«Промпты больше не нужны». Я проверил это на реальной работе — и всё оказалось интереснее

Если у тебя одновременно десятки задач, знакомая картина быстро превращается в бардак: решение осталось в чате, дата — в календаре,

статус — в таблице, нужное условие — в документе. А дальше ты сам ходишь между всем этим и поддерживаешь актуальность руками.

И вот утром, ещё толком не продрав глаза, я открыл ленту и наткнулся на разбор новых возможностей ChatGPT. Вот оттуда и прилетело утреннее озарение: а что, если весь этот оркестр уже можно не обслуживать вручную?

Модели с очередной прибавкой пары баллов IQ штампуют чуть ли не каждый квартал, я давно сбился со счёта. Интереснее другое: ChatGPT на глазах перестаёт быть окном «вопрос → ответ» и превращается в рабочую среду. Рядом Codex, подключённые сервисы, браузер, файлы, задачи и возможность не только что-то посоветовать, но и довести решение до действия.

Смотри, как поменялась схема. Раньше: человек → prompt → ответ. Сейчас чаще: человек → ChatGPT → нужный инструмент → действие → новое состояние → следующий шаг.

И тут же рядом популярный тезис: если модели стали настолько умными, может, промпты вообще скоро не нужны?

Х*ли жвачку жевать. Надо проверять.

У меня как раз крутилось несколько живых процессов, которые давно руки чесались довести до ума.

Начал с недвижимости — под моим управлением несколько десятков объектов, разные собственники и разное назначение. Вокруг каждого договора постоянно что-то происходит: чеки, уведомления о продлении, продления и переносы сроков, выезд арендатора, техобслуживание.

Причём значительную часть этого я уже давно разбираю прямо внутри ChatGPT.

Нужно проверить конкретное условие договора — даю ChatGPT только нужный фрагмент. Потом приходит сообщение от арендатора, обсуждаем варианты и принимаем решение перенести выезд.

И вот тут начинается идиотская часть: открыть Calendar, поменять дату, проверить напоминание, обновить таблицу, не забыть удалить старое событие.

Хотя ChatGPT пять минут назад видел весь этот процесс от начала до конца и прекрасно понимает, что изменилось.

Я решил убрать именно этот разрыв.

После нескольких прогонов роли сами разложились на четыре слоя — и именно здесь вся схема наконец стала понятной.

ChatGPT — диспетчер. Я разговариваю с ним обычным языком. Он знает, какой объект мы сейчас обсуждаем, держит предыдущие решения и получает из документов только тот контекст, который нужен для конкретной задачи.

Арендатор остаётся до 30 сентября. Старый выезд больше не актуален.

Для меня это одна фраза. Для системы — уже несколько потенциальных действий: определить объект, найти текущую дату выезда, понять, какие напоминания от неё зависят, заменить состояние и не оставить старый триггер висеть параллельно.

Codex — инженер. Если для нового правила нужен код, мне не приходится самому лезть писать Apps Script. Объясняю, что должно происходить. Codex пишет или меняет функцию, проверяет логику, помогает найти ошибку.

Получается забавная ситуация: я не программирую систему в классическом смысле. Я скорее спорю с ней о том, как должен работать мой бизнес-процесс, а код появляется по дороге, как побочный продукт спора.

Apps Script — исполнитель. Сам ChatGPT прекрасно понимает, что напоминание нужно перенести. Но понимание ещё не меняет мой календарь.

Apps Script — простой мост между решением и действием: создаёт событие, меняет его, проверяет даты, обрабатывает записи из таблицы. Дёшево, достаточно гибко, и большего от него не нужно.

Calendar, Sheets и Drive — внешняя память системы. Calendar отвечает за то, что должно произойти во времени. Sheets удобен для структурированного текущего состояния: объект, договор, платежи, продление, статус. Drive хранит исходные договоры и документы, к которым можно вернуться, когда для конкретной задачи снова понадобится нужный фрагмент или условие.

И вот эта конструкция оказалась гораздо важнее самого промпта.

Как это выглядит на практике: пишу в чате —

Новые чеки согласованы. Поставь контроль на 15 сентября, чтобы их забрать.

ChatGPT уже знает, какой договор мы обсуждаем. Задача системы дальше — довести решение до конца: создать нужное событие и привязать его к актуальному состоянию договора.

Вежливая отписка в духе «Конечно, рекомендую поставить напоминание на 15 сентября» тут не считается. Спасибо, капитан, я и сам это только что написал.

Другой пример:

Выезд перенесли на 30 сентября.

Одной новой даты мало. Если на старую дату уже висело напоминание — его нужно снять или поменять. Иначе автоматизация — просто более модный способ развести пи*дец.

Вот здесь и появляется state: системе мало знать условия договора — она должна понимать, какая версия реальности актуальна прямо сейчас.

