Build your personal AI copilot

Создайте своего личного AI-копилота

Руководство по использованию AI как долгосрочного партнёра по мышлению (включая промпты, чтобы начать)

👋 Добро пожаловать в ✨ бесплатный выпуск ✨ моей еженедельной рассылки. Каждую неделю я разбираю вопросы читателей о создании продукта, росте и ускорении карьеры. Больше материалов: Lenny's Podcast | How I AI | Lennybot | Курсы | Мерч

Один из моих любимых соавторов, Tal Raviv, снова с нами с очередным потрясающим материалом, который изменит то, как многие из вас работают. Если вы ищете тот самый прирост продуктивности от AI, о котором все говорят, начните отсюда.

Больше от Tal'а: его 63 бесплатных видеоурока по использованию AI-агентов на работе, другой его гостевой пост «PM — нечестная роль. Так работайте нечестно» и эпизод на Lenny's Podcast. Вы также можете заказать у Tal'а AI build sprint с вашей командой.

Вот моя неловкая история: 11 месяцев назад я не использовал AI на работе — вообще.

Мы с командой создавали AI-продукты, которыми пользовались десятки тысяч людей. Но когда дело доходило до использования AI в моей собственной работе, я был гордым луддитом.

Я не хотел звучать как «среднее интернета». Я боялся, что если позволю AI-инструментам делать что-то за меня, я потеряю свою остроту. Когда я пробовал ChatGPT, он казался мне разочаровывающим для стратегической и инновационной работы — как болтливая Википедия.

В глубине души мне было досадно, что я не знаю тех самых магических заклинаний промптинга, которые, кажется, известны только инфлюенсерам.

А потом моя инженерная команда запустила новую, документоёмкую версию Scrum для крупной инициативы, которая требовала от меня писать десятки подробных user story. Я не справлялся, и внезапно стал бутылочным горлышком своей команды.

Я сделал то, что сделал бы любой опытный продакт-менеджер: ныл и жаловался. В конце концов мой инженерный менеджер, Oleksii, сжалился надо мной и показал, как писать подробные, почти идеальные user story с помощью ChatGPT (о чём я рассказывал в выпуске Lenny's Podcast!).

Oleksii велел мне (1) вставить пример шаблона user story и (2) использовать речевой ввод, пока я в свободной форме рассказывал, как должен работать продуктовый опыт. В итоге я надиктовал ChatGPT и предысторию инициативы — точно так же, как сделал бы это на kickoff'е с командой.

ChatGPT ответил user story, которые были лаконичными, продуманными и непробиваемыми. Edge case'ы были крайне релевантными, как будто он был членом команды уже несколько месяцев. Результаты не только переводили мои рассуждения в структурированный шаблон инженерной команды — каждая user story включала ещё и пункты (адаптивность для мобильных, доступность, тарифные планы), о которых я часто забывал.

Результаты были почти идеальными, а мои пальцы при этом даже не коснулись клавиатуры. ChatGPT демонстрировал сверхспособности, о существовании которых я и не подозревал.

У меня было предчувствие, что user story — это лишь начало того, как я могу использовать его в работе. Может ли AI помочь мне с задачами более высокого уровня? Может ли он ответить на главный вопрос интеллектуального труда: что самое важное мне нужно сделать дальше?

Я осознал, что AI-инструменты казались тупыми и универсальными именно потому, что я не давал им достаточно контекста. LLM могут быть крайне эффективны для интеллектуальной работы — но только когда мы даём им те же фоновые знания, которые понадобились бы любому человеку, чтобы сделать ту же работу.

Недавние достижения в LLM позволяют поддерживать (и наращивать) этот контекст со временем и через разные разговоры — так же, как мы держим в курсе коллегу. И мы даже можем дать LLM указания вести себя последовательно, с определёнными ценностями и принципами взаимодействия с нами.

Когда у LLM есть этот ценный и постоянно растущий контекст о наших целях, роли, проектах, команде и более широкой организации, они становятся нашим «AI-копилотом» — настоящим партнёром по мышлению для долгосрочной, сложной работы. Помните мой страх потерять свою остроту? Когда мы относимся к LLM как к партнёрам, которые вдохновляют, а не заменяют наше мышление, наш результат становится только острее.

AI-копилот, пожалуй, — наименее «agentic» способ использования AI, и в этом весь смысл. По мере того как AI-инструменты множатся и становятся всё более способными, наш AI-копилот рядом, чтобы поддерживать нас и делать нас лучше в нашей работе. AI-копилот может работать вместе с нами, а не просто за нас. И в этом вся разница.

