Артём Пруденко — руководитель цифровой трансформации, с 2013 года в теме машинного обучения и ИИ, с 2021 года активно внедряет ИИ в крупных компаниях.
Почему ИИ снова стал трендом именно сейчас
ИИ как технология не появился вчера. Нейросети переживали несколько «волн хайпа» — и несколько «зим», когда бизнес вкладывался, но не получал выхлопа.
Ключевая мысль:
- ИИ не «внезапно изобрели» в 2022-м — просто к этому моменту сложились условия:
- выросли вычислительные мощности;
- накопились данные;
- появились архитектуры, которые масштабируются.
Артём напоминает исторический контекст:
- математические модели нейрона появились задолго до сегодняшнего хайпа;
- ранние «экспертные системы» дали всплеск ожиданий, но бизнес не получил результата — наступила одна из «зим ИИ»;
- новая волна стала возможной, когда индустрия научилась ускорять обучение и применение моделей.
Важное уточнение для бизнеса: «ИИ нужен» — чаще всего не про ИИ
Почти в каждой компании звучит запрос: «Нам нужен искусственный интеллект».
Но реальность жёстче:
- 80% задач бизнеса — это аналитика данных, а не генеративный ИИ.
- Если вам нужно «проанализировать продажи» — сначала нужны данные, аналитики, BI и нормальная работа с датой.
- Прогнозирование — это классическое машинное обучение, не обязательно LLM.
- Генерация (текст, идеи, контент, сценарии, резюме встреч, черновики документов) — вот зона, где GPT-уровень действительно даёт быстрый эффект.
Живой кейс: как попросить модель придумать фичи и расставить приоритеты
Артём предлагает простой сценарий: нужно придумать фичи для нового продукта и приоритезировать их.
Ключевой вывод из обсуждения: если писать запросы «как в Google», вы почти гарантированно получите размытый ответ.
Нужно ставить задачу как очень способному, но «не сообразительному джуну»:
- он активный и мощный;
- но без чёткой инструкции легко утащит всё в сторону.
Базовый фреймворк промтинга для менеджера: CORE
Артём использует понятный «скелет» промта, который работает почти всегда:
- Context — контекст
- Object — объект (что анализируем)
- Role — роль, из которой отвечает модель
- Expected output — формат результата на выходе
Зачем нужна роль:
- роль сужает фокус. Модель может «быть кем угодно», но менеджеру важно получить ответ строго с нужной оптики — продуктовой, аналитической,
- финансовой, операционной.
Примерная логика:
«Ты — ведущий продуктовый аналитик. Проанализируй 15 фич. Выбери 5, которые принесут максимум денег. Дай таблицу и обоснование выбора».
Дополнительные усилители:
- запрос «объясни как пятилетнему» — для проверки ясности;
- tone of voice — чтобы ответ был в нужной подаче (экспертно, просто, структурно).
Агенты и «зашитый контекст»: можно ли не повторять вводные каждый раз
Да, можно.
Это следующий шаг: не разовый промт, а агент — модель с заранее заданной ролью, правилами и базой знаний (системный промт + документы).
Пример из практики: Kanban Coach — бот, который отвечает в рамках конкретной методологии и внутренних материалов.
Инфобез и здравый смысл: что нельзя делать с облачными LLM
Важный блок вебинара — про безопасность.
Если модель не развернута в контуре компании:
- обезличивайте данные (ID вместо ФИО, кодировка справочниками);
- не грузите коммерческую тайну и внутренние цифры в сыром виде;
- не отдавайте в облако бэклог/продуктовые планы/внутреннюю аналитику без маскирования.
Рекомендация: если ИИ нужен системно, дешевле и безопаснее развернуть on-premise модель. Сегодня это реально даже на обычном железе для базовых задач.
Где ИИ даёт лучший эффект именно менеджеру
По опыту Артёма, самые «прикладные» сценарии:
1) Саммаризация
- итоги встреч;
- action items;
- распределение задач по ролям;
- стенограммы и краткие протоколы.
2) Аналитика процессов и метрик
- быстрый разбор данных по командам;
- поиск паттернов;
- подготовка выводов для руководства.
3) Онбординг и обучение
- «внутренний тренер» по методологиям и процессам;
- генерация воркшопов и учебных материалов;
- помощь фасилитатору.
4) Подготовка к встречам
- быстрое резюме больших презентаций/документов;
- извлечение сути, рисков и вопросов.
5) Дашборды и визуализация
Модель может:
- написать Python-код;
- собрать простой дашборд;
- быстро визуализировать данные для обсуждения с бизнесом.
«Глубинки» через модель: можно ли им доверять
Вопрос из чата: можно ли «провести» интервью с целевой аудиторией через LLM?
Ответ:
- как быстрый предварительный эксперимент — да.
- как финальная основа для решений «на большие деньги» — только с проверкой на реальных пользователях.
Правило: доверяй, но проверяй.
И помните про параметры генерации (температура): чем выше — тем больше «креатива» и риск бреда; чем ниже — тем ближе к фактам и вашему контексту.
Что входит в обучение, если идти глубже
Артём кратко описывает, как устроен курс:
- базовый промтинг и безопасность;
- продуктовая проработка: от идеи до бэклога;
- delivery/агентские сценарии: метрики, воркшопы, обучение, агенты;
- разбор кейсов участников по запросу группы;
- общий банк промтов и обмен наработками между потоками.
Финальные тезисы
- GPT — это инструмент управления вниманием и структурирования работы.
- Большинство бизнес-запросов «про ИИ» на самом деле про данные и аналитику.
- Промтинг — это инструкция для «очень сильного джуна»: задачу нужно формулировать чётко.
- CORE (контекст–объект–роль–выход) — базовый фреймворк, который стабильно даёт результат.
- Инфобез — не факультатив: обезличивайте и не отдавайте в облако чувствительное.
- Максимальный эффект в менеджменте дают саммаризация, аналитика, обучение и подготовка решений.