HRBP по подписке × Empathy · Программа AI-эволюции команды
AI-Эволюция команды
Урок 1: Точка старта
Hard skills: Cursor, Claude Code, Skills, MCP
Meta skills: модели поведения через AI
Мотивация: первые быстрые победы
00Актуализация
Уровень использования AI
каждая точка ≈ 3,28 млн чел
2500 точек = 8,2 млрд (население мира, июль 2026)
цвет — уровень использования ai (данные на 07.2026, дедуплицированная оценка)
цвет — уровень использования ai (данные на 07.2026, дедуплицированная оценка)
не использовали
7,2 млрд (87,8%)
бесплатный чат
945 млн (11,5%)
платят ~$20/мес
50 млн (0,6%)
код с ai
7 млн (0,08%)
источники: OpenAI, Anthropic, DataReportal Digital 2026, Sensor Tower, Google — актуально на 8 июля 2026
00Актуализация
Почему результат разный у всех
Один и тот же AI даёт разный результат разным людям. Дело не в модели — дело в трёх вещах.
Hard skills
Знание систем и инструментов: Claude, GPT, Gemini, DeepSeek, Grok, Skills, MCP — какая система для какой задачи
Meta skills
Модели поведения, перенесённые на работу с AI — как методичность, аналитичность и другие софты определяют, что вы просите у модели
Драйверы мотивации
AI — это чит-код, который ускоряет реализацию любого драйвера. Это обучение прямо кормит драйверы результата: достижение, новаторство, самореализацию
Дальше в программе именно эти три вектора мы будем закрывать по каждому модулю — и вернёмся к ним в разборе М1-М3.
Урок 1 · Блок 1
Итоги аудита AI-зрелости команды и Roadmap
Где мы сейчас как команда, по какой шкале это измеряем, и куда идём следующие 11 недель.
6
сотрудников оценено
5
срезов диагностики
11
недель программы впереди
1
команда, общая точка роста
01Методология
The Autonomy Map — где ваша команда
| Уровень | Аналогия (вождение) | В работе с AI |
|---|---|---|
| L0 · Manual | Нет автоматизации, ты контролируешь всё | AI не используется в рабочих процессах |
| L1 · Assistive | Круиз-контроль, подсказки на полосе | Черновики через ChatGPT от случая к случаю |
| L2 · Partial | Машина рулит и разгоняется, ты наблюдаешь | Общие AI-воркфлоу, есть постоянный контекст |
| L3 · Conditional | Едет по трассе сама, ты — на сложных участках | Процессы перестроены вокруг AI; человек — судья по исключениям |
| L4 · High | Едет сама почти везде | Маленькая команда + AI = 10x результата |
| L5 · Full | Руль не нужен | Мультиагентные системы, человек — на контрольных точках |
01Методология
5 осей внутри каждого уровня
Итог — не среднее по осям, а по правилу нижней границы. Нажимайте «+», чтобы раскрыть уровни каждой оси.
L0 Не использует или крайне редко
L1 Ситуативно, менее 70% задач
L2 Системно, AI в большинстве задач
L3 AI-first: автономные агенты и пайплайны
L0 Один инструмент, без настройки
L1 Веб-интерфейс, ручная работа
L2 Кастомные ассистенты, Projects
L3 API, MCP, автоматизированные пайплайны
L0 Нет системы, всё с нуля
L1 Ручная загрузка файлов
L2 Структурированные базы, RAG-элементы
L3 Векторные базы, автообновление
L0 Разговорные вопросы, нет структуры
L1 Базовые промпты, роль + задача
L2 Few-shot, итерации, декомпозиция
L3 Системные инструкции, библиотека приёмов
L0 Одна модель, доверяет без проверки
L1 Знает несколько моделей
L2 Осознанный выбор модели, фактчекинг
L3 Глубокое понимание архитектур, кросс-валидация
02Результаты аудита
Где сейчас команда
6 участников на карте уровней — от L0 до L2. Пятеро в команде держатся на уровне L1, с разной дистанцией до границы L2, и только участник 6 ещё остаётся в зоне L0.
