Искуственный интеллект вместо техотдела: стоит ли доверять нейросетям настройку GetCourse?

Искусственный интеллект (ИИ) уже помогает техническим специалистам онлайн-школ писать код, создавать лендинги, готовить рассылки и автоматизировать рутинные операции в GetCourse.

Но насколько далеко можно зайти в делегировании задач и действительно ли ИИ повышает эффективность работы?

Я руковожу агентством технического сопровождения онлайн-школ. Мы активно внедряем ИИ в свою работу, тестируем новые инструменты и пересматриваем привычные процессы. Для меня, как руководителя, важно не сохранить за специалистами как можно больше задач, а добиться того, чтобы команда работала эффективнее и с меньшими затратами.

При этом важно учитывать не только потенциальную экономию, но и стоимость внедрения ИИ, необходимость контроля и риски ошибок.

Уверена, что техническим специалистам не стоит опасаться замены на искусственный интеллект. Гораздо перспективнее научиться использовать ИИ, чтобы многократно повысить собственную производительность и расширить возможности технического отдела.

В этой статье я поделюсь нашим практическим опытом: какие задачи технического сопровождения GetCourse уже можно делегировать ИИ, где автоматизация действительно экономит время и деньги, а в каких случаях без профессиональных знаний и контроля специалиста пока не обойтись.

Мы не начинали с идеи «заменить сотрудников агентами». Сначала использовали ИИ там, где результат можно быстро проверить: в текстах, коде и документации. Такой подход позволяет специалисту самостоятельно увидеть реальные возможности ИИ, не передавая ему управление критичными процессами.

В нашей команде ИИ используется как инструмент. Он ускоряет выполнение рутинных операций, но не принимает за нас решения, связанные с клиентскими данными и настройками.

Потенциал ИИ в первой линии поддержки учеников также высок. Но прежде чем передавать ему общение с клиентами, важно оценить экономическую эффективность такого решения и риски снижения качества сервиса. Экономия на сотрудниках поддержки не должна оборачиваться потерей индивидуального подхода, ошибками в ответах и недовольством учеников.

Перечисленные задачи различаются не только сложностью, но и тем, насколько самостоятельно действует ИИ. Чтобы не смешивать подготовку текста с работой агента внутри GetCourse, я предлагаю рассматривать внедрение как три последовательных уровня.

Это моя рабочая модель, а не официальная классификация технологий. Она описывает эволюцию взаимодействия команды с ИИ: от подсказок и черновиков — к выполнению отдельных операций, затем к агентам, которым доверяют часть действий.

1. Помощник. Предлагает в режиме диалога текст, код или решение, а специалист проверяет и применяет результат в рабочем пространстве.

2. Исполнитель. Получает ограниченную задачу и выполняет её в согласованном процессе под контролем человека.

3. Автономный агент. Получает доступ к сервисам и может самостоятельно совершать действия. Здесь существенно возрастают требования к безопасности.

Перейти сразу от первого уровня к третьему по набору готовых промптов без серьёзных рисков не получится.

Промпт не заменяет понимания того, как устроен процесс: какие данные использует ИИ, какие права ему нужны, что он вправе изменить и как проверить последствия.

Сначала команда должна научиться ставить задачи, распознавать ошибки и проверять результаты. Затем — описывать повторяемые операции и их ограничения. Только после этого имеет смысл обсуждать более автономную работу.

Чем самостоятельнее агент, тем серьёзнее могут быть последствия ошибки.

Пока ИИ лишь предлагает ответ, специалист может его не использовать. Когда агент сам нажимает кнопки в рабочем аккаунте, ошибка может означать массовые обращения учеников, репутационные потери и необходимость срочно исправлять последствия.

Вот случай из нашей практики.

В одном из наших проектов сторонний подрядчик поручил своему ИИ-агенту заменить ссылки на Telegram-бота в рассылках на GetCourse.

Задача была технической и вполне конкретной. Агент выполнил замену ссылки, но дополнительно отправил черновую последовательность сообщений рандомному сегменту получателей.

Что в итоге: основное поручение выполнено, но вместе с результатом мы получили проблему, которую никто не планировал.

Этот случай хорошо показывает, почему при работе с автономными агентами недостаточно проверять только результат выполнения основной задачи.

Самое страшное здесь не то, что он сломал. А то, что вы никогда не узнаете, что еще он мог сломать «по-тихому», пока вы были сосредоточены на своей узкой задаче.

На основе нашего опыта я выделила восемь правил безопасной работы с ИИ-агентами.

1. Создайте для ИИ-агента отдельную учётную запись в GetCourse. Не допускайте работу агента под вашей учётной записью администратора: иначе сложно будет отделить его действия от действий человека.

2. Предоставьте только необходимые права. Доступ к рассылкам не должен автоматически означать право изменять другие разделы и импортировать данные.

3. Используйте отдельный браузер или изолированную среду. Не передавайте агенту открытые административные сессии и посторонние данные.

4. Явно запретите критические действия: отправку сообщений, удаление объектов, массовые изменения и публикацию без отдельного разрешения.

5. Согласуйте план перед запуском: что агент откроет, что изменит, чего касаться не должен и как будет проверен результат.

6. Организуйте независимый журнал действий. Не все операции могут попадать в лог-файл в GetCourse, поэтому важно дополнительно записывать фактические действия агента, а не только его отчёты о выполнении задач. Это поможет выявлять ошибки и восстанавливать настройки.

7. Предусмотрите возможность контроля и остановки. У ответственного специалиста должна оставаться возможность прервать работу агента и отозвать доступ.

