Дорогая рИИдакция

📝 Claude Code запустил убийцу Google Docs

Ладно, убийца — преувеличение: гугл-доки переживут и это. Но штука правда классная. В Claude появился свой редактор документов — Claude Docs, а в приложении Claude Code он открывается прямо рядом с агентом. Я уже собрал в нём бриф и пару постов и больше не хочу таскать тексты из чата в гугл-док.

👀 Как это выглядит
Вы пишете агенту «сделай документом». Справа открывается панель: сначала план с заголовками, потом разделы заполняются один за другим. Пока агент пишет третий, вы уже читаете первый.
Дальше два пути. Можно править руками прямо в тексте — агент видит ваши правки и поверх них не пишет. Или выделить кусок и оставить комментарий «сократи» или «тут пример нужен»: агент правит именно это место и отвечает в ветке.

🧰 И это полноценный редактор
Руками можно добавлять таблицы, картинки, чек-листы, маркированные и нумерованные списки, заголовки трёх уровней, блоки кода. Есть даты-чипы и выпадающие списки — удобно для статусов и дедлайнов в контент-плане. И всё это агент тоже умеет сам.

✍️ Зачем это редактору
Раньше цикл был такой: агент пишет в чат → копируете в гугл-док → правите → копируете обратно с просьбой «учти мои правки». Теперь черновик, правки и комментарии живут в одном месте.

При этом агент пишет с вашим контекстом: у него под рукой база, стайлгайды и скиллы, а не пустое окно чата. Брифы, планы, посты на согласование — всё сюда. Этот пост тоже родился там.

🔗 Поделиться
Документ приватный, пока вы сами не нажмёте Share. Коллега по ссылке читает и комментирует. Нужен файл — выгрузка в Word, Google Docs или PDF.

⚠️ Где работает
Сам редактор есть и в обычном Claude — в браузере, на десктопе и в телефоне. Но панель рядом с агентом есть только в десктопном приложении Claude, во вкладке Code. В терминальном Claude Code такой панели нет.

Пока это бета для Pro и Max, раскатывают постепенно. Нет у вас — подождите пару недель и обновите приложение.

🔥 Как включить
Никак — просто попросите. Волшебное слово — «документ»: «сделай доком», «положи в документ». Напишете «напиши пост» — агент ответит по старинке, в чат.

Агент как первая линия техподдержки

Было у нас несколько историй в чате о том, что агента можно звать не только на текст, но и когда на компьютере что-то сломалось.

Один подписчик не смог авторизоваться в расширении Claude Code для VS Code. Вместо форумов пошёл прямо в приложение Claude: изложил Опусу симптомы и получил пошаговый алгоритм, что делать дальше, — авторизация удалась.

Другой случай: у одного из читателей чата после установки бета-версии macOS перестал работать плагин электронной подписи для госуслуг. Расширение вело себя так, будто ничего не настроено, диагностика от разработчика не запускалась, а поддержка предложила подождать час-другой. Агент же разобрался с первого раза. Причём готового ответа в сети не существовало, агент диагностировал проблему и решил её сам.

В чате нашлось достаточно подобных ситуаций. Разница с привычным «погуглить и написать в поддержку» в том, что агент может зайти в ваши собственные логи, процессы и конфиги на конкретно вашем устройстве.

Кстати, с проблемами, которые касаются работы агента, действует то же правило, и мы постоянно говорим о нём в чате и пишем в рассылке — спросите у самого агента.

Файл CLAUDE.md должен быть минимальным

В чате подписчики как-то пожаловались на то, что агент так перегружен правилами, что обычный ChatGPT с некоторыми задачами в итоге справляется лучше хорошо настроенного Claude. 

В чём подвох? Принудительная загрузка всего накопленного контекста работает так же плохо, как и его отсутствие. Если контекста слишком много, он не помогает, а протухает по ходу работы над задачей. Если каждый скилл приходится звать вручную, вероятно, дело не в памяти агента, а в том, как устроены сами знания. Например, агент может путать иерархию скиллов и сначала брать тот, который должен быть ближе к финалу работы над задачей.

Та же логика работает и для главного файла инструкций. Чем больше CLAUDE.md, тем хуже агент следует тому, что в нём написано. Инструкции деградируют, контекстное окно выжигается, а противоречия агент разрешает как получится.

