Меня зовут Владимир и я продакт‑менеджер со стажем. В этой статье я хочу рассказать о том, как я использовал LLM‑модели (далее нейросеть) в своей ежедневной работе и почему это может быть оказаться полезно именно вам. Начну с небольшой справки:

LLM (Large Language Model, «большая языковая модель») — это класс алгоритмов искусственного интеллекта, обученных на внушительных объёмах текстовых данных, чтобы понимать и генерировать новые тексты на естественном языке. Проще говоря, такая модель «читает» миллионы книг, статей и других текстовых источников, чтобы «научиться» закономерностям языка: грамматике, стилистике, логике изложения и многим другим нюансам.

Так описывает себя ChatGPT

А теперь к сути: что вообще меня сподвигло написать этот текст? Однажды мой знакомый продакт спросил у меня: «А как вы используете нейросети в своей работе?». Я подумал и ответил: «А никак.» Надо сказать, что я не очень доверял нейросетям, воспринимая их скорее как продвинутый поисковый движок, нежели ассистент в ежедневных рутинных задачах. Мы немного поговорили о его опыте, и я в очередной раз призадумался: «А может пора?». Откровенно говоря сыграло ощущение того, что я упускаю что‑то полезное и интересное (как в своё время случилось с криптой) и, возможно, стоит попробовать. Использовал я в основном ChatGPT и совсем недавно познакомился с Deepseek и Qwen.

Вопросы безопасности и проверка фактов

Меня всегда волнует безопасность. Мы же работаем с реальными проектами и реальными людьми, где фигурируют NDA и прочая конфиденциальная информация. Поэтому я решил все «опасные» данные либо обобщать, либо убирать вовсе.

Скажем, если у нас есть конкретный клиент, я не писал «Иван Иванов, номер телефона такой‑то», а превращал всё в «[Клиент X], [Контакт]». Согласитесь, зачем лишний раз подставлять свою компанию, когда инструменты могут сохранять историю запросов на своих серверах?

Ещё один «подводный камень» — ИИ иногда ошибается и пишет разные глупости, причём с очень серьёзным видом. Поэтому я постоянно перепроверял факты. Но, если честно, в большинстве случаев мне приходилось исправлять только мелкие неточности, которые легко вылавливались при беглом просмотре.

Что я пытался автоматизировать

Составление брифов

Самым очевидным шагом было отдать ИИ задачу, которую я терпеть не мог: написание брифов для внутренних стейкхолдеров. Чтобы написать бриф по какой‑нибудь фиче, обычно мне приходилось открывать десяток документов, сводить всю информацию вручную и при этом стараться, чтобы текст был емким, но не потерял никаких важных деталей.

Я загрузил в ChatGPT отрывки из предыдущих брифов и написал что‑то вроде: «Помоги сформировать короткий бриф для новой функциональности. Вот ключевые требования, сроки и риски.

Если бы меня спросили, чего я ждал от этой штуки, я бы ответил, ��то надеялся на волшебную палочку, которая сделает всё сразу и хорошо, однако вышло не так. Текст был хоть и неплох: хорошо структурирован, подсвечены какие‑то важные моменты, но мне показалось что в нём очень много воды. Пришлось докручивать его дополнительными запросами вроде «Сделай текст более ёмким, убери ненужные детали», или «Измени тон на менее официальный, но без фамильярности». В общем поначалу задача заняла у меня примерно столько же (а может и больше времени), чем ручное написание брифа.

В этот момент я осознал важность правильной постановки задачи, ведь нейросеть действует по твоей инструкции и чем детерминированней она, тем лучше будет результат. Пришлось погрузиться в чтение материалов во промптингу (искусству писать запросы нейросетям), что, в конечном итоге, позволило мне получать более качественный результат за меньшее время.

В общем мне удалось сократить время на выполнение таких задач примерно вдвое (хотя, конечно, зависит от сложности фич).

Резюме совещаний в Zoom

Следующим шагом было самое неприятное для меня — написание резюме по совещаниям и рабочим встречам (да, я продакт который не любит излишек встреч). Записывать по ходу встречи получалось не всегда и не всё, плюс во время записи я подвисал на вопросах, которые задавали мне, да и во время бурных дискуссий решение часто менялось на ходу, от чего реально болела голова.