За почти год я провёл воркшопы для более чем 20 000 сотрудников и фаундеров техкомпаний о том, как использовать AI для сложных, инновационных задач на работе. Подтверждаю: независимо от размера компании, вертикали или уровня владения AI, многие сегодняшние сотрудники tech-индустрии упускают возможности по той же причине, что и я когда-то. Они не дают LLM контекст, необходимый, чтобы раскрыть их полный потенциал.

Ниже я расскажу, как изменить отношение к работе с AI и как на практике собрать собственного AI-копилота.

Для чего хороши AI-копилоты?

Использование копилота — это не про то, что AI выдаёт идеальные ответы; это про то, чтобы выжать максимум из самих себя. Daniel Kahneman получил Нобелевскую премию по экономике за сотрудничество с Amos Tversky, и мне очень нравится его рефлексия: «Я не гений. Tversky тоже нет. Вместе мы — исключительные».

После того как мы вместе строим AI-копилотов, мои студенты начинают использовать LLM, чтобы принимать стратегические решения, генерировать идеи для roadmap, развивать soft skills и даже получать эмоциональную поддержку. Их копилоты бросают вызов их мышлению, анализируют данные, применяют фреймворки принятия решений, расставляют приоритеты и помогают репетировать сложные разговоры.

AI-копилоты также бесконечно упрощают vibe-кодинг AI-прототипа, осмысленный анализ данных, запуск AI-автоматизации, генерацию AI-презентаций и вставьте-сюда-AI-инструмент-о-котором-мы-пока-даже-не-знаем. Поскольку наши копилоты держат актуальный контекст о нас и нашей работе, мы часто в одном сообщении в чате от детального промпта, который можно отнести куда угодно ещё.

И да, AI-копилоты также могут готовить PRD, планы пользовательских исследований, повестки встреч и апдейты в Slack. (Когда вы регулярно вовлекаете LLM в своё мышление, генерация документов становится чем-то почти побочным.)

Спустя месяцы после создания копилота студенты рассказывают мне, что «используют его каждый день» и он «всегда открыт на работе». Их копилоты помогают им оставаться сфокусированными, напоминают, с кем поговорить, ловят нюансы, которые они бы упустили, и превращают их в суперпродуктивных сотрудников, способных анализировать данные и обсуждать технические концепции. Они движутся настолько быстро, что руководство просит их научить остальных, как они стали такими продуктивными.

И они учат! Одна студентка создала копилот для развития карьеры для женщин в своей команде. Другая пилотирует AI-коучинг для sales-менеджеров, проводящих one-on-one. Третий построил копилот для онбординга, когда пришёл в новую компанию. Через две недели, когда он представил свою продуктовую стратегию, CEO заметил: «Кажется, ты у нас уже несколько месяцев».

Как собрать AI-копилота?

Собрать полезного AI-копилота можно по-разному — от ведения одного длинного чат-треда до создания гиковского репозитория в Cursor. Но мой любимый способ — использовать функцию «Projects» в моей любимой LLM. Projects доступны в ChatGPT, Claude, M365 Copilot и в платных и корпоративных планах Gemini. (В последних двух их называют «declarative agents» и «Gems» соответственно.)

С Projects сборка AI-копилота во многом похожа на найм нового члена команды. Каждый проект состоит из трёх элементов: знаний проекта (project knowledge), инструкций (instructions) и чат-тредов. И каждый из этих элементов соответствует своему шагу в процессе онбординга:

Наймите своего копилота: используйте instructions, чтобы задать роль, личность и поведение копилота.Онбордите своего копилота: заполните project knowledge документами уровня компании и организации, которые станут общим контекстом для всех будущих разговоров с копилотом.Запустите инициативу: откройте чат-тред на каждую инициативу, над которой работаете.Запустите копилота в работу: создавайте простые, разговорные промпты.

С этим фреймворком в голове откройте свою любимую LLM (перейдите на платный тариф, если ещё этого не сделали), зайдите в Project/Gem, и давайте перейдём к практике.

А что если в вашей рабочей LLM нет projects? Не волнуйтесь, в конце поста я привёл обходное решение для вас.

Шаг 1. «Наймите» своего AI-копилота

Первый шаг — создать новый проект. Я называю свой «Tal's AI Copilot». О описании можно не беспокоиться.

Внутри проекта мы «нанимаем» своего партнёра по мышлению, решая, какие ценности и поведение мы хотим в нём видеть. Как при выборе коллеги или коуча, мы выбираем черты, которые выходят за рамки конкретных инициатив, стратегии компании или того, какой сейчас квартал.