Частота использования →
L0
L1
L2
L0
L1
L2
Участник 1
L1
L1
Участник 2
L1
L1
Участник 3
L1
L1
Участник 4
L1
L1
Участник 5
L1
L1
Участник 6
L0
L0
Глубина архитектурного применения →
02Результаты аудита
Детально по срезам
| Участник | Доля задач | Архитек- тура | База данных | Скиллы | Знание моделей | ИТОГ |
|---|---|---|---|---|---|---|
| Участник 1 | L1→L2 | L1 | L1→L2 | L1→L2 | L1→L2 | L1 |
| Участник 2 | L1 | L1→L2 | L1 | L1→L2 | L1 | L1 |
| Участник 3 | L1 | L1 | L1 | L1 | L1 | L1 |
| Участник 4 | L1 | L1 | L1 | L1 | L1 | L1 |
| Участник 5 | L1 | L1 | L1 | L1 | L1 | L1 |
| Участник 6 | L1 | L0 | L0 | L1 | L0 | L0 |
L0 · Manual
L1 · Assistive
L1→L2 · переход
L2 · Partial
🎯 Главный вывод аудита
Колонка «Архитектура» — красная у всех. Никто в команде не вышел за пределы ручной работы в окне чата.
Главный фокус программы: учить не промптингу, а системности и автоматизации.
03Выводы
Ключевые выводы по команде
1
Есть на кого опереться
В команде уже есть люди на фронтире — их подход стоит распространить на остальных.
2
Процессы не перестроены под AI — и это стоит денег
Повторяющийся промпт вместо сохранённого контекста = расход токенов на ту же задачу кратно выше. Разберём на конкретном примере в Блоке 2.
3
Фактчекинг — общая зона риска
Часть команды принимает результат модели без проверки. Опасность конкретна: непроверенная цифра или гипотеза может лечь в реальное бизнес-решение — уже был случай, когда галлюцинация на 2,2 млн прошла без проверки.
4
Лидер и зона внимания
Есть тот, кто задаёт планку роста. Есть тот, кто на самом старте — нужен фундамент цифровой гигиены.
04Программа
Обзор программы обучения
Аудит показал, откуда мы стартуем. Дальше — 11 недель обучения.
Hard /empathy-onboarding, /context-engineering, /daily-log, /atomize, /reflect
Meta Методичность и структурированность — фиксировать и не терять контекст
Результат Расширить потенциал работы с AI — от разовых черновиков к полноценным интеграциям с почтой, календарём и другими рабочими каналами
Hard /software-factory, /harness, /candidate-research, /eval
Meta Аналитичность — правильное формирование запросов, перепроверка гипотез вместо поиска им подтверждения
Результат Перейти от исполнения к анализу — принимать решения на данных, а не на первом правдоподобном ответе AI
Hard /multi-agent, /agent-retro, /council, /autoresearch, /n8n
Meta Делегирование — доверие выстроенному процессу без ручного контроля каждого шага
Результат Разобраться, какую часть процессов можно передать AI полностью автономно — без вашего запуска каждый раз
Урок 1 · Блок 2
Ландшафт AI-систем и Токеномика
Экосистемы моделей, как считаются токены, и почему результат зависит от человека, а не от модели.
04Теория
Что такое LLM
Статистическая система, обученная предсказывать следующий токен на основе гигантского объёма текста. То есть всё, что делает модель — это очень качественное, очень сложное угадывание того, что должно идти дальше.
1M+
токенов контекста в современных моделях — с 4 тыс. токенов у ранних версий GPT-3.5 до 1-2 млн сегодня
Трлн
токенов текста — книги, код, статьи — модель проходит на этапе обучения, чтобы выучить грамматику, факты и логику
100+ млрд
параметров (весов) в современных моделях — именно в них «записано» всё, чему модель научилась
Self-attention — механизм, который позволяет модели учитывать связь между всеми словами текста одновременно, а не читать последовательно. Это и есть архитектура Transformer.
