Есть момент в работе любого небольшого бизнеса, когда всё упирается в одного человека. Не потому что он плохо управляет. Потому что вокруг него скопился слой задач, которые нельзя не делать, нельзя выбросить, но которые по отдельности кажутся слишком мелкими, чтобы нанимать под них отдельного человека.
Разбор почты с вопросами от потенциальных клиентов. Ответы на типовые запросы. Составление текстов по заявкам. Первичная проверка документов. Подготовка еженедельных сводок. Сортировка входящих заявок. Каждое занимает 15-40 минут. Их несколько в день. В сумме: два-три часа ежедневно на задачи, которые не двигают бизнес вперёд, а поддерживают его на плаву.
Обычное решение: нанять ассистента. Логично, но в малом бизнесе это быстро упирается в реальность. Хорошего ассистента нужно найти, ввести в курс дела, объяснить контекст каждой задачи, постоянно проверять. Ввод в должность занимает три-четыре недели. Если человек ушёл, всё начинается заново.
ИИ-ассистент снимает часть этой проблемы. Не весь слой рутины, но конкретные задачи, у которых есть чёткая структура. И здесь важно сразу обозначить: "просто использовать ChatGPT" и "настроить ИИ-ассистента" -- это разные вещи с разным результатом.
В чём разница между ChatGPT и настроенным ассистентом
Когда человек открывает ChatGPT и пишет "помоги составить ответ клиенту", модель не знает ничего о его бизнесе. Не знает тон, которым принято общаться. Не знает стандартные ответы на типовые вопросы. Не знает, что в этой фирме принято предлагать сначала бесплатную консультацию, а не сразу прайс. Модель угадывает. Результат нейтральный, усреднённый, требует переделки.
Это как поставить перед новым сотрудником задачу в первый день работы, ничего ему не рассказав о компании. Он сделает что-то, но это будет его представление о том, как надо, а не ваш стандарт.
Настроенный ИИ-ассистент строится из трёх слоёв контекста.
Первый: роль и задача. Что именно этот ассистент делает, в какой ситуации используется, чего от него ждут.
Второй: контекст фирмы и правила. Как принято общаться с клиентами, что нельзя обещать, какие стандартные ответы существуют, каков голос бренда, какие исключения обрабатываются отдельно.
Третий: примеры хорошего результата. Несколько образцов, вот задача, вот то, что получилось правильно. Модель понимает стандарт качества не из описания, а из конкретики.
С этими тремя слоями ответы перестают быть усреднёнными. Они начинают звучать как ваша фирма.
Три кита системы делегирования
Прежде чем собирать первого ассистента, имеет смысл понять, из чего состоит работающая система.
Роль
Роль -- это ответ на вопрос "кто этот ассистент и что он делает". Не абстрактный ИИ-помощник, а конкретная функция.
Ассистент по первичному скринингу заявок: читает входящее обращение, классифицирует по типу (новый клиент, действующий клиент, поставщик, другое), извлекает ключевые данные и формирует краткую сводку для менеджера.
Ассистент по ответам на типовые вопросы: получает вопрос клиента, проверяет по базе стандартных ответов, возвращает черновик ответа в голосе компании.
Ассистент по подготовке еженедельных отчётов: принимает набор данных из CRM или таблицы, форматирует по шаблону, выделяет аномалии и возвращает готовый черновик.
Чем уже сформулирована роль, тем точнее результат. "Помогает с клиентами" -- слишком широко. "Пишет первичный черновик ответа на запрос о сотрудничестве в голосе нашей компании" -- рабочая роль.
Контекст и правила
Контекст -- это то, что модель знает о вашем бизнесе и о задаче. Он передаётся в тексте системного промпта или в блоке инструкций, если используете Custom GPT или проект Claude.
Что входит в контекст:
Описание фирмы и её специфики. Не пресс-релиз, а операционная суть: чем занимаетесь, кто клиенты, как устроен рабочий процесс.
Голос и тон. Как принято общаться: формально или разговорно, на "вы" или на "ты", с эмодзи или без. Если есть шаблоны писем или ответов, которые уже используются, они идут сюда дословно.
Правила и ограничения. Что ассистент не должен обещать или брать на себя. Что требует эскалации на человека. Что является исключением из стандартного правила.
Конкретные данные. Прайс, список услуг, стандартные ответы на частые вопросы, часы работы, адрес, условия доставки -- всё то, что клиент обычно спрашивает и что ассистент должен знать точно.
Чем конкретнее этот блок, тем меньше ассистенту придётся угадывать.
Примеры хорошего результата
Примеры -- это самый часто пропускаемый элемент. Люди пишут роль и правила, но не дают образцов. Результат: ассистент понимает что делать, но не понимает как именно.