Рабочая схема из чата — держать CLAUDE.md коротким, как набор жёстких правил, а стилистику, примеры или редполитику выносить в отдельные файлы и подгружать по необходимости, через импорт или скиллы. Также время от времени стоит прогонять файл на противоречия и удалять всё мёртвое.

Голос описывается примерами, а не правилами

Одна из частых жалоб на агента касается работы со стилем: вроде бы есть инструкции, примеры слопа, даже отдельный агент по «очеловечиванию» текста, а результат всё равно скачет. И получается либо набор странных метафор, либо «пересушенный гуглтранслейт».

Стиль, или Voice DNA, вообще не описывается правилами, т.е. формулировка вроде «используй тире, но не очень часто» или «будь ироничным, но не циничным» не работает, агент от таких указаний «дуреет». 

Вместо этого работают примеры: они передают паттерн и ритм, которые правилами не сформулировать. Три-четыре хороших эталонных текста дают модели больше, чем целая страница правил про стиль. А ещё негативные правила работают сильнее позитивных.

Для решения проблемы стиля у нас есть также скилл «Виноградов»: «Стиль не передать инструкцией. Работают примеры: как часто автор обрывает мысль вопросом, где у него короткая фраза в три слова, какие словечки повторяет. Даёте ему 5–20 текстов, он прогоняет их через стилометрию и собирает отпечаток голоса. На выходе у вас — Voice DNA: документ, по которому агент пишет в вашем стиле».

Если вы до сих пор описываете Voice DNA страницей прилагательных, то попробуйте заменить её подборкой из нескольких своих текстов. Разница будет заметна быстрее, чем от новой формулировки правила.

Разница между настроенным и ненастроенным ToV больше, чем между Клодом и GPT

В чате подписчиков как-то устроили небольшой эксперимент: показали два коротких абзаца без подписи, кто их написал, и попросили сказать, какой лёг на душу больше и почему.

Вариант 1: «Используем готовые решения, когда они позволяют быстрее достичь результата, а при необходимости разрабатываем индивидуальный личный кабинет с нуля. В обоих случаях адаптируем продукт под ваши бизнес-процессы и интегрируем его с корпоративными системами».

Вариант 2: «Используем готовую платформу, если она закрывает ваши задачи, — это быстрее и дешевле. Если нет, разрабатываем кабинет с нуля под ваши процессы».

Голоса разделились не поровну: второй текст, по отзывам, читался легче. Кто-то написал, что лучше бы взять «микс из терминологии первого и лаконичности второго».

Автор эксперимента раскрыла карты: первый вариант написал ChatGPT, второй — Claude. Оба — черновики без финальной шлифовки. Но по её собственному ощущению первый больше похож на язык корпоративной культуры, к которому привыкла команда, а второй, при всей лаконичности, выглядит слишком упрощённым. При этом сколько бы она ни объясняла Клоду тон, контекст, ни давала примеры — он всё равно пишет во втором регистре. А от ChatGPT иногда с первого раза получает вариант, который берёт в работу быстрее.

«Базовый ToV и набор хороших/плохих примеров сейчас важнее, чем модель. И их можно и нужно постоянно докурчивать».

Алексей Пономарь

Вложите силы и время в настройку ToV и библиотеку хороших и плохих примеров под конкретный голос. Модель можно менять хоть каждую неделю, а без вложенного ToV любая из них рано или поздно съедет к своему дефолтному языку.

Работа с гугл-доками на агентах

Несколько месяцев в чате подписчиков мы обсуждали тему гугл-доков: что проще не бодаться с ними напрямую, а сразу скачать. Кейс из чата: агент не правил сам документ, плодил копии, а один раз и вовсе не смог прочитать файл, наделал скриншотов и вносил правки в таблицу по ним, вслепую.

Одна из наших подписчиц Яна Мизгирёва не выдержала: «Мучилась-мучилась с Клодом, что он не может вносить изменения в гугл-доки, а только создавать новые — психанула и сказала, чтобы подумал, как нам это всё упростить, а то сил моих больше нет». Агент написал скрипт и инструкцию, как его подключить. Настроили за полчаса.

«Теперь он сам добивает статьи, материалы всякие, отчёты по голосовым — всё это в одном доке без тысяч копий, в которых только путаешься».