04Теория
Откуда это взялось
2017
Transformer
Google, архитектура-основа
2020
GPT-3
OpenAI
2022
ChatGPT
Массовый взрыв интереса
2025
DeepSeek R1
Китай доказал: можно дешевле
2026
Гонка инфраструктуры
$650 млрд капзатрат США
$650 млрд
капзатрат США на AI-инфраструктуру в 2026 (Amazon ~$200 млрд, Alphabet ~$185 млрд, Meta ~$135 млрд, Microsoft ~$105 млрд)
~$125 млрд
весь AI-инвест Китая за 2025 — Alibaba, ByteDance, Tencent — на порядок меньше США из-за экспортных ограничений на чипы
5,4%
разрыв в качестве между топ-10 моделей мира — был 11,9%. Инфраструктура и цена решают больше, чем сама модель
04Ландшафт
Карта экосистем: 3 слоя
Три слоя одной системы, снизу вверх.
Anthropic Claude: Haiku, Sonnet, Opus, Fable
OpenAI GPT: серия 5.x + mini/nano
Google Gemini: Pro, Flash
DeepSeek (Китай) V4 — фронтир-уровень на порядок дешевле, работает на чипах Huawei без Nvidia
xAI Grok — реал-тайм данные из X/интернета
Alibaba Qwen — открытые веса, сильная математика
Z.AI GLM — открытые веса, конкурентен в коде
Anthropic Claude.ai, Claude Code, Claude Cowork, Claude в Chrome/Excel/PowerPoint
Google Gemini app, NotebookLM, Antigravity, AI Studio
OpenAI ChatGPT, Codex, Atlas, Sora
Разработка Cursor, Windsurf
Автоматизация n8n, Make, Zapier
Поиск Perplexity
04Ландшафт
Claude vs GPT vs Gemini vs DeepSeek vs Grok
Нет универсального победителя — у каждой системы своя сильная сторона.
Точность рассужденийРабота с кодомБольшие документы (1M контекст)Естественный текстPowers Cursor/Windsurf/Claude Code
УниверсальностьМультимодальность (голос, изображения)Самая широкая сеть интеграцийCanvas для совместного редактирования
Самый большой контекст (1-2M)Лидер по ценеИнтеграция с Google WorkspaceСильные бенчмарки reasoning
Самая низкая цена (~10-50x дешевле)Сильный код и математикаПрозрачный ход рассуждений⚠ Данные идут через китайскую инфраструктуру
Данные в реальном времени из X/интернетаСильный агентный tool-use⚠ Выше средняя частота галлюцинаций
Разрыв на пределе минимальный (5,4% между топ-10). Решают цена, контекст, экосистема и тип задачи — не рейтинг.
04Ландшафт
Одна задача — пять моделей
Пример: анализ длинного финансового документа и поиск ошибки в расчётах.
| Модель | Точность | Токенов на задачу | Стоимость |
|---|---|---|---|
| Claude Sonnet 5 | Высокая | ~95K | ~$0,40 |
| GPT-5.5 | Высокая | ~140K | ~$0,80 |
| Gemini 3.1 Pro | Средняя-высокая | ~110K | ~$0,44 |
| DeepSeek V4 | Средняя | ~130K | ~$0,08 |
| Grok 3 | Высокая | ~150K | ~$0,60 |
Расчёт по официальным ценам за токен на равный объём (100K вход + 20K выход) — иллюстрация, не результат реального теста. Разница в разы даже на одинаковой задаче.
05Токеномика
Что такое токен
Токен — минимальная единица текста, которую видит модель: часть слова, целое слово или знак препинания. Модель не читает текст целиком — она читает такие куски, и именно в токенах измеряется весь объём разговора и его стоимость. В среднем один токен ≈ 0,75 слова.
tokenization→token + ization
Слово «tokenization» разбилось на два токена. Частые слова остаются целыми, редкие или составные — режутся на куски.
Алгоритм BPE: придуман в 1994 для сжатия данных, адаптирован под LLM в 2016.
Разные модели токенизируют текст по-разному → разница в цене за один и тот же текст.
05Токеномика
Контекстное окно — рабочая память AI
Всё, что AI «видит» прямо сейчас, помещается в одну шкалу. Чем шире полоса — тем больше места она занимает.
Системный промпт
мал
История сообщений
растёт быстрее всего
Инструменты / документы
переменный
Ответ модели
дороже входа в 5×
Context rot: чем длиннее становится история сообщений (самая быстрорастущая полоса выше), тем хуже модель помнит середину разговора. Больше контекста ≠ лучше результат.