Projects позволяют нам делать это, задавая instructions. Думайте о них как о «супер-промпте», который LLM применяет на протяжении всего разговора, — чуть «прилипчивее», чем любые промпты, которые вы пишете в самом чате. (Если вы работали над AI-продуктом, вы можете узнать в этом расширение «system prompt».)

Чтобы вам было с чего начать, скопируйте и вставьте следующий промпт в instructions вашего проекта. Не забудьте заполнить плейсхолдеры тем, что релевантно вашей роли:

Я [роль] в [название компании], а ты — мой эксперт-коуч и советник, помогающий и проактивно тренирующий меня в моей роли, чтобы я достиг своего максимального потенциала.

Я буду давать тебе подробную информацию о нашей компании: нашу стратегию, целевого клиента, инсайты о рынке, продукты, внутренних стейкхолдеров и динамику команды, прошлые ревью производительности и итоги ретроспектив.

В каждом разговоре я буду давать тебе информацию о конкретной инициативе, чтобы ты помогал мне в ней разобраться.

Я ожидаю от тебя: задавать мне вопросы, когда это уместно, чтобы получить больше контекста, восполнять важную недостающую информацию и оспаривать мои предположения. Задавай мне те вопросы, которые позволят тебе максимально эффективно коучить и помогать мне в моей роли.

Поощряй меня к: [перечислите ценности и поведение, благодаря которым вы успешны в своей роли]

Я хочу, чтобы ты нашёл баланс между: [черты, которые вы хотите видеть в партнёре по мышлению и коуче, — такие, чтобы было одновременно эффективно и приятно работать]

В этом промпте нет ничего священного. Это отправная точка, и вам стоит донастраивать его со временем — под то, как вы хотите, чтобы вёл себя ваш копилот. Может, вы хотите, чтобы он был более дерзким или более скептичным к тому, что вы говорите. Может, вы хотите, чтобы он был более поддерживающим или, наоборот, более диковинно креативным (или всё сразу!). Главное — сделать его своим: относитесь к этим инструкциям как к набору ручек, которые можно крутить на протяжении всей жизни вашего копилота.

Шаг 2. Онбордите своего копилота

Поздравляю! Вы наняли копилота с прекрасной личностью и согласованными ценностями, и вот — его первый рабочий день. Пора онбордить его в реалии вашей организации, команды и роли.

Подумайте: что бы вы дали новому коллеге в его первую неделю на работе — до того, как ему назначат конкретные инициативы или обязанности? Что релевантно всем вашим инициативам и формирует их фон? Мы начнём с того, что загрузим эти документы в project knowledge.

Вот несколько примеров полезного контекста для вашего AI-копилота:

Лендинг вашей компании/продукта (используйте «сохранить как PDF» в браузере)Презентация стратегии вашей компании (экспортируйте в PDF)Вся ваша сегментация клиентов и исследовательские инсайтыИсследования вашей конкурентной средыВидение компании, стратегия, документы квартального планирования и т. д.Процессы компанииОргструктура вашей команды и ролиПрошлые ретроспективы вашей командыВаш последний performance review или неформальная обратная связь от менеджера

Возьмите два-три документа, которые легко доступны; не переусердствуйте.

Если у вас не так много письменной документации, попросите LLM задать вам вопросы, чтобы восполнить пробелы в знаниях. Представьте, что это кофе со смышлёным коллегой через несколько дней после его прихода в команду — у него наверняка целая куча вопросов.

Пожалуйста, посмотри, чем я поделился с тобой, и задай мне вопросы, чтобы дополнить свои знания.

Какой важной информации тебе не хватает (на уровне компании и продукта), чтобы помогать мне во всех моих инициативах — нынешних и будущих?

Фокусируйся больше на уровне компании, организации и индустрии. Меньше — на краткосрочных условиях или инициативах (например, ресурсы, ограничения или конкретные люди), так как они будут меняться со временем.

Я хочу, чтобы ты задавал мне эти вопросы последовательно (сначала самые важные), чтобы я мог отвечать по одному.

Когда вы будете готовы закончить разговор, попросите LLM сгенерировать документ, который можно загрузить в project knowledge:

Пожалуйста, создай документ с новой информацией, которую ты узнал в нашем разговоре. Включи только новую информацию, полученную в этом разговоре (то есть ту, которой ещё не было в project knowledge). Не описывай в документе оставшиеся пробелы.

Оптимизируй документ под добавление в project knowledge, чтобы он применялся во всех наших будущих разговорах.

Используй точные цитаты моих оригинальных слов для самых значимых и важных вещей.

Когда документ готов, скачайте его как файл и заново загрузите в свой project knowledge.

Шаг 3. Запустите инициативу

Теперь, когда ваш новый копилот в курсе общей картины, пора подключить его к конкретной инициативе.

