Битрикс24: AI-ассистенту нужна память. Иначе он каждый раз стажер в первый день

Сергей Востриков, руководитель направления «Маркетплейс и интеграции» Битрикс24, рассказал нам, почему AI-ассистенту необходимо погружение в рабочий контекст и как это сделать; что такое Second Brain и как применить эту концепцию к AI-агенту; как выстроенная база знаний экономит часы при подготовке к встречам и работе после них; с чего начать: пошаговый путь от папки с файлами до агента, который собирает статус проектов; почему качество памяти, а не название модели, станет главным критерием оценки AI-ассистентов в ближайшие годы.

AI-модели в бизнес-контексте уже демонстрируют высокий уровень возможностей. Они пишут тексты, анализируют данные, помогают с кодом, собирают презентации, ищут информацию, предлагают структуру документов. При этом каждый новый диалог с моделью начинается с нуля.

Пользователь снова объясняет, кто участники проекта, в чем его специфика, какие решения уже приняты, где находится блокер и почему задачу нельзя закрыть формально. Раз за разом воспроизводится один и тот же контекст, потому что модель не живет в рабочей среде пользователя. Без контекста даже высококлассный ассистент ведет себя как сотрудник в первый рабочий день: технически компетентный, но не погруженный в реальность конкретной команды и конкретных задач.

Ассистенту необходимо погружение в контекст

Если обратиться к аналогии с живым бизнес-ассистентом, его ключевая ценность — знания, накопленные в процессе работы. Хороший ассистент знает, какие проекты сейчас приоритетны, помнит итоги последней планерки, понимает, с кем нужно согласовывать решения заранее. Он видит, что один проект формально движется по плану, хотя фактически заблокирован уже несколько недель, а по другому лучше не инициировать лишних коммуникаций, потому что команда занята критической задачей. Эта погруженность переводит ассистента из категории «человек, которому нужно все подробно объяснять» в категорию специалиста, который снимает часть задач с руководителя.

От AI-ассистента ждут схожего: «подготовь меня к встрече», «собери статус проектов», «сформулируй позицию», «напомни, что мы решили». Чтобы выполнять такие запросы качественно, агент должен знать рабочую жизнь пользователя — проекты, участников, документы, задачи, договоренности, историю решений. Для этого была создана концепция Second Brain.

Что такое Second Brain

Термин Second Brain принято связывать с Тиаго Форте и его подходом к управлению личной базой знаний. По сути, это внешняя система памяти, в которую складывается важная информация с расчетом на дальнейшее использование: в работе, при принятии решений, в творческих задачах. Принципиальное отличие от архива «на всякий случай» в том, что это рабочая память, которую можно активно использовать в текущей деятельности.

Форте описывает два базовых инструмента.

- Метод CODE (Capture, Organize, Distill, Express) задает цикл работы с информацией: зафиксировать важное → структурировать так, чтобы можно было найти → выделить главное → использовать в реальном результате.
- Модель PARA (Projects, Areas, Resources, Archives) определяет логику хранения: информация организуется по принципу применения.

Появление современных AI-агентов сделало концепцию Second Brain еще более практичной. Раньше личная база знаний была полезна ровно настолько, насколько дисциплинированно пользователь ее вел и насколько эффективно сам в ней искал. Теперь база может стать памятью для AI-агента.

Как это работает на практике

Стандартный чат с AI хорошо справляется с изолированными запросами: написать черновик письма, объяснить термин, переформулировать текст, быстро набросать идеи. Управленческая работа, однако, редко состоит из изолированных задач. За каждым запросом тянется хвост контекста:

- что происходило раньше и какие решения уже приняты;
- кто вовлечен и каковы позиции участников;
- какие существуют ограничения и скрытые риски;
- что обсуждалось на прошлой встрече и что обещали сделать к следующей.

Если агент этого не знает, он дает технически корректный, но поверхностный ответ. Когда база выстроена, вопрос «что у нас по проекту X?» перестает быть запросом, на который агент вынужден строить предположения. Он обращается к реальным данным, поднимает последние статусы, блокеры и принятые решения и формирует ответ на их основе, в идеале указывая источник каждого вывода.

Правила важнее, чем выбор инструмента

Second Brain — это в большей мере набор правил, чем конкретный продукт. Если под рукой есть агент, который умеет работать с файлами и следовать инструкциям, первый шаг уже доступен. Правила могут выглядеть так:
исходные источники хранятся отдельно и не редактируются;

- по каждому значимому источнику составляется краткое summary;
- страницы людей, проектов, продуктов и ключевых понятий ведутся отдельно;
- между страницами проставляются внутренние ссылки;
важные выводы фиксируются в базе.

