Applied AI Foundations: конспект курса OpenAI

Один точный промпт подходит для задачи, которая помещается в один ответ: сократить письмо, собрать идеи, переписать абзац. Сложная работа обычно требует нескольких шагов, входных данных и точек проверки. Здесь одного хорошего запроса уже недостаточно.

Если первый курс OpenAI учил писать один понятный запрос, то Applied AI Foundations учит собирать повторяемый рабочий процесс. Промпт здесь только первая ступенька, дальше идут цель, контекст, инструмент, действие и проверка.

Курс: Applied AI Foundations Платформа: OpenAI Academy (academy.openai.com) Формат: самостоятельный темп, короткие уроки и практические задания Уровень: для тех, у кого уже есть базовый опыт работы с ChatGPT Язык: English Бесплатно, с сертификатом Ссылка: academy.openai.com/…/applied-ai-foundations

Авторский конспект по материалам курса. Не является официальным переводом или публикацией OpenAI.

Это часть серии «Учусь вместо вас». Прямое продолжение конспекта AI Foundations. Также в серии: Claude 101, Advanced Prompt Engineering и как попасть в выдачу ChatGPT и Perplexity.

Коротко

• Один промпт подходит для короткой задачи. Для многошаговой работы нужен воркфлоу: цель, входные данные, шаги, решения и точки проверки.
• Анатомия воркфлоу из пяти частей: цель, контекст, ограничители, проверка, доработка. Это каркас под любую повторяющуюся задачу.
• Думающую модель включай, когда есть ограничения, сравнение вариантов или план с зависимостями. Для простого и быстрого хватит обычной.
• Проверку встраивай по ходу, а не в конце. Метод трёх проверок: факты, логика, тон.
• Чем сильнее воркфлоу, тем важнее границы. Ответственность это проверка до, во время и после, а не финальная галочка.

Почему одного промпта не хватает для многошаговой работы?

Граница простая. Одиночный промпт уместен на мелочи: сократи письмо, собери три пункта из заметок, дай пять идей для тимбилдинга. Один ответ, дело закрыто.

А вот «сопоставь данные из нескольких отчётов, найди отклонения и предложи порядок проверки» одним ответом не закрывается. Это процесс: цель, входные данные, шаги, решения и контрольные точки.

OpenAI раскладывает такой воркфлоу на пять частей. Держу их перед глазами, когда сажусь за новую задачу:

Каркас из пяти частей я использую для повторяющихся задач и оформляю такие процессы как отдельные skills в Claude Code. Структура помогает не пропускать исходные данные, ограничения и проверку при каждом новом запуске.

Когда включать «думающую» модель, а когда хватит быстрой?

Второй модуль посвящён reasoning-моделям, которые выделяют больше вычислений на многошаговую задачу. Названия и расположение режимов меняются, поэтому важнее критерий выбора: сложность, риск и необходимость сравнивать варианты.

Правило выбора простое. Быстрая модель закрывает низкорисковое: переписать строчку, набросать короткий ответ. Думающую зовём, когда в задаче всплывает хоть одно из:

• Несколько ограничений одновременно.
• Несколько возможных путей решения.
• Нужно дать рекомендацию или принять решение.
• План с зависимостями между шагами.
• Надо сравнить варианты по критериям.
• Надо проверить готовую работу против заданных условий.

Сильная модель не освобождает от участия. Приём, который я забрала себе, одна строчка в конце задачи:

Прежде чем дать ответ, вытащи наружу свои допущения, перечисли риски и отдельно укажи, что мне стоит перепроверить самой.

Такая фраза не гарантирует самопроверку, но помогает явно запросить допущения и риски. Финальное суждение всё равно остаётся за человеком.

Из чего собирать воркфлоу: это блоки, а не кнопки

Третий модуль самый практичный. Возможности ChatGPT тут предлагают воспринимать не как кнопки в меню, а как кубики конструктора, которые можно ставить друг на друга. Делятся они на два типа.

