Зачем платить за курсы, если AI может стать вашим тренером? Реальный опыт экономии

Всем привет! На связи Владимир Тутынин, Lead scrum master Garage Eight. За последний год у меня получилось сэкономить на обучении, потому что я перестал покупать теорию и начал превращать книги, статьи и внутренние документы компании в интерактивные тренажеры с помощью AI. В этой статье покажу на реальных примерах, как собрать такого AI-тренера с помощью Gemini Canvas, какие есть альтернативные инструменты и как это уже меняет культуру обучения в нашей команде.

Как превратить любой материал в тренажер 

Искусственный интеллект способен частично заменить ментора. Главное — правильно его «настроить». Вот как я это делаю.

Шаг 1. Выбор источника: не всё стоит скармливать

Прежде чем загружать материал в AI, стоит задаться вопросом: а действительно ли он качественный? Дело в том, что искусственный интеллект умеет делать умные выжимки даже из слабых текстов. Из-за этого вы можете получить структурированный, логичный, но бесполезный ответ.

Именно поэтому я всегда начинаю с поиска авторитетных источников: тех, что цитируют, рекомендуют на профильных курсах или применяют в реальных проектах эксперты по теме. Самый быстрый способ их найти — попросить об этом ИИ, желательно в режиме DeepResearch или через специализированных агентов:

В идеале стоит задать этот вопрос двум разным AI-ассистентам, например Gemini и ChatGPT. Если оба указывают на одну и ту же книгу, это хороший сигнал.

Важно: сначала прочитайте материал сами, хотя бы поверхностно. На практике именно это позволило мне понимать, где ИИ давал полезную выжимку, а где ошибался или ссылался на то, чего в тексте нет. Если времени на полноценное чтение совсем нет, можно использовать инструменты ускоренного ознакомления. Например, SmartReading*.

* SmartReading — сервис, предоставляющий краткое содержание лучших нон-фикшен книг. У нас в Garage Eight сотрудников подключают к этому сервису, чтобы каждый мог использовать его для своего развития.

Шаг 2. Извлечение сути: заставь AI работать как эксперта

Не просите просто «пересказать» материал. Задайте роль и уровень экспертизы. Мой любимый промпт:

На выходе должен получиться чек-лист с конкретными действиями, которые можно сразу применять в работе. Например, из книги «Системное мышление. Как создавать и улучшать системы в бизнесе и жизни» Донеллы Медоуз я получил семь конкретных шагов для анализа инцидентов: как находить скрытые обратные связи, отличать симптомы от причин и выбирать точку вмешательства. Этот чек-лист теперь часть моего шаблона ретроспективы.

Шаг 3. Создание интерактива: от чтения к практике

Для этого я пользуюсь Gemini Canvas. Он умеет:

• генерировать квизы с подсказками;

• строить drag-and-drop-схемы (например, элементы системы и их связи);

• моделировать диалоги (например, с выбором ответа в заданной ситуации и фидбэком от ИИ).

Если нет доступа к Gemini — не беда. В ChatGPT, DeepSeek или Алисе можно задать режим тренера. Вот как выглядит живая сессия с таким «наставником»:

* Указываете свою тему, по которой хотите получить квиз.

** Указываете контекст, то есть информацию, полученную из шага 2. Либо можете загрузить полный файл, а в квадратных скобках указать точное название этого файла.

Такой диалог заставляет думать и помогает начать разбираться в теме, особенно если вы только входите в сферу и формируете основу какого-то хард-скила.

Шаг 4. Валидация: не верьте на слово

AI может ошибаться, особенно если промпт составлен слабо или модель «галлюцинирует».

Именно поэтому всегда:

1. Сверяйте выводы с первоисточником, особенно если речь о терминах, методиках и регуляторных требованиях.

2. Просите ИИ самокритично себя проверить:

Иногда он честно признает: «Да, в пункте 3 я допустил обобщение — в оригинале это звучит иначе».

Этот цикл «читаю → выжимаю → играю → проверяю» превращает пассивное потребление знаний в активное.

Реальные кейсы: системное мышление и вайб-кодинг

За год я перепробовал этот подход на десятках тем — от стратегического планирования до написания Jira-тикетов. Вот два самых клевых кейса.

