Как разобрать свою работу на задачи и понять, что из них уже можно отдать нейросети

Разбор собственных задач — первый шаг, который советуют эксперты из материала ВФокуса Mail от 30 октября 2026 года. Ниже — конкретная процедура. Она не требует специальных знаний, кроме умения работать с таблицами и запускать скрипты на Python.

Что понадобится

• Список всех своих рабочих задач за последние две недели. Подойдёт календарь, трекер задач или черновик в заметках.
• Таблица (Excel, Google Sheets или CSV).
• Доступ к любой нейросети через API (например, OpenAI, YandexGPT, GigaChat). Ключ выдаётся в личном кабинете сервиса. В коде ниже он обозначен как ВАШ_КЛЮЧ.
• Python 3.9+ и библиотека requests. Установка: pip install requests.

Шаг 1. Выгрузите задачи в таблицу

Откройте календарь за две недели. Выпишите каждое действие, которое заняло больше 10 минут. Формат: название, среднее время в минутах, повторяемость (каждый день, раз в неделю, разово). Пример строк: «ответ на типовые письма клиентов, 40 мин, ежедневно», «составление отчёта по продажам, 60 мин, еженедельно».

Не фильтруйте. Чем больше строк, тем точнее картина. Если задача повторяется, но вы её не любите, всё равно записывайте.

Шаг 2. Разметьте задачи по трём признакам

Добавьте три колонки: «работа с текстом/данными», «нужно общение с людьми», «нужно нестандартное решение». Ставьте 1 или 0.

Задачи с единицей в первой колонке и нулями в двух других — кандидаты на автоматизацию. Это первичная обработка документов, типовая переписка, переводы, составление расписаний — то, что источник называет рутиной.

Задачи с единицей в колонке «общение» или «нестандартное решение» пока лучше оставить человеку. Именно там алгоритмы делают хуже: постановка задачи, проверка результата, выстраивание отношений.

Шаг 3. Прогоните кандидатов через нейросеть

Возьмите 5–10 задач-кандидатов. Для каждой сформулируйте запрос и отправьте его в API. Ниже — рабочий скрипт. Он читает CSV с задачами и для каждой пишет короткий ответ модели: можно ли автоматизировать полностью, частично или нельзя.

import csv
import requests

API_URL = "https://api.openai.com/v1/chat/completions"  # замените на URL вашего провайдера
API_KEY = "ВАШ_КЛЮЧ"  # получите в личном кабинете сервиса

with open("tasks.csv", newline="", encoding="utf-8") as f:
    reader = csv.DictReader(f)
    for row in reader:
        task = row["task"]
        prompt = (
            f"Задача: {task}. Оцени, можно ли её полностью или частично "
            "автоматизировать с помощью нейросети. Ответь одним предложением."
        )
        response = requests.post(
            API_URL,
            headers={"Authorization": f"Bearer {API_KEY}"},
            json={
                "model": "gpt-4o-mini",  # уточните имя модели у провайдера
                "messages": [{"role": "user", "content": prompt}],
                "temperature": 0,
            },
            timeout=30,
        )
        response.raise_for_status()
        answer = response.json()["choices"][0]["message"]["content"]
        print(f"{task} -> {answer}")

Файл tasks.csv должен иметь колонку task. Пример содержимого:

task
Ответ на типовое письмо клиента
Составление еженедельного отчёта
Перевод короткого текста с английского

Запустите: python check_tasks.py. Скрипт выведет оценку по каждой строке. Это не истина в последней инстанции, а быстрый способ увидеть, где модель уверена, а где нет.

Шаг 4. Проверьте на реальной задаче

Выберите одну задачу, которую модель назвала автоматизируемой. Сделайте её вручную и через нейросеть. Сравните время и качество. Если результат модели требует правок больше, чем ручная работа, отложите автоматизацию.

Повторите для трёх задач. Этого достаточно, чтобы понять, где вы лично выигрываете.

Шаг 5. Составьте план обучения

Для задач, которые остались за вами, выпишите навыки, которые их усиливают. Источник указывает: аналитика, управление, коммуникация, контроль качества. Добавьте умение формулировать запросы и критически оценивать ответы.

Выберите один навык и один курс или проект, где вы его примените в течение месяца. Не пытайтесь конкурировать с алгоритмом в скорости рутины — осваивайте то, что его дополняет.

Типичные ошибки и как их узнать

Ошибка 1. Слишком крупные задачи. «Вести проект» нельзя автоматизировать. Разбейте на «собрать статус по трём встречам». Признак: модель отвечает общими словами.

Ошибка 2. Игнорирование проверки. Вы отправили задачу в нейросеть и опубликовали результат без правок. Признак: в тексте есть фактические ошибки или выдуманные цифры. Всегда проверяйте выход.

Ошибка 3. Автоматизация общения. Переписка с клиентом через шаблон без человека может ухудшить отношения. Признак: собеседник отвечает короче или просит «живого человека». Оставьте такие задачи себе.

Ошибка 4. Ключ в коде. Вы закоммитили ВАШ_КЛЮЧ в публичный репозиторий. Признак: сервис присылает письмо о подозрительной активности. Храните ключ в переменной окружения.

Ошибка 5. Оценка без замера. Вы решили, что задача автоматизируется, но не замерили время до и после. Признак: через неделю вы всё ещё делаете её вручную. Ведите простой лог: задача, время вручную, время с ИИ, число правок.