Дальше инструменты разбираются по отдельности, и тут пара различий, которые стоит запомнить.

Файлы и данные подключаешь, когда модели важна конкретика: ваш отчёт, таблица, политика, шаблон. И формулировка решает: не «посмотри файл», а «используй файл как источник, выдели три вывода и предложи действия».

Поиск нужен для точечных свежих фактов и ссылок, а исследовательский режим подходит для более широкого синтеза по нескольким источникам. Я разделяю эти задачи: сначала собираю картину, затем отдельно перепроверяю даты, цифры и первоисточники.

Приложения подключают ChatGPT к календарю, сообщениям, рабочим системам. Воркфлоу становится сильнее, и ровно поэтому острее встаёт вопрос границ.

Как превратить размытую цель в рабочий процесс?

Четвёртый модуль про сборку плана и стартует там же, где любая хорошая работа: с честной цели. Разницу курс показывает на двух запросах.

А вот сильный, его уже можно скопировать и адаптировать под себя:

Спроектируй воркфлоу для моего недельного pipeline-review. Пакет идёт тимлиду продаж, по нему он находит риски для KPI и расставляет приоритеты на неделю. Тяни данные из нашей CRM, отмечай сделки с неожиданным движением и выдай executive summary, который я смогу проговорить за пять минут.

Второй запрос не просто длиннее. Он даёт ChatGPT понятную работу, а вам понятный критерий приёмки: хорошая цель одновременно ведёт модель за руку и говорит, по чему оценивать результат.

Пример в курсе относится к продажам, но тот же каркас можно применить к редакционному процессу:

Спроектируй воркфлоу для еженедельного редакционного обзора. На выходе нужен список материалов со статусом, ближайшим действием и рисками для публикации. Исходники я дам в виде таблицы и заметок. Не придумывай отсутствующие данные и отдельно отметь выводы, которые мне стоит перепроверить.

Тот же каркас: цель, входные данные, ограничение на выдуманные данные и встроенная проверка. Меняется содержание, структура остаётся.

Дальше в план встраиваются точки проверки: не в конце, когда переделывать уже дорого, а по ходу. На каждой такой точке OpenAI предлагает метод трёх проверок:

И финальный акцент модуля закрывает то, с чего мы начали: цель не выполнить набор разрозненных заданий, а собрать переиспользуемую систему, а не одноразовый промпт. Удачные части процесса курс советует закреплять как отдельный многоразовый навык, чтобы запускать в один клик: собственный GPT, проект с нужными файлами или выверенный шаблон-промпт.

Тут курс описал подход, который я уже использую в Claude Code: повторяющиеся процессы оформляются как «reusable system, not one-off prompt». Один из примеров я показывала в материале о конвейере из голосовых заметок в посты.

Что нельзя автоматизировать на автопилоте?

Последний модуль посвящён ответственному использованию. В одном запросе ошибку можно заметить и исправить сразу. В повторяемом процессе неверное допущение, слабый источник или неуместная передача данных могут воспроизводиться при каждом запуске. Поэтому ответственность здесь не финальная галочка, а проверка в трёх точках:

• До старта. Подходит ли задача для ИИ в принципе? Делюсь ли я только нужным и полным контекстом? Что должно остаться под человеческим решением?
• Во время, когда подключается инструмент или приложение. Какую информацию оно взяло и откуда? Оно извлекло, проанализировало, преобразовало, набросало или совершило действие? Данные актуальны, полны, релевантны? Что проверить самой?
• Перед тем как отправить или применить. Точность, приватность, опора на источники, тон, соответствие правилам, человеческое одобрение.

Про приватность курс настаивает на одном: чувствительные данные нужно минимизировать и обезличивать, а иногда не передавать модели вовсе. Чем больше приложений подключено к процессу, тем внимательнее нужно проверять доступы и путь данных.