Для начала пришлось включать запись в Zoom, что вызывало дискомфорт у некоторых коллег, который, в свою очередь, уже был красным флагом. Плюс ко всему видео в ChatGPT не скормишь, так что я нашёл несколько сервисов для транскрибации видео и получил текстовые расшифровки созвонов. Опять же, качество расшифровок в бесплатных сервисах было так себе, иногда реплики разных людей смешивались в одну, а уж когда говорили несколько человек получалась полная каша. Платить за сервисы я не стал, эксперимент же. Так что пришлось перебирать эти тексты руками, возвращая им тот смысл, который изначально был в них.

Далее я скормил расшифровку тому же ChatGPT, попросив сжать её в резюме на одну страницу, чтобы не потерять принятые решения и основные тезисы. После пары‑тройки попыток (снова промптинг) получилось даже сносное резюме, однако време��и мне это не сэкономило. Все телодвижения, которые пришлось предпринять,

Таким образом самым эффективным способом всё ещё осталась ручная запись тезисов и верификация их в конце встречи.

Получение быстрых идей для решения задач

В какой‑то момент я подумал: «А что если нейросеть может давать решения на запросы бизнеса, ведь она обучалась в том числе на десятках тысяч статей „Как мы делали это“?»

Для начала я взял одну из текущих задач, где надо было разместить несколько контекстных блоков, чтобы мотивировать пользователей совершить определённые действия. Я спросил у ChatGPT: «Если бы ты был продактом и тебе надо было разместить несколько блоков с такой‑то целью в продукте похожем на мой (тут была ссылка, но я не хочу окончательно деанониться, так что опущу её) где и что бы ты разместил?».

Тут я ожидал, что ChatGPT опишет как уже запланированные мной доработки, так и добавит чего‑то не столь очевидного. Не знаю уж, мой промптинг недостаточно хорош, или нейросеть действительно не всемогуща, но я получил меньше идей чем описал сам, хотя и самые очевидные из них были также перечислены нейросетью. Я попробовал задать больше контекста, потому что нейросеть не может самостоятельно изучить приложение, а веб версии у нас нет, но, увы. Можно сказать, что я получил ответ базового уровня, который мог бы набросать и сам.

Также я просил нейросеть выполнить ту же задачу, но в контексте веб‑страниц, того же Хабра, ощущение то же самое, только простые варианты, которые можно легко придумать и самому.

Вывод я сделал очень простой: использовать нейросеть можно, но только для того, чтобы убедиться, что я не пропустил самых очевидных вещей.

Генерация изображений/мокапов интерфейсов

По поводу изображений вопросов быть не может: описываем, запрашиваем побольше вариантов, выбираем понравившийся, profit.

С мокапами интерфейса всё несколько сложнее. ChatGPT, Deepseek или Qwen не генерируют изображение напрямую, однако могут сгенерировать html‑код или.svg файл.

Мне так и не удалось победить самого себя в Фигме, когда я просто создаю копию существующего элемента и модифицирую её как требуется. Так что и тут эффективность нейросетей осталась под вопросом.

Подготовка «черновиков» текстов для UI

Я всегда писал тексты вручную, например, приходилось выдумывать разные варианты текста для кнопок, какие‑то приветственные сообщения в приложении. Это считалось «простой задачей», но при этом отнимало массу времени.

На волне успехов с брифами, я решил попробовать применить нейросети и здесь. Я сформулировал запрос для ChatGPT примерно так: «Это мобильное приложение для того‑то, тон — дружелюбный и немного игривый, подбери несколько вариантов текста для экрана приветствия. В результате получил подборку фраз, которые можно было не дорабатывать и положить в спецификацию.

Тут ожидания столкнулись с реальностью, конечно, иногда, приходится сокращать тексты под требования интерфейса, но даже так выходит значительно быстрее, чем придумывать новые тексты или обращаться к справочникам.

Итог

Вся эта затея с автоматизацией оказалась интересным экспериментом, я стал тратить меньше времени на тексты, но на этом, к сожалению, всё.

Для меня оказалось рациональным использовать нейросети для работы с текстами, например для внутренней документации и создания текстовок для новых фич (или обновления старых).

Кажется, что если вы достаточно опытный специалист, то влияние нейросетей будет не столь значительным, хотя, бесспорно добавит комфорта для самый рутинных и унылых задач, а вот если вы начинающий специалист то тогда, вполне вероятно, вы сэкономите гораздо больше времени чем я.

Я не претендую на истину в последней инстанции, поэтому с радост��ю готов обсудить свой и ваш опыт в комментариях.