ИИ-грамотность: четыре навыка, без которых ИИ не приживается

Почему обучения «где нажать» недостаточно

Освоить интерфейс чата можно за пять минут — там поле ввода и кнопка. Сложность в другом: человек садится за инструмент, задаёт вопрос, получает гладкий и в целом бессмысленный ответ и делает вывод, что «эта штука не работает». Через неделю он возвращается к прежнему способу работы, а купленные подписки продолжают списываться.

Работа с ИИ ближе не к освоению программы, а к работе с подрядчиком. Подрядчику нужно решить, что вообще ему поручать, внятно объяснить задачу, оценить присланный результат и отвечать за него перед клиентом. Ровно эти четыре вещи и составляют то, что называют ИИ-грамотностью.

Навык первый: решить, что отдавать

Первое решение принимается до всякого промта: эту задачу вообще стоит поручать ИИ, или человек справится быстрее и надёжнее? Ошибки здесь дороже всех последующих — можно виртуозно составить запрос для задачи, которую не следовало отдавать вовсе.

Ориентир простой. Хорошие кандидаты — задачи, где нужен черновик, где много однообразного текста, где данные надо переложить из одного вида в другой. Плохие — там, где цена ошибки высока, а проверить результат некому или нечем.

Навык второй: объяснить задачу

Главный источник разочарования — короткий запрос. «Напиши письмо клиенту» не содержит ничего, из чего можно составить нужное письмо: неизвестно, какому клиенту, о чём, в каком тоне, чего вы от него хотите. Модель заполняет пробелы средним по интернету — отсюда и ощущение пустоты в ответе.

Хороший запрос отличается от плохого не длиной и не вежливостью, а количеством решений, которые вы приняли за исполнителя.

• Что за задача — одним предложением, без двусмысленности.
• Для кого результат — постоянный клиент, новый подрядчик, собственный директор: тон и объём зависят от этого сильнее всего.
• Исходные данные — переписка, цифры, документ. Без них ИИ додумает факты, и это будет заметно.
• Формат — письмо, таблица, список из пяти пунктов, объём.
• Чего делать не надо — не выдумывать детали, не извиняться в каждом абзаце, не выходить за рамки присланных данных.

Навык третий: оценить ответ

Самая опасная привычка — читать ответ на «нравится или нет». Текст от языковой модели почти всегда гладкий, и эта гладкость легко принимается за правильность. Проверять нужно не стиль, а содержание.

Три вопроса, которые стоит задавать к каждому ответу по задаче с ценой ошибки:

• Откуда взялись факты? Цифры, даты, названия компаний, номера статей закона — всё, чего не было в вашем исходнике, требует проверки. Выдуманное подаётся с той же уверенностью, что и достоверное.
• Ответили ли на мой вопрос? Частая подмена: вы просили сравнить два варианта, а получили описание обоих.
• Что здесь не так для нашей компании? Модель не знает ваших договорённостей с клиентом, внутренних правил и истории отношений — этот слой всегда добавляет человек.

Отдельно: ответ можно не принимать целиком. Нормальный рабочий цикл — сказать, что именно не подошло, и попросить переделать. Обычно нужный результат достигается на втором-третьем круге, а не с первого раза.

Навык четвёртый: отвечать за результат

Письмо, ушедшее клиенту, — это письмо компании, независимо от того, кто готовил черновик. Ответственность не делится с инструментом, и это стоит проговорить с сотрудниками прямо, до начала работы, а не после первого инцидента.

Практически ответственность сводится к нескольким правилам, которые полезно записать одной страницей и раздать команде:

• Что нельзя загружать. Персональные данные клиентов, паспорта, банковские реквизиты, коммерческие условия сделок — по умолчанию нет. Для чувствительных данных нужен отдельно согласованный инструмент.
• Что проверяется всегда. Цифры, ссылки на законы, обещания клиенту, любые обязательства компании.
• Где предупреждаем. Например, в переписке с клиентом ИИ помогает готовить ответ, но отправляет его человек и он же за него отвечает.
• Кто отвечает за инструмент. Должен быть конкретный человек, к которому идут с вопросами и который следит, что правила соблюдаются.

С чего начать в своей компании

Перед тем как раздавать доступы, полезно ответить на три вопроса — они займут полчаса и снимут большую часть последующих споров.

• Что мы не готовы отдавать ни при каких условиях? У каждой компании свой список: у кого-то это общение с ключевыми клиентами, у кого-то — данные о поставщиках.
• Какую задачу мы хотим разгрузить первой? Одну, самую надоевшую и самую частую. Не «внедрить ИИ», а «перестать вручную переносить заявки с почты в таблицу».
• По чему мы поймём, что получилось? Заранее и в измеримом виде: время на задачу, количество обращений, число ошибок.

Дальше имеет смысл двигаться маленьким пилотом на одном отделе, а не общей рассылкой на всю компанию. Подробнее этот путь разобран в статье «С чего начать внедрение ИИ в компании».

Что почитать по теме

Рамку из четырёх компетенций предложили Рик Дакан (Ringling College of Art and Design) и Джозеф Феллер (University College Cork). На её основе Anthropic сделала бесплатные курсы AI Fluency: Framework & Foundations и версию для небольших компаний — оба на английском языке.

В этой статье та же рамка изложена нашими словами и на российских примерах. Если хотите разобрать её на задачах своей команды — мы проводим очные занятия для сотрудников: два часа, свои реальные письма и документы, без теории про устройство нейросетей.