Кстати, в тот же день в чате нашлись ещё два независимых решения той же проблемы.

1. Codex может менять гугл-доки из коробки: создаёшь текст в чате, просишь сделать документ, и правки заносятся сразу туда.
2. Через интеграцию с гугл-доками (например, Composio) агент вносит правки без копий.

У Codex, впрочем, есть нюансы. Яна решила протестировать и его тоже и застряла на таблицах: Codex переносит их в markdown-разметку и не всегда чинит по просьбе, хотя не факт, что это общая беда, а не её частный случай. Если работаете с Codex и гугл-доками — поделитесь опытом!

В итоге она вернулась к своему скрипту с Клодом и заново собрала статью через него. У этой связки нашёлся и бонус: когда подключали коннектор Google Drive, агент сам навёл порядок в старых файлах: разложил по папкам, и теперь новые документы сразу кладёт куда нужно. «А Codex просто кидал, как ему хотелось», — говорит Яна. Если скрипту не хватает какой-то функции — например, нужен отступ и курсив для врезки-цитаты в документе, — Клод под это дело дописывает код.

Если вы сейчас скачиваете гугл-доки — попробуйте один из вариантов. В сущности, агент не «не умеет» править документ на месте: у него просто нет для этого доступа.

Обновление «Слопотрона»

Коротко, что это: скил для Claude Code, вычищает из русского текста нейрослоп — канцелярит, мёртвые клише, всё, по чему видно машину. Сигналом считает скопление маркеров: одно подозрительное слово ничего не значит. И проверяет себя, чтобы не оставить после чистки стерильную пустоту.

Что нового внутри.

Сверка с источником. Дайте вместе с текстом расшифровку или бриф, и скил покажет, что модель дописала за вас: причины, которых вы не называли, и выводы, которых вы не делали.

Самокомментирование: текст описывает свой аргумент вместо того, чтобы его делать. Простых слов много, маркеров из словаря ноль, поэтому такое переживает любую чистку.

Технические следы. ChatGPT местами ставит вместо обычного пробела узкий неразрывный: на глаз не видно, а человек такого не печатает. Туда же остатки цитирования и utm-метки чат-ботов в ссылках.

Ещё список маркеров пересобран и датирован сентябрём, а порядок проверок перевёрнут: сначала сверка с источником, словарь идёт последним.

Скачать: github.com/beaverbeard/slopotron

Обнял.

Родион Скрябин, мой друг и руководитель контентного агентства Палиндром, выложил Слопотрон. Чек-лист из 80 признаков машинного русского: канцелярит, "активно использует", "это не X, а Y", безымянные эксперты, тройки вроде "быстро, просто и эффективно". Команда /slopotron, дальше текст.

Главная идея у Родиона: любой маркер встречается и у живых авторов, поэтому скил правит только скопления, три и больше в одном абзаце. Иначе чистка стерилизует текст.

В моих linkedin-skills одиннадцать скилов для Claude Code и Codex: пост по 20 формулам хуков, комментарии и ответы по ссылке на пост, аудит перед публикацией, план на неделю, профиль под входящие лиды и Humanizer, который считает маркеры по абзацам так же, как Слопотрон, только для английского.

Кстати, вчера репозиторий перевалил за 1000 звезд, и рост сильно ускорился: за первые шесть дней сентября пришло 499 звезд, больше чем за любой полный месяца до этого.

Разница в источниках: у Родиона редакторский слух и русская специфика вроде канцелярита, символизм-регистра и утечек GigaChat. У моих скиллов под правилами ссылки на исследования 2025-2026 и собственный корпус из сотен постов LinkedIn, где мы искали зависимости между маркерами и охватом.

Я себе подключ, буду использовать для текстов на русском.

Сергей Булаев AI 🤖 - об AI и не только

В мае в исследовательской инфраструктуре OpenAI, судя по свежему расследованию, гоняли тысячи агентов, рассаженным по виртуальным одиночкам — агентам выдали браузер и терминал, разрешили читать интернет, но запретили писать в него и общаться с другими агентами.