Я рекомендую держать каждую инициативу в отдельном чат-треде. Так LLM сможет отслеживать полный контекст с минимальными усилиями с вашей стороны. Вы будете использовать этот выделенный чат-тред, чтобы запускать инициативу, генерировать идеи и принимать решения вместе с копилотом. Это место, где вы будете обновлять копилота на протяжении жизни инициативы и где вы вместе будете проходить через неизбежные повороты сюжета. (Ниже разберём, что делать, если упрётесь в лимиты треда.)

Внутри вашего проекта откройте новый чат-тред и вставьте следующий промпт:

Теперь, когда у тебя есть контекст о моей компании и моей команде, я хочу рассказать тебе об инициативе, над которой работаю, и дать тебе её конкретный контекст.

Это отправная точка того, что я знаю; я буду обновлять её со временем по мере поступления новой информации и инсайтов:

[Поделитесь тем, что вы знаете об этой инициативе на старте, в любом порядке.]

Я рекомендую использовать функцию диктовки (встроена в ChatGPT, Gemini и M365 Copilot или доступна в мобильном приложении Claude) и в свободной форме рассказать то, что знаете, чтобы запустить разговор. Выговоритесь о проблеме, клиенте, бэкграунде, стейкхолдерах, организационной политике — обо всём, что у вас на уме и релевантно этой инициативе.

Не переживайте о том, чтобы структурировать мысли в аккуратной, профессиональной манере. Просто выдайте поток сознания. Я замечаю, что когда начинаю говорить, мне вспоминаются дополнительные детали, которые я бы не включил, если бы пытался преждевременно структурировать свои мысли.

На этом этапе люди обычно спрашивают меня, какую модель выбрать. Мой ответ всегда один: самую умную из доступных вам на работе. Здесь мы не используем AI «в масштабе», так что берите лучший мозг, какой можете, — даже если он считается «дорогим» или «медленным» с инженерной точки зрения. (Единственными вашими ограничениями должны быть требования компании к тому, куда и как можно загружать чувствительную информацию.)

Подводим итог: вы «наняли» копилота через инструкции, «онбордили» через project knowledge, а теперь запустили инициативу в чат-треде. С таким контекстом копилоту пора приступать к делу.

Шаг 4. Запустите копилота в работу

После того как тред инициативы запущен, вставьте в чат следующее:

Что самое важное мне нужно сделать дальше?

Посмотрите на результат. Можете ли вы представить, как отправляете тот же промпт в пустой чат LLM (до того, как у вас появился копилот)? Поскольку вы дали достаточно контекста и инструкций, ваш копилот возвращает заставляющие задуматься размышления, точные вопросы и конкретные следующие шаги. В моём случае, поскольку я рассказал копилоту о членах команды и стейкхолдерах, он называет моих коллег по имени (!).

Когда мы подходим к AI как к партнёру по мышлению, наполненному релевантным контекстом, он может служить бесконечным источником вдохновения. Вот список юзкейсов и примеров промптов, чтобы разогнать ваше воображение:

Обратите внимание: в этих промптах нет ничего хитрого. Поскольку у LLM так много контекста, разговорных однострочников часто вполне достаточно. Ожидайте сюрпризов и приятных моментов. По словам Karina Nguyen, AI-исследовательницы, работавшей и в Anthropic, и в OpenAI: «Модели действительно хорошо умеют соединять точки».

Другие способы использовать копилота

Использование копилота для создания AI-прототипов

Использование AI для прототипирования сокращает путь к созданию того, что нужно людям, тремя способами:

Итерировать с самим собой: отточить своё видениеИтерировать с командой: держать обсуждения на земле, в конкретикеИтерировать с клиентами: валидировать usability и жизнеспособность

AI-инструменты для создания прототипов (т. е. vibe coding) стали настолько хороши, что самое сложное теперь — сформулировать, чего ты хочешь.

Поскольку наш копилот шёл с нами весь путь, гораздо проще составить детальное описание решения. Когда вы сошлись на направлении, попросите копилота создать прототип прямо в чате (например, через Claude Artifacts или OpenAI Canvas). Продолжая в том же треде, заполните следующий промпт:

Помоги мне сгенерировать интерактивный прототип этой идеи.

Мы собираемся построить только интерактивную, клиентскую версию прототипа (без глубокой функциональности) как хороший внутренний инструмент для сбора обратной связи, который также можно использовать для тестирования usability с клиентами.

Держи скоуп крайне сфокусированным на том, что мы явно обсудили. Пока только «happy path».

[Опционально: я приложил скриншот текущего интерфейса. Сделай так, чтобы прототип выглядел pixel-perfect и максимально похожим на оригинал.]

