Дмитрий Колесник | О нейросетях и бизнесе

Навык "Лид": как ИИ-агент сам создаёт сделку в CRM Клиент позвонил, вы поговорили, положили трубку. Куда ушли данные? Обычно в голову. Потом "запишу позже". Потом забыл. Я научил агента делать это за меня. Нажимаю кнопку "Лид" в Телеграме. Агент отвечает одной фразой: "Отправьте данные клиента. Когда закончите, напишите Готово." Дальше скидываю всё, что есть: имя, телефон, суть запроса, скриншоты переписки, визитку, PDF. Можно несколькими сообщениями, можно голосом, можно вперемешку. Агент молчит. Не торопит, не переспрашивает, не пытается "помочь" после первого сообщения. Просто копит контекст. Пишу "Готово". Агент: - собирает данные из всех сообщений - извлекает имя, телефон, задачу - создаёт контакт и сделку в amoCRM - загружает файлы в хранилище CRM - ставит задачу "Связаться с клиентом" - возвращает ссылку на сделку 30 секунд. Без открытия CRM, без заполнения форм.

Когда я впервые настраивал OpenClaw, ожидал неделю ковыряния в коде. На деле первая рабочая версия агента запустилась за вечер. Вся архитектура построена на трёх уровнях, и каждый из них описывается обычным текстом. Первый уровень: конфигурация. Один JSON-файл. В нём указано, какая нейросеть используется, к какому Телеграм-боту подключён агент, кому разрешён доступ, какие команды показывать в меню, расписание напоминаний. Двадцать строк, всё читаемо. Второй уровень: личность и правила поведения. Это набор текстовых файлов, так называемых промптов. В них описаны имя агента, характер, язык общения. Но самое важное: сценарии поведения. Например: "Получила голосовое сообщение, сразу выдай суть и план действий. Не спрашивай, что делать с текстом." Или: "Пользователь отправляет данные клиента серией сообщений. Молчи, пока не увидишь слово Готово. После этого собери всё и действуй." Именно это отличает агента от чат-бота. Чат-бот ждёт вопрос и отвечает. Агент знает сценарий и выполняет его до конца. Третий уровень: навыки. Каждый навык, это папка с инструкцией и скриптом. Инструкция говорит агенту, когда и как действовать. Скрипт выполняет конкретную работу: создаёт запись в CRM, отправляет данные в таблицу, вызывает внешний сервис. Хочешь изменить сценарий? Правишь текстовый файл, перезапускаешь сервис. Изменения подхватываются за минуту. По сути, поведение агента описывается так же, как вы объясняли бы задачу живому ассистенту. Только этот ассистент не забывает инструкции, не путает последовательность шагов и работает круглосуточно.

Чат-бот отвечает на вопросы. ИИ-агент выполняет задачи. Разница принципиальная. Когда я искал решение для автоматизации повторяющихся задач, мне не нужен был ещё один "умный чат". Мне нужен был агент, который сам создаст сделку в CRM, сам напомнит о задачах утром, сам разберёт голосовое сообщение и выдаст план действий. Без моих дополнительных команд. OpenClaw, это готовый движок для таких агентов. Устанавливается на свой сервер, подключается к Телеграму, работает с нейросетями через сервис OpenRouter. Что мой агент Василиса делает каждый день: - получает голосовое сообщение, транскрибирует его, выдаёт суть и список шагов - каждое утро в 9:00 сама присылает задачи на сегодня и ближайшие три дня - по команде собирает данные клиента из нескольких сообщений и сама создаёт сделку в amoCRM с прикреплёнными файлами - по воскресеньям напоминает спланировать неделю Ключевое отличие от чат-бота: агент не ждёт, пока я всё разжую. Он получает вводные и действует. Сам вызывает скрипты, сам пишет в CRM, сам форматирует результат. Это не коробочный сервис с подпиской. Сервер мой, данные мои, логику меняю под свои задачи. Виртуальный сервер обходится в 600 рублей в месяц, нейросеть Gemini 2.5 Flash, стоимость запросов копеечная. В следующих постах серии разберу, как агент устроен внутри, как добавлять ему новые навыки и где на практике проходит граница между "ассистентом" и "агентом".