Кейс 1. Системное мышление

Я давно работал с системным мышлением: применял его при анализе инцидентов, строил причинно-следственные схемы и старался избегать «быстрых фиксов», которые потом возвращаются с удвоенной силой. Но чувствовал, что использую лишь часть потенциала: хотел быстрее выявлять скрытые связи, увереннее выстраивать  системные модели и применять их прямо в рабочих ретроспективах.

Курсы по углублению этой компетенции стоят от 80 до 150 тысяч рублей, но у меня не было ни бюджета, ни возможности уйти на неделю в тренинг. Именно поэтому я взял одну из самых авторитетных книг по теме, загрузил текст в Gemini, создал агента через Gems (персональные AI-профили в Google) и попросил:

Уже через минуту Gemini выдал мне Canvas-тренажер — целых 20 уровней, где нужно было не просто читать, а действовать. Например, расставлять элементы системы, выявлять скрытые обратные связи, объяснять, почему «быстрый фикс» часто усугубляет проблему.

Я прошел его за вечер — не потому, что он был легкий, а потому, что каждый шаг заставлял думать, как в настоящем разборе инцидента. А на следующий день, когда в одном из внутренних продуктов нашей экосистемы произошел серьезный сбой, я внезапно поймал себя на том, что автоматически применяю эти схемы.

Итог: получил практический навык, который раньше требовал платного курса и нескольких дней.

Кейс 2. Вайб-кодинг

Я не программист. Моя зона — Agile, коммуникации, управление. Но однажды понадобилось быстро показать коллегам рабочую идею. Рассказать, что за идея, не могу (NDA), но нужно было ее представить в виде веб-приложения.

Вместо того чтобы искать кого-то на аутсорсе или записываться на курс «Вайб-кодинг за две недели», я открыл Gemini Canvas и написал:

За три часа мы собрали именно то, что было нужно для презентации: прототип, который показывал логику работы идеи. И да, это не продакшен-код. Но коллеги сразу увидели суть, дали конкретный фидбэк, и мы смогли принять решение без недель ожидания дизайнера или фрилансера.

Итог: получил то, что хотел, примерно в 10 раз быстрее и сэкономил около 50–70 тысяч рублей.

О других кейсах

Выше я рассказал о самых ярких примерах, где AI помог мне быстро получить навыки и сэкономить. Но за год таких ситуаций набралось много. Вот некоторые примеры:

• отработка диалогов one-to-one с подчиненными;

• разбор гипотез в продуктовом подходе;

• моделирование стратегических решений;

• помощь команде при создании презентаций.

Каждый раз это занимало часы, а не дни. И было бесплатно или почти бесплатно. Но главное — знания не испарились через неделю, потому что я не просто читал, а тренировался: отвечал на вопросы ИИ, моделировал решения и тут же использовал выводы в реальных задачах.

Бонусы для бизнеса

Сначала это был просто мой способ учиться быстрее. Но как только коллеги о нем тоже узнали и попробовали — метод прижился. И принес пользу не только отдельным людям, но и команде в целом.

1. Ускорение рутинных задач. 

Раньше на некоторые задачи уходило 5–10 часов: например, подготовка аналитики по инциденту, проработка гипотез или оформление отчета. Сейчас я задаю AI четкий запрос и получаю структурированный черновик за 30–60 минут.

Это не полное делегирование, ведь я не отправляю задачу и не забываю о ней. Я передаю ИИ только рутину: сбор информации, первичную структуризацию, оформление. А дальше уже сам анализирую, уточняю детали, добавляю контекст и принимаю решение. Время тратится не на «набивание текста», а на то, что действительно требует моего участия.

2. Включение коллег в работу с AI.

Компания в целом поддерживает, если сотрудник хочет использовать искусственный интеллект для самостоятельного обучения или повышения эффективности. Это видно по разным направлениям: продуктовые аналитики пробуют GPT для генерации формулировок гипотез и метрик в EasyBI, разработчики тестируют помощь ИИ при описании архитектурных решений, менеджеры других команд экспериментируют с ролевыми сценариями для one-to-one-диалогов.

