавить мягкое правило «только черновик, никогда не отправлять» и продублировать его жёстким ограничением прав самого коннектора почты. В конце skill стоит зашить самопроверку — бинарные критерии, по которым модель сама оценивает черновик перед тем, как его показать.

Тест на 8 из 10 — и только потом расписание

Критерий готовности у автора конкретный: если восемь из десяти черновиков либо готовы к отправке, либо требуют мелкой правки, skill можно ставить на расписание. Если нет — искать не единичные ошибки, а систематические, повторяющиеся в нескольких письмах, и вносить точечную правку именно в них, не переписывая skill целиком. Это тот же принцип, что и в разработке промптов вообще: чинить закономерность, а не отдельный случай.

Кому это пригодится

Метод рассчитан на людей с большим и разнотипным объёмом переписки — консультантов, менеджеров, основателей небольших бизнесов. Инвестиция в 20–30 минут анализа плюс ручное ревью документа окупается тем, что автоматизация переписки с ИИ перестаёт быть косметической и начинает реально экономить время: черновики достаточно открыть и нажать «отправить», а не переписывать заново.

Главный практический вывод ролика в том, что качественный ИИ-ассистент для email — это не promt engineering в чистом виде, а маленький процесс: собрать данные о собственных решениях, зафиксировать их в документе, проверить на себе, протестировать на свежих письмах и только потом довериться расписанию. Пропуск любого из этих шагов — и получится ровно тот самый «робот», от которого метод должен был избавить.