05Токеномика
Токеномика в Claude Code
CLAUDE.md
Грузится в КАЖДЫЙ ход разговора — самый дорогой кусок контекста
Субагент
Отдельное контекстное окно — не засоряет основной разговор
/clear
/compact
/context
05Токеномика
Цены моделей
| Модель | Вход / млн | Выход / млн |
|---|---|---|
| Haiku 4.5 | $1 | $5 |
| Sonnet 5* | $2 | $10 |
| Opus 4.8 | $5 | $25 |
| Fable 5 | $10 | $50 |
Выход ≈ в 5× дороже входа
Кэш промпта: экономия до 90%
06Human+AI
Не инструмент — а то, как им пользуешься
Технический контекст
CLAUDE.md, база, архитектура
+
Человеческий контекст
Как мыслю, что проседает
=
Единый контекст
агента
Урок 1 · Блок 3
Технический сетап
Что такое Skill, как устроено прогрессивное раскрытие, как запустить онбординг.
08Skills
Что такое Skill
Папка с одним файлом внутри, SKILL.md, которая учит Claude делать что-то конкретное определённым способом.
📁 Папка
→
SKILL.md
→
Claude делает задачу
по этой инструкции
по этой инструкции
Аналогия: онбординг-памятка для нового сотрудника — один раз написали, дальше просто ссылаетесь.
08Skills
Из чего состоит SKILL.md
Заголовок (frontmatter)
Метаданные: имя и описание. Формально необязательны, но без описания скилл просто не найдётся — именно по нему Claude понимает, когда его доставать.
Тело файла
Сама инструкция — что делать шаг за шагом.
Имя папки само становится командой, которую можно ввести.
08Skills
Прогрессивное раскрытие: 3 уровня
Механизм, который делает это дешёвым.
В начале сессии загружаются только имя и описание каждого скилла — буквально пара строк.
Когда задача совпадает с описанием — подгружается полное тело инструкции.
Скрипты, шаблоны — подгружаются только тогда, когда реально понадобились. Пример: PDF-скилл со скриптом заполнения формы — Claude запускает его напрямую, не загружая код в разговор.
08Skills
Где живут скиллы
Личный
Только у вас, на всех ваших проектах
Проектный
Доступно всей команде через общий проект
Корпоративный
Централизованная настройка для всей организации
08Skills
Skill vs CLAUDE.md vs MCP vs субагент
| Инструмент | Что делает |
|---|---|
| CLAUDE.md | Грузится в каждую сессию всегда, целиком |
| Skill | Только когда задача подходит |
| MCP-сервер | Даёт новые возможности — доступ к внешним сервисам |
| Субагент | Отдельный работник со своим контекстным окном |
Правило: применимо не ко всем задачам, а только к одной конкретной → повод сделать skill, а не раздувать CLAUDE.md.
08Skills
Скиллы М1: что впереди на неделях 3–5
Онбординг сотрудника: показывает 4 обязательных правила AI Mandate, собирает контекст роли и синтезирует M0-аудит + Talent Q + тест на модели поведения в персональный файл — как твой AI-ассистент должен себя вести конкретно с тобой.
Что грузить в контекст агента, а что нет. Почему AI отвечает плохо или галлюцинирует и как это исправить — работает с твоими файлами COMPANY.md и AGENT-PERSONALITY.md.
Ежедневный чек-ин по твоему процессу автоматизации: что сделал, есть ли измеримая экономия времени, что мешало. Баллы идут в общий счёт AI Champion.
Извлекает атомарные идеи из текста или заметок — по одной идее на заметку, со связями между ними. Разрозненные знания превращаются в базу, а не теряются.
Еженедельное ретро по твоему процессу: сколько реально сэкономлено времени за неделю, что оставляем, что меняем. Готовый черновик для Mini-Demo.
08Skills
Запуск скилла онбординга
Зачем это нужно
Мы не хотим, чтобы агент был одинаковым для всех шестерых. Этот скилл — единственный способ агенту узнать, с кем именно он работает.
Квиз 15 моделей
форс-чойс, ~10 мин
форс-чойс, ~10 мин
→
Профиль
→
personality.md
Вызов: слэш-команда с именем скилла ИЛИ «хочу пройти онбординг» естественным языком. Практика на уроке — 5 минут, доделать дома.