Что устарело и кому стоит проходить

Честная оценка актуальности: 9 из 10. Курс почти не привязан к кнопкам интерфейса, а именно они устаревают первыми. Он про привычки мышления и конструкцию работы, а это живёт дольше любого меню.

Ограничение в другом. Если вы уже системно строите процессы вокруг ИИ, часть материала окажется знакомой. Ценность тогда не в новизне, а в языке: курс даёт точные названия тому, что вы делаете на интуиции, а названное проще передать дальше.

Кому реально стоит пройти самому:

• Тем, кто освоил промпты и уперся в потолок: ответы хорошие, а работа всё равно собирается вручную.
• Руководителям, которым нужно объяснить команде не «как писать запросы», а «как строить процесс с ИИ».
• Командам, которые работают с чувствительными данными или подключают к AI внешние приложения.

Кому достаточно этого конспекта: тем, кто уже мыслит процессами и хочет свериться с каркасом из пяти частей и методом трёх проверок.

Проверь себя

Закрепите главное: ответьте про себя, потом раскройте и сверьтесь.

Чем воркфлоу отличается от одного промпта?

У воркфлоу есть цель, входные данные, шаги, решения и контрольные точки, и он переиспользуем. Один промпт даёт быстрый черновик, но пропускает прояснение цели, контекст, проверку и решение «что дальше».

Из каких пяти частей состоит воркфлоу?

Цель, контекст, ограничители, проверка, доработка. Это каркас, по которому раскладывается любая повторяющаяся задача.

Когда стоит включать думающую модель, а когда хватит быстрой?

Думающую, когда есть несколько ограничений, сравнение вариантов, рекомендация или решение, план с зависимостями, проверка по критериям. Быструю, когда задача простая и низкорисковая.

В чём метод трёх проверок?

Факты (цифры, имена, даты, источники верны?), логика (связки «потому что» и «следовательно» держатся?), тон (подходит аудитории и роли?). Ставится по ходу воркфлоу, а не только в конце.

Почему ответственное использование важнее в воркфлоу, чем в одном промпте?

Потому что ошибка тиражируется. Ошибочное допущение, слабый источник или утечка данных в воркфлоу повторяются неделя за неделей, поэтому проверка идёт до, во время и после, а не один раз в конце.

Частые вопросы

Нужно ли проходить сначала AI Foundations?

Желательно. Applied AI Foundations это надстройка: он предполагает, что вы уже умеете писать понятный запрос и проверять ответ. Если нет, начните с первого конспекта, там основы.

Нужно ли знать английский?

Курс на английском, но материал несложный. А если на слух тяжело, ровно для этого и существует мой конспект на русском.

Это бесплатно?

На момент моего прохождения курс и сертификат были бесплатными. Актуальные условия указаны на странице OpenAI Academy.

Можно ли применить без знания программирования?

Именно для этого курс и сделан. Ни строчки кода. Это про конструирование работы с ИИ как с инструментом, а не про разработку.

Чем это отличается от курсов про Claude?

Принципы универсальны: разбей задачу на шаги, выбирай простейший подходящий инструмент, встраивай проверку, оставляй финальное решение за собой. Я свожу знания из разных экосистем в одну систему. Сравнение есть в конспекте Claude 101.

---

Один навык, ради которого стоило потратить вечер: видеть за задачей не запрос, а процесс. Пять частей воркфлоу, метод трёх проверок и выбор между быстрой и думающей моделью превращают разовые удачные ответы в систему, которая работает каждую неделю, а не выручает один раз и гаснет.

Моя позиция прежняя: AI полезен в рутинных операциях, если процесс имеет ясные входные данные, ограничения и человеческую проверку. Одного удачного промпта для этого недостаточно.

Хотите собрать такой воркфлоу под задачи именно вашего бизнеса, а не абстрактно? Запишитесь на консультацию, разберём ваши процессы предметно.