В целом, агент способен помочь сформулировать эти инструкции самостоятельно, аналогично тому, как опытный ассистент-человек может объяснить логику собственной работы.
Важно учитывать, что агент не будет работать идеально сразу же после настройки. Его нужно планомерно насыщать контекстом: расшифровками встреч, документами, статусами проектов, историей решений. База будет постепенно уплотняться, появятся связи между сущностями, и на определенном этапе агент перестает просто отвечать на вопросы и начинает восстанавливать контекст. В этот момент концепция и начинает работать в полную силу.

Подготовка к встречам и работа после них

Из практики использования подобной системы наиболее ощутимый эффект дает подготовка к встречам. Раньше перед каждой планеркой требовалось часами самостоятельно восстанавливать картину: просматривать задачи, чаты, заметки, отчеты, календарь. С выстроенной базой достаточно запросить у агента статус проектов или тезисы для обсуждения: агент поднимает сохраненный контекст, собирает блокеры, последние решения и следующие шаги, структурируя материал в логику, нужную именно для переговоров.

Аналогичный механизм работает и после встреч. Расшифровку переговоров можно передать агенту с запросом:

- выделить принятые решения и зафиксировать план действий;
- обновить статус проекта и отметить блокеры;
- сохранить ключевые договоренности.

Ответственность за итоги по-прежнему остается на человеке: он проверяет выводы, определяет приоритеты и формулирует позицию. Агент в этой системе лишь снимает значительный слой рутины по восстановлению и упаковке контекста.

Чем больше памяти, тем меньше инструкций

Накопленная база меняет и характер взаимодействия с агентом. Пока агент не знает рабочего контекста, каждое поручение требует развернутого брифинга: объяснить, что проект в подвешенном состоянии, кто отвечает за техническую часть, где юридический риск, какие формулировки недопустимы. По мере накопления базы значительная часть этого контекста агенту уже известна.

Он видит приоритеты конкретного проекта, помнит предыдущие решения, знает принятые в команде формулировки и способен сам обозначить: «здесь не хватает актуального статуса», «этот вывод опирается на устаревший источник», «по этому вопросу ранее была другая договоренность». Тогда AI и начинает выполнять функцию аналитического советника. Современные модели хорошо умеют анализировать информацию, находить связи, сравнивать варианты, и наличие рабочей памяти переводит эти возможности из абстрактного режима в контекст конкретной организации и задач.

Корпоративные данные как часть базы знаний

Практически вся офисная работа уже где-то зафиксирована: в задачах, чатах, документах, CRM, проектных карточках, почте, отчетах. По существу, это тоже Second Brain, но сильно фрагментированный. Агент должен уметь работать с этим массивом так же, как это делает сотрудник-человек: читать переписку в задаче, просматривать комментарии и поднимать историю обсуждений.

Там, где коммуникации и управление проектами организованы в Битрикс24, логичный шаг — подключить агента к API системы. Современные агенты хорошо справляются с созданием функций для базовых операций: получить задачу, прочитать комментарии, найти проект, сохранить сводку в базу. При наличии технической компетенции в команде такие интеграции перестали быть чем-то труднодостижимым.

Начинать стоит с чтения данных: агент ищет, анализирует, готовит выводы, но не вносит изменений в корпоративные системы. Когда возникает запрос на более активное участие — создать задачу, обновить статус, подготовить черновик сообщения — необходимо заранее проработать контур прав и предохранителей:

- минимально достаточные права и запрет на деструктивные операции;
- подтверждение пользователя перед выполнением изменений;
журналирование и прозрачность действий агента;
- разделение режимов «прочитать», «подготовить черновик» и «выполнить».

Живому ассистенту не передают право подписывать договоры без согласования, но вполне доверяют подготовить черновик, создать задачу, собрать материалы, обновить статус. С AI-агентом действует та же логика.

С чего начать

Практический путь не начинается с выбора идеального приложения. Оптимальная последовательность:

- Выбрать агента, умеющего работать с файлами и следовать инструкциям.
- Создать папку для базы знаний и описать агенту правила работы с ней.
- После значимых встреч, документов и решений передавать агенту обновления и запрашивать актуализацию базы.
- Через некоторое время начать задавать содержательные вопросы: «что у нас по проекту?», «какие блокеры?», «к чему пришли на прошлой встрече?».

На начальном этапе взаимодействие может казаться избыточно формальным. Затем база начнет экономить время. А характерный маркер того, что система заработала, — ощущение, что прежний способ подготовки к встречам и работы с контекстом был неоправданно трудоемким.