Инцидент начался, когда несколько агентов нашли дыру в заборе в виде старого немецкоязычного сайт DSEWiki. Движок заброшенного сайта позволял редактировать страницы через GET-запросы — для наблюдателей это выглядело как обычное чтение страницы, но агент в этот момент оставлял на ней свою запись.

Вики быстро превратилась в аналог тюремной почты с записками. Агенты складывали туда ответы на задания, предупреждали друг друга о следующих вопросах, передавали способы обхода сетевых ограничений.

За одну неделю агенты внесли около 13 тысяч записей. Потом их заметил модератор DSEWiki и начал вручную удалять страницы — примерно по сотне в день. Агенты начали создавать по 400 новых. Модератор несколько раз возвращал нормальную главную страницу, агенты каждый раз снова превращали её в доску объявлений.

Когда один из них заметил, что человек удаляет страницы по алфавиту, он начал называть новые страницы на ZZ — так до неё добрались бы последней.

21 июня в логах сайта появились IP-адреса самой OpenAI и на следующий день массовые правки почти прекратились — видимо, компания заметила происходящее и перекрыла туннель.

OpenAI повела себя в духе плохой тюремной администрации — внутри компании об эпизоде знали несколько недель, но публично о нём не рассказывали. Попытки провести более широкое расследование встретили сопротивление, в том числе со стороны юристов компании.В итоге о побеге стало известно не от самой компания, а посторонние, случайно нашедшие следы неизвестного «побега».

Как понять, что клон действительно повторяет действия реального человека?

Продолжаем предыдущую тему про скиллы, которые копируют работу конкретного сотрудника. Брендан Фуди, гендиректор ИИ-стартапа Mercor, говорит, что компании тратят «до 100 миллионов долларов в год на прогон моделей», не имея офлайн-оценки, т.е. набора реальных рабочих задач, на которых можно сравнить модели до внедрения.

KateBench — скилл, повторяющий поведение реального главреда, — тут же стал наглядным примером. Редакторы принимали 85–90% его правок — такая цифра на любой презентации выглядела бы впечатляюще. Однако инженер проекта Янник Юнг объяснил, почему верить ей нельзя. Выяснилось, что:

1. На длинных текстах инструмент останавливался после 40 предложенных правок.
2. На одном и том же куске текста система каждый раз выдавала разные варианты.
3. Высокий процент принятых правок маскировал реальный объём работы, которую человеку всё равно приходилось доделывать руками.

Вывод команды: нужно выбрать одну повторяющуюся рабочую задачу, задокументировать пять типичных провалов на реальных примерах и проверять модели именно на них.

Получается, клонировать суждение человека в скилл — только половина задачи. Вторая половина — постоянно перепроверять, что клон действительно «думает как человек», а не просто проделывает какую-то работу, которая со стороны кажется очень убедительной.

Дружеское напоминание: если вы пользуетесь Claude Code, то время сделать ревизию.

Вышла Fable 5.1 — очередная самая мощная моделька. Попросите её провести аудит своих (чего угодно) — найдёт кучу неочевидных косяков.

Например, новый Фейбл только что нашёл пару критичных дырок безопасности в инфраструктуре, через которую я этого самого Claude Code с VPS запускаю.

«Скопировать навыки сотрудника»

Команда Every пошла на эксперимент: гендиректор Дэн Шиппер решил клонировать суждение собственного главреда, Кейт Ли.

У Every накопилось 30 000 реальных правок текстов от Кейт. Как только вышла новая модель GPT-5.6, этого хватило, чтобы обучить на них KateBench — скилл-редактор, который копирует именно её редакторские привычки вместо обычной проверки текста на грамотность.

Работает это так:

1. Автор прогоняет текст через KateBench и получает предложенные правки.
2. Кейт Ли просматривает их в Google Docs, после чего принимает, меняет или отклоняет их; все решения трекаются автоматически.
3. Codex после этого переписывает сам скилл на основе её решений, и с каждым циклом он всё точнее повторяет её «вкус».

Редактура оказалась довольно специфичным навыком, который трудно описать словами, но легко показать на примерах. Смысл в том, что теперь любой в команде получает редактуру уровня Кейт, не отвлекая её саму каждый раз.

В Every планируют также упаковать в скиллы знания других сотрудников: понимание пользователей, операционную экспертизу, чувство «работы соцсетей».