ИИ уже может заменить большинство офисных работников. Почему этого до сих пор не произошло Anthropic (создатели нейросети Claude) опубликовали большое исследование о влиянии ИИ на рынок труда. Они проанализировали миллион реальных диалогов пользователей с нейросетью и сравнили два показателя: что ИИ теоретически может делать в разных профессиях, и что реально делает на практике. Результаты оказались неожиданными. Теория и практика: огромный разрыв На графике из исследования синий контур показывает теоретический потенциал ИИ. Красный: реальное использование. Разница бросается в глаза 👀 Конкретные цифры: 1. Программисты и математики: ИИ потенциально закрывает до 94% задач, а реально используется для 33% 2. Юристы, финансисты, инженеры: потенциал высокий, но на практике ИИ в эти профессии почти не проник 3. Повара, механики, строители: около 30% рабочих мест вообще не затронуты. ИИ не может заменить физический труд Что уже происходит на рынке труда Массовых сокращений после появления ChatGPT в 2022 году не случилось. Но один тренд подтверждён данными: найм молодых специалистов 22-25 лет в профессиях, связанных с обработкой информации, упал на 14%. Компании не увольняют действующих сотрудников. Но на стартовые позиции нанимают меньше. Рутинную работу, которую раньше отдавали новичкам, теперь закрывают нейросетями. Почему ИИ внедряется так медленно Я работаю с ИИ каждый день: настраиваю нейросетевых ассистентов для бизнеса, интегрирую их в CRM и процессы продаж. И вижу ту же картину, что показывает исследование. Бизнес охотно обсуждает ИИ на планёрках и конференциях. Но реально внедряет единицы. Между «ИИ теоретически может» и «мы встроили это в ежедневный процесс» лежит большая работа: нужно перестроить процессы, обучить людей, настроить интеграции, проверить качество. Технология готова. Процессы нет 🤷 Именно поэтому красный контур на графике такой маленький. Что делать уже сейчас 1. Не паниковать, но и не игнорировать. Окно возможностей пока открыто. Кто учится работать с ИИ сейчас, получит преимущество через год 2. Если вы в начале карьеры, наращивайте экспертизу быстрее. Стартовые позиции с рутинными задачами будут сокращаться первыми 3. Физический труд пока в полной безопасности. Ни одна нейросеть не заменит электрика или повара 4. Учитесь использовать ИИ как инструмент. Специалист, который умеет работать вместе с нейросетью, стоит дороже того, кто работает без неё Этот разрыв между теорией и практикой будет сокращаться быстро. Вопрос не в том, заменит ли ИИ вашу работу. Вопрос в том, научитесь ли вы работать с ним раньше ваших конкурентов.

OpenAI выпустила обновление ChatGPT, GPT-5.3 Instant. Проверил на практике Обновление доступно всем пользователям ChatGPT. OpenAI обещает, что модель стала отвечать естественнее, без лишних оговорок и отказов, которые были в предыдущей версии. Также заявлено, что модель реже выдаёт придуманную информацию и точнее работает с поиском в интернете прямо из чата. Решил проверить сам и нашёл два любопытных момента: 1. Попросил ChatGPT транскрибировать аудиофайл. Модель уверенно ответила, что умеет это делать. Загрузил файл и получил: «не смог запустить распознавание речи». Стал разбираться, оказалось, в системе ноль установленных моделей для распознавания. То есть модель пообещала то, чего физически не могла выполнить. 2. Модель заявила, что «интернет отключён». Спрашиваю: если интернета нет, как мы тогда с тобой общаемся? ChatGPT задумался и признал, что надо было сразу сказать, а не водить за нос. Модель действительно отвечает быстрее, разговорный стиль стал приятнее. Но галлюцинации никуда не делись: модель по-прежнему уверенно говорит «могу», а потом выясняется, что не может 🙃 Сегодня же вышла версия 5.4. Посмотрим, научится ли она говорить «не знаю» сразу, а не после пяти сообщений.