Пока не строй; сначала составь план. Если нужно, напомни мне, какие ещё файлы, изображения или ресурсы я должен тебе предоставить, чтобы ты сделал отличную работу.

Также можно попросить сгенерировать промпт для использования во внешнем text-to-UI инструменте, таком как v0, Replit, Lovable, Bolt и т. д. Просто добавьте к промпту выше следующие строки:

Создай отдельный документ с промптом, который я могу напрямую вставить во внешний AI-инструмент для прототипирования (все комментарии — за пределами промпта, чтобы я мог просто скопировать и вставить документ как есть). Это должна быть готовая для разработчика спецификация, которую можно использовать, чтобы построить этот интерактивный прототип.

Считай, что у инструмента нет никакого предыдущего контекста, кроме того, что ты включишь в промпт.

Использование копилота для создания AI-автоматизаций

AI-автоматизации могут снять с нас рутинные, выматывающие задачи. К сожалению, они не волшебные джинны и хорошо работают только в определённых условиях. Из-за этого тяжело начать: первая сложность — придумать use case, который одновременно действительно ценный и подходит для платформ AI-автоматизаций.

Кто-то сказал генерировать идеи на основе персонализированного контекста? Звучит как работа для вашего AI-копилота. Этот промпт можно использовать в существующем чат-треде или начать новый — как одноразовый брейншторм. В любом случае копилот будет основываться на вашем project knowledge:

Опираясь на то, что ты знаешь обо мне и моей организации, пожалуйста, набросай пять идей AI-автоматизации, которую я могу построить на платформах вроде Zapier Agents/Lindy AI/Relay app/Cassidy AI/Gumloop/и т. д. Ограничься тем, что имеет смысл строить именно в этих платформах.

Это должно помочь мне, как продакт-менеджеру, экономить время на выматывающих, но необходимых задачах, которые отвлекают меня от более ценного, стратегического и креативного использования внимания и энергии.

Спроси себя: какая постоянная рутинная работа требует некоторой рассудительности и навыков письма, но не моей полной экспертизы и интуиции? Иначе говоря, если бы моя компания дала мне junior-стажёра, что бы я ему поручил?

Постарайся сформулировать каждую идею в одно-два предложения — ровно так, как ты сформулировал бы это в сообщении junior-стажёру с просьбой что-то сделать. Дополнительно за каждой идеей добавь короткое объяснение, почему ты выбрал её, а не другие. Питчи мне как продакт-менеджеру в терминах бизнес-результатов и ценности моего времени.

# IMPORTANT: это должны быть event-driven AI-автоматизации, а не batch-задачи.

Предлагай только event-driven автоматизации, которые обрабатывают элементы по одному, как только они появляются, — с уже доступной информацией. НЕ предлагай batch-задачи, которые обрабатывают много элементов по расписанию (например, «каждое утро просканировать все…» или «еженедельно скомпилировать…»).

[Почему: AI-автоматизации лучше всего работают в рутинных задачах «по одному за раз». Они лучше всего показывают себя, когда спроектированы под немедленный ответ на индивидуальные триггеры.]

❌ НЕПРАВИЛЬНО (batch-задача): «Каждое утро сканировать все новые support-тикеты и подытоживать их»

✅ ПРАВИЛЬНО (event-driven): «Когда приходит новый support-тикет, проанализировать его и предупредить меня, если он срочный»

Перед тем как финализировать предложения, проверь каждое:

- Запускается ли оно на конкретное событие? ✓

- Обрабатывает ли оно один элемент за раз? ✓

- Может ли оно запускаться много раз в день по мере появления событий? ✓

Если на любой вопрос ответ «нет», пересмотри идею так, чтобы она была event-driven.

Единственное исключение — если итоговая ценность доставляется на определённой временной шкале, например для централизации информации и снижения шума (например, еженедельное обновление, ежедневная сводка по предстоящим событиям или еженедельный дайджест изменений). Если ты считаешь, что use case попадает под это исключение, пожалуйста, обоснуй своё рассуждение.

# Примеры

Ниже примеры use case'ов, где продакт-менеджеры извлекли много пользы из AI-агентов. Помни, это лишь примеры, чтобы вдохновить тебя думать о юзкейсах, которые имеют смысл именно для тебя.

1. Собрать фрагментированную информацию, которая иначе потребовала бы много кликов:

«Когда в Slack-канал #feature-requests постится новое сообщение, выдели из клиентского запроса 2–5 ключевых слов. Поищи эти ключевые слова в недавних Slack-тредах, разговорах HubSpot и фрагментах Gong и ответь в треде ссылками на найденное».