Правило простое: минимум три-пять примеров в формате "вот задача -- вот то, что получилось правильно". Для ассистента по ответам на клиентов это выглядит так:
Входящий вопрос: "Можно ли у вас заказать доставку в другой город?" Правильный ответ: "Да, доставляем по всей России. Сроки и стоимость зависят от региона, рассчитаем точно после уточнения адреса. Напишите, куда нужно доставить."
Входящий вопрос: "Вы работаете в выходные?" Правильный ответ: "Принимаем заявки в режиме 24/7, менеджер ответит в рабочее время -- с 9 до 19 в будни. Если срочно, пишите, постараемся помочь быстрее."
С такими примерами модель видит не только содержание, но и длину ответа, стиль, структуру. Это значительно повышает точность.
Как собрать ассистента за один подход
Есть несколько платформ для сборки ассистентов. Выбор зависит от задачи и того, насколько нужна автоматизация.
Claude Projects и Custom GPTs -- для ручного режима. Ассистент готов отвечать на ваши запросы без программирования. Вы открываете проект или чат, вставляете задачу и получаете ответ. Подходит для задач, где инициатива всегда исходит от человека: написать черновик письма, подготовить структуру документа, разобрать запрос.
n8n с ИИ-API -- для автоматического режима. Ассистент работает сам по триггеру: пришла форма с сайта, пришло письмо, обновилась таблица. Подходит для задач, где входящие данные поступают регулярно и обработка должна идти без участия человека.
Для первого ассистента проще начать с ручного режима на Claude Projects или Custom GPT, потом переводить в автоматику.
Конкретная последовательность сборки:
Шаг первый. Написать системный промпт. Это основной документ ассистента. Структура: кто ты (роль), что ты делаешь (задача), что ты знаешь о компании (контекст), по каким правилам работаешь, что делать нельзя. Объём -- от 200 до 1000 слов в зависимости от сложности задачи. Не нужно делать его идеальным с первой попытки: пишете черновик, тестируете на реальных запросах, правите.
Шаг второй. Добавить примеры. После системного промпта дайте ассистенту три-пять примеров в формате вход/выход. Лучший источник примеров -- ваши собственные прошлые ответы или результаты работы. Нет готовых примеров -- придётся написать вручную, это одноразовая работа.
Шаг третий. Протестировать на реальных задачах. Берёте последние десять реальных входящих запросов и прогоняете через ассистента. Смотрите, в скольких случаях результат нужно переделывать и почему. Обычно при первом прогоне видны одни и те же пробелы: не хватает конкретных данных в контексте, тон не тот, правила не покрывают нестандартные случаи. Правите промпт, тестируете снова.
Шаг четвёртый. Определить точку контроля. До того как ассистент начнёт использоваться в работе, зафиксировать: какие результаты идут напрямую, а какие человек смотрит перед использованием. Для большинства задач первого уровня результат проверяется человеком. Ассистент готовит черновик -- человек отправляет. Это снижает риск ошибки и даёт обратную связь для улучшения промпта.
Пять ассистентов под типовые рутины
Вот конкретные ассистенты, которые покрывают самые частые источники потери времени в малом бизнесе.
Скрининг входящих заявок
Задача: принять входящий запрос (форма с сайта, письмо, сообщение в мессенджере), классифицировать по типу, извлечь ключевые данные, вернуть структурированную сводку для менеджера.
Что даёт: менеджер открывает не сырое сообщение, а уже разобранный запрос с пометкой "потенциальный клиент, спрашивает о X, приоритет Y". Экономия на разборе входящих -- 20-40 минут в день при объёме 15-30 запросов.
Стек: n8n принимает данные из формы или почты, отправляет в GPT-4o-mini или GigaChat с промптом классификации, результат пишет в CRM или в Telegram менеджера.
Первичные ответы клиентам
Задача: получить вопрос клиента, найти подходящий ответ в базе стандартных ответов, вернуть черновик в голосе компании.
Что даёт: администратор или менеджер не пишет ответ с нуля, а редактирует и отправляет готовый черновик. Для 60-70% типовых вопросов черновик подходит с минимальными правками.
Стек: Custom GPT или проект Claude с контекстом компании и базой стандартных ответов. Либо n8n для автоматической интеграции с мессенджером.
Разбор документов
Задача: принять PDF-счёт, договор или акт, извлечь ключевые поля (дата, сумма, контрагент, реквизиты), вернуть структурированные данные для внесения в таблицу или CRM.
Что даёт: бухгалтер или менеджер не вбивает данные вручную, а проверяет уже заполненные поля. При объёме 10-20 документов в день -- час времени ежедневно.
