Я протестировал пять AI-автоматизаций для реальной работы — вот что действительно сэкономило время

Все говорят об AI-автоматизации. Мало кто делится честными результатами. Эта статья — кейс-стади пяти экспериментов с AI-автоматизацией, которые я провёл на реальной работе, без демо и без теоретических моделей. Расскажу про задачу, инструменты, воркфлоу, время настройки, сэкономленное время, что пошло не так и пользуюсь ли я этим до сих пор.

Эксперимент 1: контент-исследования

Задача

Исследования для статей и рыночных отчётов занимают часы. Нужно найти надёжные источники, прочитать их, извлечь ключевые данные и свести выводы в рабочую структуру. Большая часть времени уходит не на анализ, а на поиск и фильтрацию.

Протестированные инструменты

Perplexity Pro, Claude с веб-поиском и кастомный исследовательский агент на LangGraph.

Воркфлоу

Дать инструменту исследовательский вопрос. Он ищет в сети, оценивает источники, читает наиболее релевантные, извлекает ключевые тезисы и возвращает структурированное резюме со ссылками. Я проверяю, сверяю и дорабатываю.

Время на настройку

Ноль для Perplexity (работает из коробки). 2 часа для агента на LangGraph.

Сэкономленное время

3–4 часа на одну исследовательскую задачу. То, что занимало утро, теперь укладывается в 20–30 минут проверки и доработки.

Что пошло не так

Агент на LangGraph иногда генерировал данные, которых не было в источниках. Ему также плохо давался платный контент — он додумывал содержание статей по заголовку и сниппету. Perplexity Pro оказался надёжнее, потому что изначально создавался для исследований и имеет встроенные цитаты на источники.

Пользуюсь ли я этим до сих пор?

Да. Perplexity Pro — мой ежедневный инструмент для исследований. Кастомного агента на LangGraph я закрыл — затраты на поддержку не окупались, когда Perplexity закрывает 90% моих задач.

Эксперимент 2: контент для соцсетей

Задача

Создание контента под конкретные площадки на основе статей и идей. В LinkedIn нужны профессиональные, с выраженным мнением посты. В Instagram нужны визуальные заходы. В YouTube нужно видео. У каждой площадки свои требования и аудитория.

Протестированные инструменты

Claude Sonnet 4 с шаблонами промптов под каждую площадку и сценарий в Make.com, который берёт URL опубликованной статьи и генерирует посты для соцсетей.

Воркфлоу

Статья опубликована → Make.com читает её → Claude генерирует 3 варианта поста для LinkedIn, 2 идеи подписей для Instagram и описание для YouTube → сохраняет в Google Sheet → я выбираю, редактирую и планирую.

Время на настройку

4 часа на сценарий Make.com и шаблоны промптов.

Сэкономленное время

1–2 часа на статью в части создания контента для соцсетей. Варианты дают отправную точку — я редактирую, а не пишу с нуля.

Что пошло не так

Сгенерированные посты для LinkedIn получались слишком общими. Они пересказывали статью вместо того, чтобы выделить конкретный угол с мнением. LinkedIn поощряет конкретику и характер, а не пересказы. Мне приходилось существенно их переписывать. Подписи для Instagram были нормальными, но без визуального направления — они не подсказывали, какое изображение ставить к тексту.

Пользуюсь ли я этим до сих пор?

Частично. Использую сценарий Make.com, чтобы получить варианты постов для LinkedIn, но сильно их редактирую. Instagram и YouTube веду вручную, потому что там нужно визуальное чутьё, которое AI не даёт.

Эксперимент 3: автоматизация почты и CRM

Задача

Сортировка, приоритизация и ответы на письма. 30–60 минут в день уходит только на триаж.

Протестированные инструменты

Make.com с GPT-4o для триажа почты и авто-черновиков, подключённый к Gmail.

Воркфлоу

Письмо приходит → Make.com читает его → GPT-4o категоризирует (срочное, рассылка, запрос, личное, спам) → готовит черновик ответа для запросов → сохраняет черновик в Gmail → я проверяю и отправляю.

Время на настройку

3 часа.

Сэкономленное время

20–30 минут в день. Одной только категоризации достаточно — я больше не открываю каждое письмо, чтобы понять его характер.

Что пошло не так

Авто-черновики ответов получались шаблонными и иногда упускали контекст из предыдущей части переписки. В продолжающихся диалогах черновик выглядел тонко-нечувствительным — не учитывал историю отношений и эмоциональный контекст. Я усвоил: авто-черновики — только для новых обращений, не для текущих веток.

Пользуюсь ли я этим до сих пор?

Да, для триажа. Категоризация и приоритизация стоят затрат на настройку. Авто-черновики — выборочно: только для простых первичных обращений. Всё, что касается отношений или продолжающегося диалога, я веду вручную.

Эксперимент 4: создание сайта

Задача

Создание и поддержка профессионального многостраничного сайта. Мне нужен личный сайт со страницами «Главная», «Обо мне», «Опыт», «Проекты», «Статьи», «Галерея» и «Контакты». Профессиональная веб-разработка стоит тысячи дирхамов.