По данным WSJ, Claude от Anthropic был задействован в январской операции американских военных по захвату бывшего президента Венесуэлы Николаса Мадуро. Операция включала бомбардировку объектов в Каракасе и завершилась арестом Мадуро и его жены. Модель использовалась через партнёрство Anthropic с Palantir Technologies, компанией, чьи инструменты Министерство обороны США применяет регулярно. Сам пользуюсь Claude и Claude Code и это реально крутые нейросети. Sonnet 4.6 и Opus 4.6 делают глубокий анализ, пишут код, собирают презентации в ppt прямо из чата. Качество материала выше, чем у ChatGPT, особенно в сложных задачах. Но есть один большой минус, который портит всё удовольствие: лимиты на токены заканчиваются быстро.

Масштабирую сервис контроля качества звонков. На практике показывает высокую эффективность. Он актуален для компаний, где есть телефонные переговоры с клиентами. Чаще всего деньги теряются именно в звонках: не уточнили, не дожали, не зафиксировали следующий шаг. Клиент ушёл, а рекламный бюджет уже потрачен. Что делает сервис? Он разбирает каждый звонок и превращает аудио в управляемую систему: - делает транскрипцию - даёт оценку качества - отмечает, где было сильное и где провал - пишет, что исправить - фиксирует следующий шаг по клиенту. Важный момент: речь не о тотальном контроле, а про обучение и рост команды. Сервис помогает быстро находить повторяющиеся ошибки и подтягивать слабые места. Сервис интегрируется в amoCRM и Битрикс24. Если интересно, пишите в личку.

Я на днях тестировал OpenClaw и писал о нём, а сегодня новость: создатель OpenClaw Питер Стайнбергер официально присоединился к OpenAI. Анонс сделал Сэм Альтман. Питер возглавит направление агентских продуктов, которые работают с личными задачами и данными. При этом: OpenClaw не "закрывают". Проект остаётся open source и переходит под управление отдельного фонда, а OpenAI продолжит поддерживать. Если коротко, это выглядит как сигнал: начинается новая эра агентов, которые живут рядом с пользователем и делают работу каждый день. Внедряйте ИИ-агентов, это будущее, они сильно ускоряют работу.

OpenClaw — популярный open-source инструмент, из которого собирают ИИ-помощника “с руками”, а не просто чат. Он подключается к каналу общения (чаще Telegram): принимает текст, голосовые и файлы → отправляет в выбранную LLM → возвращает ответ туда же. А если нужно — умеет делать действия: запускать команды, ходить в сервисы, собирать отчёты и выдавать готовый результат. Почему вокруг него шум: поставить относительно просто, код открыт, и многие быстро собирают “своего ассистента” под конкретные сценарии — резюме голосовых, список задач, черновики писем, ответы по документам. Но это не магия. Чем больше доступов вы даёте такому помощнику, тем выше цена ошибки.

Как повысить эффективность отдела продаж? Иногда достаточно одного шага: подключить IP-телефонию и связать её с CRM (хоть Битрикс, хоть amoCRM). Сразу видно реальную картину: сколько звонков делает каждый, сколько пропускает, где теряются лиды. Интересно, но запись разговора порой лучше дисциплинирует чем планёрки. А если добавить ИИ-модуль, звонки превращаются в текст: расшифровка, ключевые моменты, подсказки по следующему шагу. Вроде простые, но очень эффективные решения.

Ещё недавно вокруг запросов к нейросетям было много «магии»: базы промптов, шаблоны, роли, специальные метки. Казалось, что правильная формулировка делает модель заметно умнее. Сейчас для простых задач это почти не даёт преимущества. Современные модели лучше понимают обычные человеческие просьбы: важнее смысл, вводные и ограничения, а не украшения текста. Но есть ловушка. От ощущения «модель и так всё понимает» легко начать писать расплывчато. И тогда нейросеть вернёт Вам аккуратно оформленный, уверенный… хаос. Профессия «промпт-инженер» умирает. Её заменяет навык постановки задачи: сформулировать результат, дать данные и проверить ответ. Вывод: меньше веры в «магические промпты», больше — в ясность мышления.