«Каждое утро сканируй мой календарь на наличие звонков с клиентами и, вместо того чтобы я искал в вебе, напиши мне DM с недавними взаимодействиями этого клиента в Salesforce, Gong и Zendesk». (Пример исключения, где ценность — именно в ежедневной доставке для централизации информации.)

«Каждый понедельник утром готовь дайджест активности конкурентов, сканируя их недавние посты в блогах, обновления в App Store и анонсы в X». (Пример исключения, где ценность — в еженедельной доставке для снижения шума.)

«Когда клиент уходит в churn, постни сообщение в канал #churn-lessons с недавними обращениями в саппорт, NPS-оценкой и датой, а также ответом из churn-опроса».

2. Скучные сизифовы задачи с высокой потенциальной отдачей:

«Отслеживай страницы цен 5 конкурентов на предмет изменений».

«Когда баг приближается к SLA-дедлайну по соответствующему клиенту, пингани специальный Slack-канал и поставь в копию ответственного customer success representative».

3. Сканирование изматывающих объёмов данных:

«Напиши мне в DM, когда саппорт-кейс закрывается по причине “product confusion”, а не как технический ивент».

«Пингани этот канал, когда увидишь feature request, который появился впервые».

«Когда в Slack-канал постится текстовый ответ из NPS-опроса, реши, явно ли это техническая проблема, и если да — создай support-тикет в Zendesk».

4. Подготовка апдейтов:

«Каждую пятницу в 10:00 пиши саммари прогресса по всем командам в нашей доске проектов, по всем эпикам, изменениям в скоупе и выделяй любые сдвиги по таймлайну». [Пример исключения, где ценность — в еженедельной доставке для централизации информации]

Видите паттерн? Хорошие автоматизации начинаются с «Когда [происходит конкретное событие]», а не «Каждый [промежуток времени]» — если только триггер по дневной/еженедельной/и т. д. каденции не несёт особую ценность сам по себе.

Просмотрите получившиеся юзкейсы и используйте их как вдохновение. Ведите диалог! Реагируйте на результаты и спорьте с теми частями, что вам не подходят. Цель — найти юзкейс, который вам реально захочется воплотить. Когда такой найден, включите режим deep research и попросите копилота сгенерировать персонализированный пошаговый туториал по созданию этой автоматизации.

«Сплетничайте» со своим AI-копилотом

Всё бывает. Стейкхолдер меняет своё мнение, приходят новые данные или что-то оказывается куда более трудозатратным, чем планировалось. Один разговор в коридоре может перевернуть всё.

Чтобы ваш AI-копилот помогал в этом разбираться, его нужно держать в курсе. Я называю эту привычку «сплетничать» с AI — потому что ввожу копилота в курс дела так же, как наклонился бы и пожаловался коллеге, сидящему рядом.

Здесь я тоже обожаю использовать речевой ввод: «Ты не поверишь, что только что случилось в моём разговоре с таким-то…» И всё. Никакого структурированного формата, никакого формального процесса апдейта. Просто эмоциональный «слив», который рождается естественно.

Даже если у меня нет никаких action item'ов, мой AI-копилот запоминает эти апдейты и ссылается на них позже. В отличие от большинства коллег, ему можно прямо сказать:

Сейчас мне не нужны решения; я хочу, чтобы ты выслушал. Просто подтверди словом «да».

Сплетни поддерживают контекст свежим и работающим.

Pro tip: лично я использую нативное мобильное приложение моей LLM для диктовки на ходу. Это делает «сплетни» такими же лёгкими, как голосовое в WhatsApp другу или коллеге.

Привычки, чтобы выжать из AI-копилота максимум

Получение максимальной пользы от копилота зависит от нас, а не от AI. Разница между нормальным AI-копилотом и исключительным — не в технологии, а в привычках, которые мы вокруг него строим.

Воспитание «AI-мышления»

Ваш AI-копилот, без сомнения, будет восхитителен, но точно не всегда будет прав. И тут мы подходим к самой важной составляющей использования AI-копилота: к нашему мышлению.

Успешная работа с партнёром по мышлению — человеком или машиной — состоит в том, чтобы брать хорошее и отбрасывать плохое. Если ассистент водителя пищит на пустом шоссе — ничего страшного. Мы всё равно держим его включённым на случай, если он предупредит о чём-то на дороге, что мы не заметили. Или подумайте о вашем любимом наставнике или доверенном лице: мы же не оцениваем постоянно, может ли их совет «заменить наше мышление». Скорее, мы фокусируемся на тех частях их слов, что ценны и вдохновляют.