Протестированные инструменты

Kimi K2.7 для планирования и контента, Qwen 3 Coder для генерации HTML/CSS-кода, MiniMax 5.2 для доработки. Развёрнуто на Vercel.

Воркфлоу

Использовал AI-модели, чтобы спланировать структуру сайта, написать весь контент страниц, сгенерировать HTML и CSS и задеплоить. Я направлял процесс, проверял результат и дорабатывал.

Время на настройку

6 часов суммарно — от планирования до деплоя. Единственные прямые расходы — 40 дирхамов за домен.

Сэкономленное время

Это не автоматизация, экономящая время, — это автоматизация, экономящая деньги. Вместо того чтобы потратить 15 000–30 000 дирхамов на разработчика, я потратил 40 дирхамов и 6 часов. Сайт, который вы сейчас читаете, — и есть результат.

Что пошло не так

AI-модели выдавали нестабильное качество кода. Некоторые страницы требовали нескольких итераций. CSS пришлось чистить вручную. Но в итоге получился production-ready, SEO-оптимизированный, многостраничный сайт, который быстро грузится и работает на всех устройствах. Полная история — в моей статье про создание сайта за 40 дирхамов.

Пользуюсь ли я этим до сих пор?

Да. Я поддерживаю и обновляю сайт тем же AI-ассистированным способом. Изменения, которые заняли бы у разработчика дни, теперь занимают часы.

Эксперимент 5: производство фото и видео

Задача

Создание визуального контента для статей, соцсетей и маркетинговых материалов. Профессиональная фотография и дизайн стоят дорого. Стоковые фото выглядят шаблонно. AI-генерация изображений даёт промежуточный вариант.

Протестированные инструменты

Midjourney для концепт-изображений, Flux Pro для обложек статей, локально Stable Diffusion для мокапов, DALL-E 3 для быстрых иллюстраций. Для видео: Runway Gen-3 и Pika для коротких клипов.

Воркфлоу

Для статей: написать статью → определить визуальную концепцию → сгенерировать 3–5 вариантов изображений через Flux Pro или Midjourney → выбрать и обрезать → использовать как обложку. Для соцсетей: генерировать визуалы под каждую площадку.

Время на настройку

1 час на шаблоны промптов. Сложной настройки нет — это веб-инструменты.

Сэкономленное время

2–3 часа на статью (по сравнению с поиском или заказом изображений). Для соцсетей — 1 час на сет постов.

Что пошло не так

У AI-изображений есть ограничения. Руки по-прежнему проблемные. Текст на изображениях получается ненадёжно. Стиль может выглядеть шаблонно, если промпты недостаточно конкретные. Генерация видео улучшается, но всё ещё выдаёт короткие клипы в низком разрешении, которые нужно дорабатывать. Для профессионального брендового визуала (фото объектов, портреты, освещение мероприятий) AI не заменяет реальную съёмку.

Пользуюсь ли я этим до сих пор?

Да, для конкретных сценариев. Обложки статей, концепт-визуалы для соцсетей и мудборды. Для всего, где нужны реальные люди, реальные объекты или брендовая фотография, я использую камеру или нанимаю фотографа.

Честная сводка

«Прижились те автоматизации, где AI делал скучную часть, а я оставлял себе интересную. Те, что провалились, пытались автоматизировать интересную часть — и выдавали шаблонный, безжизненный результат».

Закономерность

Если посмотреть на все пять экспериментов, закономерность очевидна. AI-автоматизация работает лучше всего, когда:

• Задача повторяющаяся и хорошо определённая (триаж почты, сбор исследований)
• Результат — отправная точка, а не финальный продукт (черновики постов, код сайта)
• Человек проверяет и дорабатывает результат до того, как он уйдёт к аудитории
• Объём задач оправдывает затраты на настройку (ежедневная почта, еженедельные статьи)

AI-автоматизация проваливается, когда:

• Задача требует вкуса, характера или понимания отношений (голос бренда в соцсетях, тон письма)
• Результат используется без проверки (выдуманные данные, шаблонный контент)
• Настройка сложнее, чем задача, которую она автоматизирует (пере-инжиниринговые цепочки агентов)
• Объём задач слишком мал, чтобы оправдать инвестиции (разовые задачи)

Итог

AI-автоматизация — не магия. Это набор инструментов, которые при правильном использовании экономят заметное время и деньги. За пять экспериментов я сэкономил около 8–10 часов в неделю и более 15 000 дирхамов на разработке сайта. Но экономия пришла с ценой: временем на настройку, поддержкой и дисциплиной проверять каждый AI-результат перед публикацией.

Самый ценный урок: автоматизируйте процесс, а не суждение. Пусть AI собирает, сортирует, делает черновики и генерирует варианты. Финальное решение оставляйте за собой. Здесь и проходит граница между полезной автоматизацией и дорогим провалом.