Искусственный интеллект постепенно забирает у журналиста часть рутинной работы — расшифровывает интервью, собирает информацию, сортирует документы и помогает исправлять ошибки. Но вместе с автоматизацией меняется и сама роль человека в редакции. На воркшопе «К2Тех» «AI Pit Stop» участникам показали, как работать с нейросетями и ИИ-агентами и почему контроль результата по-прежнему остается за журналистом.
«Компьютерра» выяснила, какие задачи уже можно отдавать ИИ, как настроить нейросеть под собственный стиль и где проходит граница между автоматизацией и самостоятельной работой специалиста.
«К2Тех» в рамках воркшопа «AI Pit Stop» обсудили состояние российского ИТ-рынка. По мнению специалистов, из-за слабого развития отечественных решений он вынужденно адаптируется к условиям ограниченного доступа к зарубежным ИИ-моделям.
По словам Георгия Шатирова, директора по ИИ и инновациям «К2Тех», крупные компании используют иностранные нейросети через системы маскирования данных — защитную прослойку между корпоративной инфраструктурой и внешней нейросетью. Она проверяет запрос перед отправкой и скрывает сведения, которые нельзя передавать за пределы компании. Это позволяет работать с более мощными моделями, но требует дополнительных затрат и повышенных мер безопасности.
При этом российские разработчики постепенно закрывают отдельные ниши и предлагают собственные инструменты, которые лучше учитывают особенности русского языка. Вячеслав Дегтярев, руководитель по развитию продуктовых решений «К2 НейроТех», отметил качество локальных решений для транскрибации речи — в этой области отечественные продукты работают точнее зарубежных аналогов.
Также компании все чаще хотят, чтобы ИИ работал внутри их собственной инфраструктуры. Главная причина — безопасность данных. Локальное развертывание позволяет не передавать информацию во внешние сервисы, но требует дорогостоящего оборудования. Серверы приходится долго ждать, а в цепочке поставок порой участвуют пять-шесть посредников, что дополнительно увеличивает стоимость.
Помимо этого, российские компании присматриваются к облачным решениям, но в этом случае компании стараются работать с синтетическими данными или предварительно удалять из них информацию, позволяющую идентифицировать отправителя.
Еще одна проблема — нехватка специалистов. Исследование «К2Тех» среди крупных компаний показало, что именно кадры сегодня становятся одним из главных ограничений для развития ИИ. Крупные игроки предлагают более высокие зарплаты и сильный бренд, поэтому остальным компаниям приходится как-то выходить из этой ситуации, что усложняет и удорожает внедрение технологий.
При этом ИИ уже выходит за рамки отдельных экспериментов. Сейчас его чаще используют для повышения операционной эффективности, а решения постепенно переходят от простых запросов к агентным системам, которые способны выполнять целые цепочки действий. По словам Шатирова, дальше значение будет иметь не только доступ к технологии, но и умение правильно применять ее в рабочих процессах.
Безопасность остается отдельной задачей. Даже если компания использует локальную модель и не передает данные во внешнее облако, ИИ-система все равно может стать частью внутренней инфраструктуры и создавать новые риски. Поэтому, как отметили спикеры, многие компании начинают внедрение именно с систем защиты, а уже затем подключают модели и другие инструменты.
Далее воркшоп разделился на два параллельных трека: один — для тех, кто только начинает работать с ИИ и хочет разобраться, с чего начать, а другой — для тех, кто уже использует ИИ и хочет вывести работу на новый уровень. Рассмотрим их подробнее.
«Прогревочный круг»: с чего начать тем, кто только знакомится с ИИ
Ася Ульянова, руководитель отдела контента «К2Тех», и Дмитрий Мельников, старший менеджер по цифровому маркетингу «К2Тех», провели практическую часть для трека, который был предназначен для начинающих. Они показали, что работа с нейросетями начинается не с выбора модели, а с умения формулировать запрос. Самая частая боль всех, кто пытался что-то попробовать, — написать запрос из серии «сделай мне статью на основе этого» и получить невнятный результат. Все упирается в три базовых правила: дать роль, описать задачу и обозначить границы.
Если вы не знаете, как подступиться к задаче, можно просто попросить нейросеть составить запрос за вас. Ася продемонстрировала этот подход на практике: сначала нужно объяснить, кто вы и зачем вам это, затем четко сформулировать задачу, в каком виде хотите получить результат, и обязательно скинуть похожий пример, чтобы нейросети было на что опереться. Дальше важно обозначить границы: не придумывай цифры, не выдумывай фамилии, используй только факты из присланного текста. А если информации недостаточно, задай уточняющий вопрос вместо того, чтобы что-то сочинять.