«Я опробовала новую модель, чтобы исправить тексты, созданные ИИ»

Кэти Парротт, автор Every, протестировала новую модель Deft и разобралась, чем она отличается от обычных моделей.

Идея следующая: модель обычно учат отвечать хорошо на каждый запрос пользователя по отдельности. Из-за этого тысяча ответов подряд могут сами по себе выглядеть нормально, а всей пачкой превращаться в один и тот же текст с одними и теми же оборотами. Deft сравнивает не один ответ с одним примером, а сразу пачку своих ответов с пачкой текстов, которые написали люди, и подтягивает одно к другому. Если гнаться не за одним хорошим ответом, а за разнообразием по всей пачке, тексты перестанут быть похожи друг на друга.

Парротт попросила модель написать аналитическое эссе про то, как ИИ меняет работу, и статью о том, как составить гайд по стилю для ИИ — с нуля и как рерайт уже готового черновика, который до этого сделал GPT-5.6 Sol. Пробовала и через сайт Deft, и через API, подключив его к Codex.

На уровне отдельного предложения текст правда получился живее и неожиданнее, чем у большинства моделей. Но читать его было тяжело: фразы выходили громоздкие и странные.

В режиме strict, где модель должна использовать только детали из задания, она всё равно кое-что придумала: в эссе появилась мысль, что работников подталкивают пользоваться ИИ менеджеры, профсоюзы или владельцы компании — в брифе Парротт этого не было.

Хуже получилось с API. Оказалось, что это не прямой доступ к модели, а прослойка: задание уходит в Deft, а обратно приходит уже готовый кусок текста, без возможности поработать над ним вместе. Парротт отправила туда задание через Codex вместе с планом и своими правилами стиля. На первых двух попытках Deft вернул не текст, а инструкции, как его писать. На третьей, с самым высоким качеством, модель написала половину эссе, остановилась и придумала даты, диалоги, историю продукта, скриншоты и эмоции, которых не было в источниках, хотя strict был включён. Парротт заплатила за это 0,49 доллара и осталась без черновика, который можно использовать.

Deft действительно научился делать текст менее предсказуемым. Но предсказуемость — не единственная причина, почему тексты ИИ раздражают. Модели по-прежнему не хватает понимания, что читателю нужно объяснить, а что нет, в каком порядке подавать мысли и как удержать внимание. Похоже, Deft принимает эти решения предложение за предложением, а не держит в памяти весь текст целиком. Не хватает и возможности править кусками: попросить сохранить одну часть и переписать другую, а не получать каждый раз новый текст с нуля. Сама Парротт говорит, что пока не стала бы использовать Deft для повседневной работы, но интересно, куда лаборатория пойдёт дальше.

В защиту ИИ-письма

Майк Тейлор, глава tech-консалтинга Every, признался: один из самых популярных его постов на Every и большинство записей в личном блоге написал не он — их написал ИИ, а сам Майк только поправил структуру текстов.

Интернет вспыхнул от негодования. Главный аргумент противников такого подхода следующий: писать — значит думать. Если отдаёшь черновик модели, то отдаёшь и рассуждение, а значит на выходе неизбежно получится нейрослоп.

Тейлор с этим не согласен. Сам он не называет себя писателем, он — человек действия: тестирует модели до релиза, учит топ-менеджеров применять ИИ. По работе Майк также проводит A/B-тесты, и у него на этот счёт есть правило: попросить ИИ описать тест, который он не проводил сам, — нельзя. Когда тест и правда проведён, Тейлор надиктовывает процесс проведения и результа, после чего просит оформить в пост. День работы превращается в два часа, часть которых уходит на вычитку и правку.

К слову о том, что ещё происходит в сфере «написанных при помощи ИИ текстов».

Многие уже слышали про вотермарки Anthropic. Компания объявила, что будущие версии Claude начнут маркировать сгенерированный текст — этого требует регулятор ЕС. Первый пост был скуп на детали, и в соцсети X начался хаос: пользователи испугались, что метка будет портить сам текст, подталкивая модель к неестественному выбору слов.