8. Проверьте итог и побочные эффекты. Недостаточно получить от агента сообщение «готово»: нужно убедиться, что не затронуты другие объекты.

Отдельный вопрос — какие данные мы передаём внешним инструментам.

Защита информации начинается до запуска агента.

При работе с ИИ важно учитывать, какие сведения попадают в запросы, файлы и подключённые сервисы.

Данные учеников, контакты, ключи доступа и коммерческую информацию нельзя без необходимости передавать сторонним системам.

Для тестирования следует использовать обезличенные данные, а для агентов — ограниченные права и контролируемую среду.

Ограничить доступ недостаточно. Агент может ничего не изменить в системе и всё равно предложить неверное решение.

Чтобы распознать ошибку, нужна профессиональная экспертиза.

ИИ способен убедительно предложить несуществующую функцию.

В нашей практике при проработке интеграции GetCourse со сторонним сервисом ИИ предложил использовать функцию, которой в действительности не существовало. Это выяснилось только после проверки у поставщика сервиса.

В другом случае ИИ опирался на устаревшую информацию о возможностях GetCourse.

Еще одна зона риска — код. Сгенерированные HTML и CSS могут конфликтовать со стилями встроенного конструктора, видоизменять системные кнопки или некорректно работать на мобильных устройствах. Поэтому проверять код необходимо непосредственно в той среде, где он будет использоваться.

Именно здесь важен опыт технического специалиста, который способен оценить не только работоспособность предложенного решения, но и возможные последствия его внедрения.

Однако даже технически реализуемая автоматизация не всегда оправданна с экономической точки зрения.

При оценке эффективности ИИ важно учитывать не только время выполнения задачи, но и затраты на внедрение автоматизации.

Например, один из наших специалистов с помощью ИИ готовит рассылки для вебинара в разные каналы связи за 20 минут вместо 1 часа. А маркетолог в одном из наших проектов готовит презентацию за 6–8 часов вместо привычных 3–6 дней. В этих случаях использование нейросети позволило значительно сократить трудозатраты.

Но так бывает не всегда.

Если задача разовая, настройка ИИ-агента, выдача доступов и проверка результата могут занять больше времени, чем выполнение работы вручную.

Например, нужно продлить доступ к курсу на семь дней определённому сегменту учеников. Чтобы поручить это ИИ-агенту, сначала придётся подготовить и сохранить нужный сегмент пользователей, объяснить агенту, что именно требуется сделать, какие настройки можно менять, а какие трогать нельзя. Затем запустить задачу и проверить результат.

И вполне возможно, что за время, потраченное на подготовку такой автоматизации, технический специалист уже успел бы вручную продлить доступ всем нужным ученикам.

Мы уже неоднократно сталкивались с ситуациями, когда клиенты самостоятельно создают лендинги с ИИ, а затем специалистам приходится устранять проблемы с мобильной адаптацией, "кривизной" системных элементов и настройкой формы регистрации.

При этом доработать готовое ИИ-решение с помощью другой нейросети не всегда просто. В новом диалоге ИИ не знает, какую задачу изначально решал заказчик, какие варианты уже обсуждались, почему были выбраны определённые решения и какие ограничения учитывались.

Получается, что использование ИИ одним участником проекта может ускорить его работу, но одновременно увеличить трудозатраты других специалистов.

Поэтому для командной работы важно не только внедрять нейросети, но и сохранять единый контекст проекта: задачи, согласованные решения, материалы и историю изменений.

Как организовать такое взаимодействие между заказчиком, технической командой, подрядчиками и ИИ — тема отдельной статьи.

Уже понятно, что в расчёт эффективности нужно включать не только время генерации, но и стоимость проверки и исправлений:

Вывод: делегировать стоит не профессию, а конкретные операции с понятной ответственностью.

Ниже — ориентир, а не универсальные разрешения.

Начать внедрение ИИ стоит не с выбора самого «умного» агента, а с анализа повторяющихся (рутинных) задач технического отдела.

Для каждой задачи необходимо определить частоту выполнения, трудозатраты, стоимость возможной ошибки и способ проверки результата. Затем можно протестировать автоматизацию на безопасном участке и сравнить её эффективность с привычным способом работы.

Если ИИ-агент требует постоянного контроля специалиста, это не обязательно означает, что автоматизация не удалась. Но затраты на такой контроль необходимо учитывать при оценке экономической эффективности.

Важно также оценивать, сколько времени автоматизация освобождает не только у технической команды, но и у владельца онлайн-школы.

По мере внедрения ИИ меняется и содержание работы технического специалиста: всё чаще требуется постановка задач, проверка результатов и организация процессов. Специалист должен быть готов к работе в новом режиме.

На следующем этапе возможно управление несколькими специализированными агентами: один готовит материал, другой проверяет код, третий собирает отчёт.

Но это пока направление развития, а не готовая практика для каждой школы.

По мере развития ИИ специалисту всё чаще требуется не только писать код или собирать страницу, но и формулировать задачу, проверять результаты, проектировать безопасный процесс и управлять несколькими инструментами.

Координация нескольких агентов перспективна, но ещё не стала универсальным стандартом.

Я вижу будущее технического сопровождения онлайн-школ не в полном отказе от специалистов, а в изменении принципов их работы.

ИИ уже позволяет выполнять многие привычные задачи значительно быстрее. Но чтобы эта экономия была реальной, важно правильно выбирать процессы для автоматизации, учитывать затраты на её внедрение и контролировать результат.

Думаю, в ближайшие годы преимущество получат не те технические отделы, которые используют больше всего нейросетей, а те, которые научатся с их помощью решать задачи бизнеса быстрее, качественнее, экономнее.