Следующий шаг — обучение модели вашему стилю. Ася показала, как это работает: нужно загрузить в чат пять идентичных статей, которые вы написали, и попросить нейросеть выделить основные параметры стиля — тон, лексику, структуру, ритм предложений. Модель выдаст короткое резюме, и дальше вы сможете использовать его для написания новых материалов. Можно даже создать отдельную папку для каждого формата: для Telegram-постов, для аналитических статей, для пресс-релизов и так далее. В папке контекст не смешивается между чатами, что экономит вычислительные ресурсы модели и сохраняет точность.
Также специалисты рассказали о доступных инструментах. Из зарубежных работает хорошо себя показывает Perplexity, причем бесплатного аккаунта для базовых задач вполне хватает. Из российских — «Яндекс Алиса» с ее промпт-хабом, где собраны готовые сценарии на любой случай, и китайский — DeepSeek, работающий без каких-либо проблем в России и способный генерировать качественный контент. Отдельно она выделила возможности транскрибации: современные сервисы позволяют не просто расшифровать аудио, а сразу получить главные тезисы, цитаты или даже резюме для Telegram-поста. Это особенно удобно, когда подкаст выходит утром, а тизер нужно сделать раньше.
«Тюнинг-бокс»: для тех, кто уже готов настраивать агентов и автоматизировать процессы
Второй трек, который вели Никита Костенчук, директор направления и решений в «К2Тех», и Виктор Смирнов, руководитель практики в бизнес-решениях «К2Тех», был посвящен более глубокой работе. Участники уже знали, как писать запросы и обучать модели стилю, и теперь переходили к работе с агентами — системами, которые могут выполнять цепочки действий без постоянного контроля.
Костенчук начал с теории. Агент — это не часть модели, а отдельный инструмент, который формирует вопросы так, чтобы получить цикл. Он ставит цель, планирует, как ее достичь, подбирает инструменты, выполняет, оценивает результат и, если результат не устраивает, то заставляет модель все переделать. ИИ при этом получает небольшие запросы, а агент обрабатывает их и превращает в готовый продукт. У агента есть руки — браузер, файловая система, интеграции с внешними сервисами. Он может сам планировать задачи, делегировать их субагентам, анализировать изображения и даже использовать компьютер физически.
Виктор Смирнов дополнил коллегу, сказав, что агенты бывают детерминированные — те, которые работают по строгому алгоритму, и адаптивные — те, которые сами планируют свои действия. В первом случае вы точно знаете, что получите, но гибкость ограничена. Во втором — результат может быть неожиданным, но адаптивность выше. Можно построить целую редакцию из агентов: один ищет новости, второй проверяет факты, третий пишет, четвертый рисует, а главный редактор-агент собирает все вместе. Но чем выше автономность, тем больше рисков и тем строже должны быть ограничения.
Параллельно с этим Никита Костенчук демонстрировал, как работает агент в реальном времени. Он дал задачу изучить папку с файлами, разложить их по категориям и записать информацию в Google Таблицы. Агент справился за двадцать минут, создав три папки с четкой структурой.
По-настоящему полезной оказалась функция сбора новостей с сайтов конкурентов. Раньше аналитику приходилось каждую неделю заходить на тридцать сайтов, копировать новости и собирать их в Excel-таблицу. Это занимало очень много времени, но теперь агент сам обходит сайты, собирает информацию, структурирует ее и выгружает в таблицу с точностью до 85%. Ошибки случаются, но их становится меньше с каждой новой версией документа. Также Костенчук показал, как агент сам перепроверяет источники, пробует зайти повторно, если сайт недоступен, и в итоге выдает отчет с компаниями, названиями новостей, ссылками и краткими аннотациями.
В свою очередь Смирнов добавил, что агент может быть не только сборщиком информации, но и редактором. Например, можно загрузить встречу на сто десять минут, попросить расшифровать ее, выделить топ-5 цитат для внутреннего анализа, а затем превратить это в пост для Telegram. И все это без участия человека, кроме первоначальной настройки.
Редактор остается главным?
Главный вывод воркшопа — ИИ не заменит журналиста. Не потому, что не сможет, а потому, что за ним все равно должен стоять человек, который проверяет факты, устанавливает границы и несет ответственность. Модель будет угождать, придумывать ссылки, галлюцинировать — и только редактор превращает ее генерацию в итоговый материал. Агент сокращает рутину на 80 процентов, но оставшиеся 20 — это та творческая работа, ради которой журналист вообще существует. Задача на сегодня — не создать ИИ-редакцию, а построить систему, где человек остается главным.
Главное, что следует запомнить — технология быстро меняется. Модели обновляются каждые два месяца, агенты становятся умнее, инструменты — доступнее. И тот, кто сегодня потратит час на настройку своего «гоночного болида», завтра будет проходить повороты на порядок быстрее. А те, кто останется в стороне, просто выпадут из гонки. Но выигрывает в ней не тот, кто быстрее всех нажимает кнопки, а тот, кто понимает, куда рулить.