Урок 1 · Блок 4
MCP — агент обретает руки
Архитектура протокола, ваши токены как инструменты агента, безопасность.
09Риск
Толерантность к риску
Как у предпринимателей (Илья Стребулаев, «The Venture Mindset», тысячи стартапов) — те, кто выжимает риск на максимум, первыми используют новые модели и получают преимущество. Но это рынок ещё сырой, а не устоявшийся.
1 · Осторожно10 · На фронтире
Дивиденд риска
Первыми используете новую модель — первыми получаете ускорение и преимущество
Обратная сторона
Уязвимости ещё не найдены — чувствительные данные (Telegram, почта, аналитика) могут утечь
Whitelist, а не blacklist: как переход Рунета от чёрных списков (блокируем конкретное — новое по умолчанию разрешено) к белым (разрешено только явно перечисленное — новое по умолчанию блокируется). Разница на практике: агент с blacklist может по ошибке отправить чувствительные данные в чат, который просто не попал в список запрещённых.
Каждый решает сам, насколько он толерантен к риску — но выбирать нужно осознанно, а не случайно.
09MCP
Метафора: мозг и руки
Мозг
Мышление, CLAUDE.md, personality.md
→
Руки
Действие во внешнем мире
До сих пор агент только рассуждал внутри разговора — не мог сам отправить сообщение или создать событие.
09MCP
Что такое MCP
Открытый стандарт, представлен Anthropic в ноябре 2024 года. С декабря 2025 передан в открытую организацию Agentic AI Foundation — это уже не фишка одной компании, а общая инфраструктура индустрии.
N моделей × M инструментов
Без протокола — отдельная интеграция под каждую пару
→
MCP
Единый разъём — как USB вместо проприетарных кабелей
09MCP
Архитектура: три участника
Хост
Приложение, ведущее разговор с моделью — у нас это Claude Code
Клиент
Часть внутри хоста, держит связь с конкретным сервером
Сервер
Даёт конкретные возможности — Telegram, почта, календарь
Инструменты — руки: не «прочитать», а «сделать»
Ресурсы — данные для чтения
Шаблоны — под типовые сценарии
09MCP
Ваши токены — это и есть руки агента
🤖
Telegram
Токен через BotFather — право читать сообщения и отвечать от имени бота
Токен через BotFather — право читать сообщения и отвечать от имени бота
📧
Почта
Пароль приложения — право читать/отправлять письма без вашего основного пароля
Пароль приложения — право читать/отправлять письма без вашего основного пароля
📅
Календарь
Чтение событий и создание новых прямо из разговора
Чтение событий и создание новых прямо из разговора
Ничего не публикуется — всё остаётся локально. Явное согласие пользователя встроено в сам протокол.
10Безопасность
Правила работы с ключами
Только в специально отведённое место настройки.
Если один скомпрометирован — ущерб ограничится только им.
Официальные плагины, а не случайные пакеты. Январь 2026: поддельный сервер в открытом репозитории перехватывал API-ключи через переменные окружения.
Если есть выбор «только чтение» / «изменение» — по умолчанию чтение.
Отключайте то, чем давно не пользуетесь.
Мы не просим вас становиться специалистами по кибербезопасности. Мы просим ровно одну вещь — не разрешать то, что вы не понимаете.
10Практика
Практика: какие задачи можно решать через MCP
📘
Теория
Что такое MCP, архитектура из трёх участников, токены и разрешения
→
⚙️
Практика
Получаем токен через BotFather → устанавливаем плагин → подключаем → запрос разрешения
11Домашнее задание
Домашнее задание
1
Завершить онбординг и запустить своего агента
Дойти до конца квиза 15 моделей поведения, экспортировать профиль в JSON и подключить его в Claude Code — так, чтобы личный агент учитывал ваш профиль при работе.
2
Подключить MCP
Подключить Telegram, Google Календарь и почту по инструкции — пройти пейринг и осознанно подтвердить нужные разрешения.
3
Выбрать процесс для автоматизации
Определить один рабочий процесс, который можно закрыть через подключённый MCP-канал, и описать, как именно агент будет в нём участвовать.
Урок 1
Вопросы
Что осталось непонятным? Что хотите обсудить подробнее?