30 часов в месяц я тратил на фразу «Ты — SMM-специалист, мой клиент...». Потом засёк время и офигел

Каждое утро одно и то же. Открываю ChatGPT: «Ты — SMM-специалист. Мой клиент — стоматология в Казани. ЦА — мамы 30–40 лет. Тон спокойный. Запрещённые слова: гарантия, дёшево, акция...»

Потом второй клиент. Третий. Пятый.

Я засёк время. Получилось 1,5 часа в день — только на то, чтобы заново объяснять ИИ, кто мои клиенты. За месяц — 30+ часов. Целая рабочая неделя уходит в никуда.

Дело не в моих промптах. И не в «тупом ИИ». Дело в архитектуре инструмента.

Вот мои клиенты:

Каждый день я заходил в ChatGPT и начинал с нуля. Описывал бизнес. Описывал аудиторию. Перечислял запреты. Давал примеры.

Думал, это часть профессии. Оказалось — это налог на инструмент, который не умеет помнить.

Вот здесь обычно всё и ломается: люди думают, что ChatGPT «тупит» или «забывает». Нет. Он работает ровно так, как устроен.

Большие языковые модели работают внутри контекстного окна — фиксированного объёма текста, который модель видит одновременно:

Когда диалог становится длиннее окна, старая часть просто выпадает. Бриф клиента, который ты вбил в начале — первым и улетает.

Функция Memory, которую OpenAI добавила в 2024 году — костыль поверх архитектуры. Она хранит общие факты: «ты SMM-специалист», «у тебя 5 клиентов». Но развёрнутый контекст по каждому проекту не накапливает.

На практике пользователи описывают Memory как «непредсказуемую»: что-то помнит, что-то теряет, и заранее непонятно что.

Отсюда эффект «универсального текста»: модель получает короткий запрос без проектного контекста → выдаёт усреднённый ответ, который подошёл бы и стоматологии, и барбершопу, и онлайн-школе.

Я разложил свой типичный день:

За месяц — 25–40 часов. Рабочая неделя.

Плюс эффект переключения контекста. Исследования показывают: после прерывания нужно в среднем 23 минуты, чтобы вернуться к задаче на прежнем уровне. Каждый перезапуск ChatGPT с нуля — мини-прерывание.

Логичная мысль: «Окей, сделаю большой шаблон по каждому клиенту, буду копировать».

Это работает, но плохо:

Шаблон стареет. Через месяц клиент сменил позиционирование, добавил услугу. Шаблон этого не знает — ты снова правишь руками.

Шаблон конфликтует с диалогом. После 10 уточняющих вопросов контекстное окно заполнено. Часть исходных инструкций «уплывает» — тон сбивается.

Шаблон не масштабируется. На 5 клиентов терпимо. На 10 — ты тратишь 30 минут только на поиск правильного документа → копирование → вставку в правильный чат.

Шаблон не учит модель. Каждый раз стартуешь с нуля. Ни одна удачная находка, ни одна правка не сохраняются для следующего запроса.

Память проекта — отдельное хранилище контекста, привязанное не к диалогу, а к клиенту.

Один раз заполнил: ниша, ЦА, тон, запрещённые слова, примеры удачных постов. Эти данные подаются модели вместе с каждым новым запросом автоматически.

Разница в архитектуре:

Разработчики AI-агентов давно используют эту логику: файлы MEMORY.md, ARCHITECTURE.md, которые подгружаются к каждой сессии. Для фрилансера это бриф клиента, который становится частью самого ИИ.

С памятью проекта ты платишь за объяснение контекста один раз. С классическим ChatGPT — каждый раз.

Запрос: «Напиши пост про отбеливание зубов Zoom-4».

ChatGPT без контекста:

«Мечтаете о белоснежной улыбке? Технология Zoom-4 — это инновационный метод отбеливания, который гарантирует потрясающий результат уже после первой процедуры! Успейте записаться по акции...»

Что не так:

На доработку — 10–15 минут.

Инструмент с памятью проекта:

Модель уже знает: клиника в Казани, ЦА — мамы 30–40 лет, тон — спокойный сторителлинг, нельзя «гарантия» и «акция», формат — история одной пациентки + один CTA.

Результат учитывает все вводные сразу. На доработку — 1–3 минуты на стилистику.

Не магия. Архитектура.

Не всем это нужно. Если у тебя 1–2 клиента, с которыми работаешь годами — шаблон в Notion справится.

Переход начинает окупаться, когда сходятся три условия:

При совпадении всех трёх — память проекта перестаёт быть «фишкой» и становится способом не выгореть к концу месяца.

Самый быстрый способ понять, твоя ли это проблема — один эксперимент.

Завтра включи таймер. Каждый раз, когда садишься работать с ChatGPT по клиенту, засекай: сколько минут до момента, когда модель выдала текст, который не нужно переписывать с нуля.

Просуммируй за день → умножь на 20 рабочих дней.

Если меньше 5 часов в месяц — текущая связка работает. Если 15–30 часов — это рабочая неделя, которую ты оплачиваешь своим временем.

Попробуй СОЗИДАЙ бесплатно: заполни бриф одного клиента и сравни результат на том же запросе с тем, что получаешь сейчас в ChatGPT.

30 часов в месяц — это не про «я плохо пишу промпты». Это про архитектуру инструмента, который не был спроектирован для работы с кучей клиентов.

Можно продолжать платить этот налог временем. Можно перейти туда, где контекст сохраняется один раз.

А сколько часов у тебя уходит на «представление» клиентов ИИ? Считал когда-нибудь?

Чем память проекта отличается от Memory в ChatGPT? Memory хранит общие факты и применяется ко всем чатам. Память проекта привязана к конкретному клиенту: данные одного не протекают в работу с другим, контекст подгружается целиком и предсказуемо.

Что с безопасностью данных? Зависит от инструмента. Серьёзные решения изолируют данные проектов и не используют их для дообучения. Проверяй условия перед загрузкой клиентских материалов.

Заменит ли это меня как специалиста? Нет. Память проекта убирает рутину «объясни ИИ, кто мой клиент». Стратегия, аналитика, отношения с клиентом, финальная редактура — остаются твоими.

С чего начать? Возьми одного клиента — того, по которому больше всего повторяющегося контента. Неделю работай параллельно: привычный ChatGPT и инструмент с памятью. Сравни не «качество», а время до готового текста.