А CRM нельзя было купить, спросишь. Можно, конечно, но тогда я тестировал бы CRM.

А мне хотелось проверить другое: может ли ChatGPT сам стать точкой управления процессом — прямо там, где этот процесс обсуждается и меняется. Разница принципиальная.

Сегодня решил, что продление нужно начинать контролировать за 90 дней. Прогнал на реальных договорах. Посмотрел. Нет, за 100 удобнее. Меняем правило. Codex правит код. Прогоняем снова.

Именно для экспериментов такой гугл-огород оказался идеален: его можно перекраивать быстрее, чем успеваешь окончательно сформулировать собственные требования. В нормальной большой системе изменение правила проходит через техзадание, заявку, согласование, разработку, проверку качества и релиз. А я сейчас вообще не уверен, что это правило переживёт сегодняшний вечер.

Мне сначала нужно быстро понять, как процесс должен работать, и только потом решать, стоит ли превращать его в тяжёлую систему.

Тот же принцип я потом погнал в контент. Там всплыла похожая проблема. На вход — скриншот, URL или PDF. Раньше запрос выглядел просто:

Проверь и сделай пост.

И ChatGPT пытался сразу быть исследователем и арт-директором в одном лице: искал источник, проверял цифры, вспоминал историю публикаций, придумывал ракурс, крючок, текст и визуал.

Иногда получалось прекрасно. Иногда тоже прекрасно, только совсем не туда — красиво оформленная ху*ня.

Поэтому вместо одного большого промпта получился рабочий процесс:

проверка источника → факты → история публикаций → тренд → ракурс → согласование → крючок → согласование → пост → проверка качества → визуал.

Отсюда получилось ещё одно полезное правило: автоматизировать само решение — задача второго порядка. Первым делом стоит автоматизировать всё, что вокруг решения.

Потом добавилась редакционная память — когда система научилась собирать пост, возник следующий вопрос: а что публиковать завтра?

Я подключил историю уже опубликованного и поменял саму задачу: теперь система ищет пересечение — что я уже рассказывал и что с тех пор изменилось. Просто свежая новость для этого уже недостаточна.

Если месяц назад я писал про инфраструктурный проект, а сегодня появился следующий важный факт — система должна его поднять. Получилась простая редакционная память вместо очередного генератора «10 идей для LinkedIn».

Потом система начала захлёбываться собственными инструкциями.

Правила стиля, проверка качества, источники, инструкции по визуалу, старый рабочий процесс, новый рабочий процесс — и ещё один файл, который когда-то тоже был «финальным».

В какой-то момент у неё, бл*ть, оказалось сразу несколько источников истины.

Провёл аудит. Всё актуальное ушло в ACTIVE, исследования и старые версии — в RAW. Вместо гигантского мастер-промпта остался короткий роутер: понять тип задачи и подключить нужные правила.

Ирония хорошая: начинал с вопроса «нужны ли ещё промпты», а закончил проектированием того, какой маленький промпт должен вызвать какую часть системы. Осадочек, что называется, остался.

Самый полезный тест мы устроили случайно — при очередной переделке рабочего процесса для контента из него выпал один этап.

Запустили. Ошибки — ноль. ChatGPT сделал всё. Формат нормальный, текст есть, система бодро рапортует о результате.

Только результат почему-то стал заметно хуже.

Начали разбираться — нашли пропущенный этап.

Вот тут весь эксперимент и сложился в одну картинку: ChatGPT идеально выполнил неправильный процесс. Спроектировал его криво я сам.

Чем лучше становятся модели, тем важнее держать это в голове. Хорошая модель очень эффективно исполняет то, что вы ей спроектировали. В том числе — глупость.

Промпты никуда не делись. Просто после этих тестов стало понятно, что они — только один элемент системы. Важнее оказалось другое: где лежит актуальное состояние, какой инструмент должен подключиться следующим, что можно сделать автоматически и где система обязана остановиться перед человеком. Это уже больше про проектирование ИИ-систем, чем про инженерию промптов.

И вот тут напрашивается красивый вывод: раз дело не в промпте, значит, дело в том, что модель делает после него. Красиво, но неточно. На практике сам промпт всё чаще пишет не человек — модель сама уточняет, дописывает, разворачивает твою мысль в рабочую формулировку, если её об этом попросить. От человека нужно одно: чётко понимать, что он хочет получить на выходе. Дальше это буквально не его забота.

На практике всё выглядело куда менее торжественно: увидел новую возможность, пошаманил, связал ChatGPT, Codex и Google-сервисы, погонял всё на реальных задачах, несколько раз переделал и один раз случайно сломал.

А у вас уже дошли руки погонять новые фичи на реальных задачах? Что заметили — там правда что-то изменилось, или очередной виток хайпа?