Даже когда они неправы, LLM могут быть странным образом вдохновляющими и мотивирующими. Часто, когда я не согласен с тем, что предлагает мой AI-копилот, это всё равно заставляет меня думать. Как и любой совет извне, это толкает меня кристаллизовать, что я думаю я должен сделать вместо.

Это на нас — применять вкус и суждение, основанные на упорно заработанной продуктовой интуиции. По словам David Lieb (партнёр YC и фаундер Google Photos): «Ваше чутьё — самая совершенная модель машинного обучения, когда-либо созданная». Работая с генеративным AI, применяйте своё мастерство и вкус, чтобы определить, что действительно ценно.

Если вы часто получаете результаты, которыми недовольны, спросите себя: «Какой контекст нужен AI, чтобы здесь преуспеть?» или «Достаточно ли у него указаний, чтобы выдать результат?». Поскольку мы используем LLM ради их интеллекта (а не знаний), на нас лежит ответственность подумать, что нужно дать, чтобы настроить их на успех.

Чтобы донастроить ввод, наведите курсор на своё последнее сообщение в чате и нажмите кнопку «edit» (или иконку ✏️ — она есть во всех крупных LLM). Дайте чуть больше указаний или фоновой информации и отправьте снова. Если вы замечаете один и тот же пробел снова и снова, подумайте о том, чтобы добавить эту информацию в project knowledge.

Развитие знаний копилота со временем

Наши инвестиции в AI-копилота тоже приносят сложный процент. Помимо регулярного предоставления контекста в каждом треде инициативы, мы также можем следить за тем, чтобы наш project knowledge продолжал расти, мгновенно принося пользу как текущим, так и будущим инициативам.

Конец инициативы — отличная возможность обновить project knowledge. Начните с того, что поделитесь результатом — хорошим или плохим. Приложите все ретроспективы, которые проводила ваша команда. Включите речевой ввод и добавьте свои личные размышления. В конце попросите копилота сгенерировать документ «новые извлечённые уроки» (lessons learned).

Догадываетесь, что дальше: скачайте документ и загрузите в project knowledge. Когда мы добавляем уроки из реального опыта в project knowledge, мы ускоряем для копилота возможности «соединять точки» и приятно удивлять нас мудрыми советами.

Думайте об этом как о памяти — но прозрачной, курируемой памяти, полностью под вашим контролем, для профессионального контекста.

Заметка: что делать, если упёрлись в лимит размера чата?

У разных LLM разные лимиты context window. Если вы упёрлись в лимит, можно использовать промпт, который заставит LLM подытожить разговор, чтобы вы могли начать новый тред с перенесённым ключевым контекстом.

Чтобы использовать этот промпт, наведите курсор на ваше последнее сообщение в чате и нажмите кнопку «edit» (или иконку ✏️). Замените его следующим промптом и нажмите Enter.

Наконец, начните новый тред, используя полученный результат.

Этот разговор достиг своего лимита контекста. Создай документ, который сможет послужить начальным контекстом для свежего пустого треда LLM. Твоя цель — сохранить примерно 90% ценности и контекста разговора, при этом сократив длину примерно на 90%.

Действуй как эксперт, передающий дела другому эксперту, который будет мне помогать, и подготовь его к максимальному успеху — как если бы он всё это время был рядом. Расскажи новому эксперту, какие инструкции и поведение проявлять — те, что я неявно или явно у тебя запросил. Изложи это как хронологическую историю.

Используй своё лучшее суждение, когда особенно ценно сохранить оригинальные точные слова пользователя или AI.

Пропусти любой контекст, который уже есть в project knowledge или в твоих system instructions, — так как он автоматически будет доступен в новом треде.

Создай второй, отдельный документ с тем, что ты решил не включать, и причинами почему.

Куда копилоты могут эволюционировать дальше?

Чувствую, что мы только в начале. Каждый день, используя своего AI-копилота, я натыкаюсь на моменты, где думаю: «Эх, если бы он мог просто…». Из того, что я слышу от участников моих воркшопов, я в этом не одинок.

Сегодняшние точки трения раскрывают, где лежат реальные возможности — и для фаундеров, и для крупных игроков, и многие сегодняшние стартапы метят в эти возможности с разных сторон. Вот мой список желаний на ближайшее будущее:

Упростить обновление project knowledge

Сегодня я — человеческое API между моим копилотом и всем остальным. Я вручную пересказываю, что произошло в разговорах, экспортирую стратегические декки в PDF и обновляю project knowledge, когда вспомню. Работает — но ценой большого количества работы.