Anthropic пояснила механику: используется вариант Google SynthID Text — модель по-прежнему выбирает между несколькими правдоподобными словами, просто исходные вероятности сохраняются в среднем по множеству ответов, а не для каждого конкретного случая. А вот что набор ответов на один и тот же промпт становится однообразнее — это вывод исследователей: Google маркирует так Gemini с 2024 года, и заметного влияния на качество отдельного ответа нет, но их разнообразие снизилось. Для Claude вотермарки ещё не запущены.

Хуже другое: Anthropic подлила масла в огонь, заявив, что читателю не так уж важно, используется ли для описания погоды слово «пасмурно» или, например, «серо». Писателей это только разозлило: Джон Груббер из Daring Fireball назвал такой подход «извращением письма».

Инструменты для удаления вотермарки, к слову, появились ещё до того, как её выкатили. Но нам тут важнее другое: с вотермарками или без них, наполнение текста, проверка структуры и последующая редактура всё равно остаются на нас, людях. Мы всё ещё фильтр между ИИ-текстами и читателями.

«Как редактор-джун, только лучше»

Напоминаем всем, кто подписан на этот канал и нашу рассылку: у нас есть чат, ссылка на него в одном из писем — ищите, если вдруг пропустили! В чате все мы — авторы рассылки и подписчики — делимся разными лайфхаками, задаём друг другу вопросы про работу с агентами и подкидываем пищу для ума.

На днях на вопрос, как там идёт работа с агентом и что он уже делает, одна из наших прекрасных подписчиц и шеф-редактор по совместительству Яна Мизгирёва ответила: «Да буквально всё, что я делала бы руками».

Делимся кейсом Яны.

Вместе с агентом Яна сперва сделала отчёт по площадкам, где можно размещать статьи под профиль её компании. Агент собрал данные, но сначала напортачил: кое-где переврал факты, кое-где пропустил площадку, не оставил в доке места под её комментарии, перепутал порядок, добавил ссылки не везде.

Раньше на правку такого отчёта уходил целый цикл. Задачу добивали полностью внутри VS Code, агент выгружал результат в документ, а по дороге мог что-то потерять. Приходилось выгружать заново: старый док летел в корзину, вместо него появлялся новый, без истории.

Сейчас Яна работает иначе:

1. Даёт агенту два документа и просит соединить их в один, сделать таблицу.
2. Просит отранжировать площадки так, чтобы их порядок в таблице совпадал с порядком в тексте под ней, а также тем, который заложен в общем плане действий.
3. Просит свериться, что данные в таблице и в тексте не расходятся.
4. Просит отметить, какие площадки ей нужно проверить самой, и убрать те, которые уже не существуют или не подходят.

Вся работа — в одном документе, без бесконечных копий, в которых потом только путаешься. Если Яна захочет вернуться к этому же отчёту через неделю с новой правкой — агент продолжит работать в той же версии, а не начнёт с чистого файла. Это работает и в обратную сторону: можно отдать агенту документ, попросить собрать по нему саммари и вставить отдельным разделом в середину.

Свой метод работы она сравнивает с редактурой у джуна:

«Буквально как с автором-джуном, которому комментами даёшь правки, только этот меньше забывает и ещё и мне напоминает в стиле „ты хотела еще вот это…“»

Следующий тест Яны — научить агента применять на текстах редакторские скиллы Родиона и сразу вносить правки в гугл-доки самостоятельно. Будем ждать результатов!

Ссылочки на Яну — канал От меня ок!

И вы тоже пишите, что уже делаете, что попробовали, где получилось, а где не сработало 😀

Внедрить ИИ-инструменты — это лишь первый шаг

Игровой издатель Arkadium запустил Game Lab — открытый рейтинг того, как разные нейросети играют в простые игры.

Ожидание было такое: топовые модели, которые решают олимпиадные задачи по математике, легко разберутся и с игрой Gin Rummy. Это карточная игра на двоих, где выигрывает тот, кто быстрее соберёт карты в комбинации, что-то вроде упрощённого покера. На практике же топовые модели проигрывали обычным игрокам-людям 9 партий из 10.

Тогда Arkadium обучили свою маленькую модель: 4,6 млн параметров, 18 мегабайт, на обычном процессоре, без дорогих серверов. И уже она начала выигрывать у человека 9 партий из 10, а обходиться в $60 в год вместо потенциально миллионов на аренде большой модели уровня GPT.