Стек: n8n с интеграцией через Google Drive или электронную почту. Для разбора документов лучше GPT-4o Vision или Claude Sonnet -- точнее с неструктурированными документами.
Еженедельные отчёты
Задача: принять набор данных из CRM или таблицы, отформатировать по шаблону отчёта, выделить аномалии (рост или падение относительно предыдущей недели выше порога), вернуть черновик.
Что даёт: руководитель получает уже отформатированный черновик с выделенными аномалиями, а не сырые данные. Время на подготовку отчёта сокращается с часа до 5-10 минут финального редактирования.
Стек: n8n по расписанию забирает данные из Google Sheets или CRM-API, передаёт в модель с промптом анализа, результат пишет в документ или отправляет в Telegram.
Первичный скрининг резюме
Задача: принять резюме кандидата, проверить на соответствие заданным критериям (опыт, ключевые навыки, формальные требования), вернуть структурированную оценку с рекомендацией -- позвать на собеседование, запросить дополнительную информацию или отказать.
Что даёт: HR или владелец бизнеса не читает каждое резюме целиком, а просматривает уже отфильтрованные с оценкой. При потоке 20-30 резюме на вакансию экономия -- несколько часов на первичный отбор.
Стек: n8n принимает резюме из почты или формы, отправляет в модель с критериями вакансии, результат пишет в таблицу. Финальный ответ кандидату всегда даёт человек.
Как убедиться, что ассистент работает правильно
После запуска первого ассистента нужен механизм контроля качества. Без него не будет понятно, улучшается ли точность или стоит на месте.
Три простых инструмента.
Журнал правок. При каждом использовании ассистента фиксировать: сколько раз черновик ушёл без изменений, сколько требовало правки, в чём правка. Через две недели этот журнал покажет, какие типы задач ассистент решает хорошо, а где стабильно ошибается. Ошибки на одни и те же типы запросов -- сигнал улучшить промпт в этом месте.
Регулярная калибровка примеров. Раз в месяц добавлять в базу примеров несколько новых: те случаи, где ответ получился особенно хорошим, и те, где потребовалась значительная правка. База примеров -- живой документ, она улучшается с опытом.
Точка эскалации. Должно быть понятно, в каких случаях задача не идёт через ассистента, а сразу к человеку. Нестандартный запрос, недовольный клиент, запрос с юридическим или финансовым риском. Ассистент работает с типовым, человек работает с исключениями.
Типичные грабли
Пишут один большой промпт на всё. Пытаются сделать одного универсального ассистента, который умеет и отвечать клиентам, и разбирать документы, и писать отчёты, и скринить резюме. Универсальный ассистент плохо справляется с каждой задачей по отдельности, потому что контекст смешивается. Лучше четыре узких ассистента под конкретные задачи, чем один широкий.
Не обновляют контекст. Поменялся прайс, изменились условия доставки, появилась новая услуга -- ассистент об этом не знает, пока ему не скажут. Нужно завести простое правило: при любом изменении в бизнесе, которое влияет на типовые ответы клиентам, сразу обновлять промпт.
Пытаются автоматизировать слишком рано. Переводят задачу в автоматический режим прежде, чем выяснили, насколько стабильно работает ассистент. Ошибка в ручном режиме -- это черновик, который переделали и отправили. Ошибка в автоматическом режиме -- это письмо клиенту с неверной информацией. Правило: минимум три-четыре недели в ручном режиме с контролем качества, потом автоматика.
Ждут идеального промпта. Тратят несколько дней на шлифовку вместо того, чтобы запустить первую версию и доработать по реальным кейсам. Рабочий ассистент с несовершенным промптом полезнее, чем теоретически правильный, который не используется.
Не объясняют команде, зачем. Внедряют ассистента молча или без объяснения логики. Люди начинают обходить инструмент, потому что не понимают, как им пользоваться и чему доверять. Пять минут объяснения экономят недели сопротивления.
Система делегирования на ИИ-ассистентов не строится за один день. Она строится постепенно: первый ассистент закрывает одну задачу, через месяц появляется второй, потом третий. Через квартал -- несколько рабочих инструментов, которые каждый день тихо делают часть работы вместо человека.
Ключевой сдвиг не в том, что появляется свободное время. Он в том, что меняется подход: задачи разделяются на те, которые требуют человеческого суждения и контекста, и те, которые просто нужно выполнить по правилам. Вторые постепенно уходят к ассистентам. Первые остаются у людей.
Как выбрать первую задачу для ассистента и с чего начать диагностику рутин в своей фирме -- подробнее разобрано на ai-uchebnik.ru/blog/metod-odnogo-dnya-avtomatizatsiya.
Свежие разборы ИИ-инструментов выходят в t.me/kosmoslab_ai дважды в день.