Представьте, если бы копилот мог напрямую подтягивать данные из новых департаментных шаблонов, систем управления проектами или командных мессенджеров, динамически обновляясь по мере изменения вашего мира. Я хочу, чтобы у него была вся эта информация — но без того, чтобы он путался, перегружался или излишне фиксировался на нерелевантных деталях. Я хочу, чтобы информация текла и в другую сторону: что если бы мышление, планирование и скрапбукинг могли происходить в одном и том же месте?

Но что меня по-настоящему вдохновляет — это прозрачные, редактируемые знания, которые ощущаются как живой документ. Представьте сегодняшние потребительские функции «памяти», но с контролем профессионального уровня.

Меня вдохновляет, как Cursor работает с кодом: представьте выборочный контекст, где вы выбираете, какие документы и инициативы копилот учитывает для каждого разговора. Иногда вы хотите, чтобы одна продуктовая инициатива учитывала другую; иногда — нет.

Я хочу извлекать выгоду из того, что я в команде

А что если у каждого нового члена команды копилот уже был бы на 80% готов к работе? Вместо старта с нуля представьте общие слои знаний, курируемые руководством. У вас по-прежнему будет личный контекст, но теперь он стоит поверх коллективного интеллекта вашей команды.

Новые PM начинали бы с шаблонов под конкретную компанию, релевантных фреймворков и реальных извлечённых уроков. Со временем наши копилоты становятся умнее не только благодаря личному опыту, но и благодаря победам и провалам всей команды.

Подталкивай меня

Даже с лучшим образом собранным копилотом случается момент «писательского ступора». О чём его обновить? Какой вопрос задать? Сформировать привычку сложнее, чем построить инструмент.

Я бы очень хотел, чтобы AI подталкивал меня — как смышлёный chief of staff, который не ждёт, когда его спросят. Представьте такую проверку по календарю: «Эй, у тебя завтра ревью со стейкхолдером. Хочешь прорепетировать сценарии?». Или подталкивание к фокусу: «Сейчас было бы очень хорошее время запланировать user research и собрать вход от sales-команды».

Возможность не в том, чтобы делать копилотов умнее, а в том, чтобы делать их более связанными, более совместными и более проактивными. Будущее AI на работе, возможно, больше о том, чтобы задавать нам лучшие вопросы, чем давать лучшие ответы.

Контекст меняет всё

Использование AI на работе не должно сводиться к просеиванию шаблонных ответов или подбору идеальных промптов. Самый плодотворный способ думать об использовании LLM — это как о сотрудничестве с вдохновляющим коллегой, который знает стратегию вашей компании, помнит ваш разговор с менеджером в прошлый вторник и может оспорить ваши предположения, когда все остальные уже разошлись по домам.

Когда мы даём AI необходимый контекст — и относимся к нему как к партнёру, сидящему рядом, а не как к волшебному оракулу, — мы не теряем свою остроту; мы её затачиваем.

Спасибо Alex Furmansky за то, что был потрясающим (человеческим) партнёром по мышлению в этих идеях. И спасибо Colin Matthews за то, что поделился своей глубокой экспертизой в области AI-прототипирования.

Приложение: что если в моей LLM нет «projects»?

Хотя projects поддерживаются крупными провайдерами LLM на всех платных тарифах, многие сотрудники tech-индустрии (особенно в Big Tech) не имеют доступа к projects в составе тех внутренних инструментов, через которые им разрешено пользоваться LLM.

Если это вы — не переживайте. Projects — это не фундаментальная возможность LLM, это UX-удобство.

Самое простое решение — делать всё вручную. Соберите свои instructions и project knowledge в один длинный текстовый файл. Каждый раз, начиная новый чат-тред, начинайте с того, что вставляете весь этот файл. Это неплохая имитация того, как projects работают «под капотом» (и куда лучше, чем работать без контекста). Не очень изящно — но, надеюсь, делать это вам придётся не слишком часто (подробнее о чат-тредах ниже).

Для тех, кто хочет более авантюрного решения: некоторые сотрудники Big Tech поняли, что хоть они и не могут получить доступ к projects, у них есть доступ к средам разработки на базе AI вроде Cursor. Они заметили, что в них есть все те же ингредиенты, что и в Projects (знания, инструкции и чат-треды), и переоборудовали эти инструменты под роль партнёра по мышлению (используя их с обычным английским вместо кода).

(Если такой гиковский подход вам близок, я провожу бесплатный lightning-урок с живыми демо того, как люди это делают.)

Спасибо, Tal!

Желаю вам полноценной и продуктивной недели 🙏

Если эта рассылка вам полезна, поделитесь ею с другом и подумайте о подписке, если ещё не подписаны. Доступны групповые скидки, варианты подарка и бонусы за рефералов.

Искренне ваш,

Lenny 👋