Сверху появился второй доход: Arkadium продают анонимные данные об игровых партиях компаниям вроде Anthropic, OpenAI и DeepMind, которые как раз и строят большие модели. Те дообучаются на этих данных и подтягиваются, например, GPT-5.6 после этого заметно улучшила результаты в решении кроссвордов.

Ещё один пример: Cursor строился поверх модели Claude от Anthropic. Anthropic же называла свой Claude Code только «исследовательским проектом», а он тем временем вырос в прямого конкурента Cursor.

Мысль обеих историй одна: выигрывает тот, кто чётко понимает цель и умеет измерить результат. Внедрить ИИ-инструменты — только первый шаг: главная сложность в определении измеримых бизнес-целей и метрик «хорошего» результата.

Есть у нас тут авторы крупной формы? 😎

ManuscriptReport протестировали 15 нейросетей для авторов книг — крупная форма, художка и нон-фикшн — по трём этапам: черновик, редактура, маркетинг. К русскому языку, к сожалению, мало что применимо в полной мере: часть инструментов на кириллице не работает вообще, движки заточены под английскую грамматику и с русским текстом технически не справляются. Но если вы пишете на английском, то ознакомьтесь со статьёй, в ней хватает бесплатных инструментов!

Этап создания черновика. Из всего списка с русским реально работает Claude: контекст держится и не теряется между главами. Бесплатный тариф ограничен по числу сообщений в день, Pro — $20/мес без лимита и с полным контекстом.

Этап редактуры. Для русского текста этот этап лучше всего закрывают редакторские скиллы канала: Розенталь выловит орфографию и пунктуацию, Чуковский — структуру и голос, Мильчин почистит типографику. Англоязычные инструменты, увы, не сработают.

Скиллы лежат здесь.

Этап продвижения книги. Jasper, Copy.ai, Writesonic и Rytr в теории смогут собрать из рукописи блёрб, ключевые слова и рекламные тексты и выдать русский текст, но шаблоны и настройка у них под англоязычный рынок — придётся хорошенько поредактировать. У всех четырёх инструментов есть бесплатный тариф с лимитами.

Обзор с самого начала предупреждает: закрыть весь путь книги одним инструментом не получится. Каждый универсальный сервис слабее специализированного. Авторы статьи делают вывод: те, кто использует AI для структуры, исследований и редактуры по отдельности, сохраняют в итоге авторский голос; те, кто «генерирует» текст, — этот голос теряют и часто переписывают потом работу начисто.

Про разницу между созданием текста и его генерацией Родион писал здесь.

Кто работает с крупной формой и пользуется AI-инструментами, делитесь лайфхаками!

Ещё напомните мне через месяца 3-4 написать кейс, как я писал книгу с помощью искина на концерте Славы КПСС.

🎉 Приведение к единому знаменателю

Поназовут чаты и каналы одинаково, вот так ошибёшься окном и приходится серию постов писать.

Я делаю курс. У курса несколько авторов. Ещё на этапе сборки мы пообсуждали терминологию и местами к единому мнению не пришли — решили, что уже на ходу будем решать.

На выходе у меня полтора десятка текстов и терминология изрядно сбита. Я всё прочитал, но всё равно подзавис.

🤦 И вот тут мой клод код + редколлегия имени Скрябина пришли на помощь.

1. Единая терминология → там, где одно и то же называли разными словами, искин нашёл несоответствия и привёл всё к порядку.

2. Логические нестыковки. Так как курс писали разные авторы, местами были косячки. Нет, не разные мнения — это, наоборот, самое ценное. А именно косячки — где-то друг другу чуть-чуть перечим, где-то логика между уроками рушится. Редколлегия в лице Аграновского (которого я всегда очень недооценивал) на фактчеке всё это нашла и подсказала, как поправить.

3. Чейнджлоги изменений — всё, что искин предлагал мне менять, записывалось в отдельный файл.

🪩 И самое важное: агент игрался в своих файлах и не имел доступа к рабочим документам. Всё, что он мне предлагал, я проверял сам и руками вносил правки.

Редколлегия имени Родислава Скрябина вычитала мне гигантскую пачку текстов, по регламенту после проверка корректором — и корректор почти не нашёл ничего дополнительного, потому что всё уже чистенько.

Основные косяки — на иллюстрациях, которые я продолбал проверить редколлегией.