Что ИИ умеет и не умеет

Самая важная статья гайда

Если из всего гайда остаётся в голове только одно — пусть это будет содержание этой статьи. Большинство неудачных попыток работы с ИИ ломаются здесь: люди берут задачу, в которой модель слаба, и удивляются, что результат плохой. Или наоборот — недооценивают её там, где она сильна.

Карта применимости ИИ — это не про «он умеет всё». Это про «он отлично делает вот это, плохо делает вот это, и врёт в этом».

Где модель сильна

Работа с текстом — переформулировка, сжатие, расширение. Модель отлично сокращает длинные документы до резюме, разворачивает короткие тезисы в полноценный текст, переводит формальный язык в простой и наоборот. Это её базовая способность, и здесь она работает почти безошибочно.

Структурирование неструктурированного. Транскрипция встречи на 15 страниц превращается в таблицу «решение / ответственный / срок». Письма за месяц — в обзор основных тем. Заметки по проекту — в план задач. Здесь модель работает быстрее и часто аккуратнее человека.

Анализ документов по конкретным вопросам. «Найди в этом договоре все пункты про ответственность сторон». «Что в этом регламенте сказано про командировки в страны СНГ?» «Какие сильные стороны конкурентов упоминаются в этих десяти отчётах?» Модель прочитает быстрее и не устанет к тридцатой странице.

Генерация вариантов. Когда нужно не один правильный ответ, а пять разных. Заголовков, формулировок, подходов, версий слайда. Модель снимает блок «не могу начать» и даёт материал для выбора.

Объяснение чего-то нового. «Объясни, как работает RAG, простыми словами, без технических терминов». «Разъясни эту юридическую конструкцию так, как объяснил бы коллеге, который не юрист». Модель — отличный учитель, у которого можно переспрашивать сколько угодно раз без неловкости.

Где модель слаба

Точные расчёты и цифры. Модель — не калькулятор. Она может ошибиться в умножении, неверно сложить столбец, перепутать дату. Любые конкретные цифры нужно проверять или просить модель сделать расчёт через код (Claude Code или режим Python в ChatGPT — там вычисления реальные).

Свежие факты после своей даты обучения. Модель знает мир до некоторой даты — обычно за полгода-год до момента, когда вы с ней говорите. Что-то после этой даты она либо не знает, либо выдумает. Для свежей информации нужно либо давать её модели в промпте, либо использовать поиск (он встроен в Claude и ChatGPT).

Узкоспециальные домены без подсказок. Глубокая бухгалтерия, специфика отдельных российских регуляций, внутренние процессы вашей компании — модель знает поверхностно или не знает вовсе. Здесь её нужно либо «питать» вашими документами, либо использовать с осторожностью.

Решения, требующие реального контекста. «Стоит ли мне принять это предложение о работе?» «Какую стратегию выбрать в этой ситуации?» Модель ответит — но её ответ будет статистически правдоподобной отпиской, а не информированной рекомендацией. Решения принимаете вы; модель помогает их подготовить.

Где модель врёт (и это нужно знать)

Галлюцинации — главная проблема, с которой сталкивается каждый. Модель уверенно выдумывает факты: несуществующие исследования, ссылки, цитаты, даты, имена. Это не баг — это свойство технологии: она оптимизирована «звучать правдоподобно», а не «говорить правду». OpenAI в своём исследовании 2025 года «Why language models hallucinate» подробно объясняет механику: модели обучают на тестах, где «не знаю» получает ноль баллов, а угаданный ответ — иногда правильный. В итоге модель учится угадывать вместо того, чтобы признавать неуверенность.

Типичные ловушки:

• «Согласно исследованию McKinsey 2023 года…» — исследования может не существовать.
• «В статье 152.1 ГК РФ сказано, что…» — статьи может не быть или формулировка другая.
• «По данным Росстата, в 2024 году…» — цифра может быть выдумана.

Правило простое: любой конкретный факт от модели — это гипотеза, требующая проверки. Перефразированная мысль или общее рассуждение — обычно надёжны. Конкретная цифра, дата, цитата, ссылка — проверяйте.

Современные модели стали галлюцинировать заметно меньше, и при включённом веб-поиске часто дают точные ответы со ссылками. Но привычка проверять должна остаться — это часть профессиональной гигиены работы с ИИ.

Что важно усвоить

• Сильные стороны: переформулировка, структурирование, анализ документов по вопросам, генерация вариантов, объяснение нового.
• Слабые стороны: точные расчёты, свежие факты, узкие домены, решения, требующие реального контекста.
• Галлюцинации — норма, а не исключение. Конкретные факты от модели — гипотезы, требующие проверки.
• Правило большого пальца: модель — отличный аналитик и черновик. Финальное решение и проверка фактов — всегда за вами.

Следующая статья: «Как думать про ИИ осмысленно» — рамка осмысленной работы с технологией.