В своей зоне ответственности я сосредоточен на обучении команды. Провожу с ней интерактивные сессии, где мы превращаем книги и методики в AI-тренажеры, отрабатываем инструменты системного мышления и Agile-практики через диалог с моделью. Такой подход помогает быстрее выйти на нужный уровень, и компания это ценит.

3. Обучение и онбординг будущего.

Чтобы сократить время выхода новых сотрудников на продуктивную работу, мы рассматриваем гипотезу: создать внутренних AI-ассистентов. Такие агенты могли бы обучиться на нашей документации, практиках и регламентах — и не просто отвечать на вопросы, а проводить интерактивные тренажеры.

Представьте: новый сотрудник приходит, получает доступ к персональному агенту и может не просто читать Вики, а проходить интерактивный тренажер. Например, такой: «Вот типичный инцидент в нашем продукте. Какие шаги ты предпримешь? Выбери из трех вариантов. Поясни свое решение». Такой подход не заменит менторство, но сильно снизит порог входа в сложные темы. Особенно в финтехе, где каждая неделя онбординга стоит денег.

Техническая часть: инструменты и рабочие альтернативы

Не все могут или хотят использовать Gemini в России, из-за того что доступ к сервисам Google часто ограничен, а аккаунты могут блокироваться. Именно поэтому я собрал небольшую сравнительную таблицу инструментов, которые реально работают в 2026 году, в том числе без выезда за границу. В нее вошли как глобальные LLM (доступные через прокси), так и российские решения, а также open source вариант для тех, кто заботится о конфиденциальности.

Где AI не заменит человека

Несмотря на всё удобство искусственного интеллекта, есть области, где он либо бесполезен, либо даже опасен, если полагаться на него полностью.

• Софт-скилы: эмпатия не генерируется. Попробуйте попросить AI «потренировать вас в разрешении конфликта с подчиненным» — он даст шаблонные фразы вроде «Я слышу тебя» или «Давай найдем компромисс». Но настоящая эмпатия, тонкости невербалики, управление эмоциями в стрессе — это то, что отрабатывается только в живом взаимодействии. Здесь нужен наставник, коуч или хотя бы честная обратная связь от коллеги. ИИ может предложить сценарий, но не научит чувствовать момент.

• Глубокая экспертиза: AI дает основу, а не мастерство. По моему опыту, ИИ отлично покрывает 60–70% базовых знаний: термины, принципы, типовые решения. Но остальные 30–40% — это нюансы, которые приходят только с опытом. AI не заменит годы практики. Он может ускорить вход в тему, но не превратить новичка в эксперта за вечер.

• Конфиденциальность: нейросеть не подписывает NDA. Публичные LLM не различают, что можно обрабатывать, а что предназначено только для внутреннего использования. Даже если вы загружаете «безобидный» фрагмент регламента или архитектурную схему, вы теряете контроль над данными. В финтехе, где каждый процесс под аудитом, это недопустимо. Для таких задач  сейчас можно использовать локальные модели или корпоративные RAG-системы с контролем доступа.

• Ответственность: за ошибки AI придется отвечать вам. Нейросети не несут ответственности за свои выводы — она всегда лежит на вас. Галлюцинации случаются даже у топовых моделей. Например, DeepSeek однажды придумал цитату из книги, которой там не было. Gemini, хоть и реже, тоже был неточен в интерпретациях. Именно поэтому правило простое: всё, что ИИ выдает как факт, обязательно сверяйте с первоисточником. ИИ предлагает гипотезу, а вы принимаете решение.

Заключение

Мой опыт показывает, что искусственный интеллект может использоваться не только для развлечения, но и как реальный инструмент для самообразования. А ведь есть люди, которые ежегодно тратят сотни тысяч рублей на обучение! Для них этот метод может стать серьезной экономией.

При этом не стоит забывать, что AI не заменит критическое мышление, диалог с живым человеком и опыт, полученный на рабочих кейсах. Именно поэтому, чтобы стать экспертом в какой-то области, всё равно придется хорошенько подумать и поработать.

А вы пробовали превращать книги или документы в интерактивные тренажеры? Или планируете? Делитесь опытом, инструментами и мыслями в комментариях.