Команда из 5 человек, в которой каждый самостоятельно придумывает свои prompts для AI, не просто расходует токены - она тратит часы и выпускает несогласованную работу. Это показательный кейс (составной, а не основанный на реальном названном клиенте), демонстрирующий, как выглядят эти потери из месяца в месяц и что меняется, когда та же команда переходит на небольшую общую библиотеку файлов навыков AI.
Показательный кейс · Команда KissMySkills
Исходная ситуация: обычный импровизированный рабочий процесс с AI
Представьте команду из 5 человек, занимающуюся маркетингом и операционной деятельностью в стартапе на ранней стадии: контент-менеджер, менеджер по социальным сетям, специалист по CRO/аналитике, операционный координатор и основатель, который то и дело подключается ко всему. Каждый из них ежедневно использует Claude, ChatGPT или Gemini. Никто не настроил ничего формального. Все просто... печатают.
Это означает, что каждый новый чат начинается с нуля. Прежде чем AI сможет создать пригодный для использования первый черновик, кому-то приходится заново объяснять:
- Что представляет собой бренд и к кому он обращается
- Правила тональности («более прямо, менее официально-корпоративно», «никогда не говори "delve"», «всегда заканчивай чётким CTA»)
- Стандарты форматирования (заголовки, стиль маркированных списков, диапазоны количества слов)
- Для какого канала это предназначено и что там считается «хорошим» результатом
- Контекст текущей кампании, продукта или квартала
Ничего из этого не записано в виде готового к повторному использованию ресурса. Всё существует как коллективное знание, которое помнят лишь частично и набирают заново - каждый раз немного по-другому.
Математика: 5 человек, несколько сессий в день, каждый день
Эти цифры приблизительные, а не результаты аудита - важен масштаб потерь, а не точность до десятичного знака. Допустим, каждый сотрудник проводит 4-6 сессий с AI в день по рабочим вопросам: пишет подпись, переписывает электронное письмо, проверяет заголовок лендинга, резюмирует звонок. Если хотя бы половина этих сессий начинается с нового блока на 150-300 слов в духе «давайте снова объясню тональность нашего бренда и правила форматирования», получается примерно следующее:
- 5 человек × ~3 сессии с большим объёмом контекста в день = 15 избыточных повторных объяснений контекста в день
- 15 × ~20 рабочих дней в месяц = около 300 избыточных повторных объяснений в месяц
- Если каждый раз заново набирать в среднем 200 слов контекста, это составляет примерно 60 000+ слов в месяц, потраченных исключительно на повторные объяснения - контекст, который не создаёт ничего нового, а лишь заново задаёт исходную точку
Умножьте это на количество входных токенов, обрабатываемых в каждом сообщении в цепочке (большинство чат-инструментов заново отправляют на каждом шаге весь накопленный контекст), и накладные расходы на токены быстро растут. Но счёт за токены - меньшая проблема. Гораздо важнее время.
Настоящая цена - не токены, а минуты, умноженные на пять
Представьте, что повторный ввод или копирование блока «вот контекст нашего бренда и форматирования» занимает 2-4 минуты на сессию, плюс дополнительные уточнения, когда первый черновик AI не соответствует ожиданиям из-за того, что контекст был неполным или сформулирован иначе, чем в прошлый раз. В команде из пяти человек это легко составляет 1-2 часа в неделю на человека, потраченные на повторное задание контекста, который нужно было установить один раз.
За месяц это составляет значительную часть полного рабочего дня на человека - время уходит не на выполнение работы, а на повторный инструктаж AI о том, как её выполнять. В команде из 5 человек это постепенно превращается почти в объём работы ещё одного сотрудника, ежемесячно уходящий на «налог на контекст».
Один раз добавьте Maya в Claude, ChatGPT или Gemini, и каждый текст для соцсетей, контент-план и публикация в формате конкретной платформы будут написаны вашим голосом - без повторных объяснений тона или форматирования в каждой сессии.
Посмотреть Maya - менеджер по социальным сетям →Вторая издержка: дрейф качества
Избыточные токены и потерянное время - видимые издержки. Более незаметная издержка - дрейф. Когда пять разных людей каждый по памяти пишут собственную версию фразы «вот как звучит наш бренд», у них не получается написать её одинаково даже дважды - не говоря уже о том, чтобы их версии совпадали. Чья-то импровизированная формулировка звучит более официально, другой человек добавляет сленг, которым бренд на самом деле не пользуется, а третий и вовсе забывает упомянуть правило CTA.
Результат: контент, письма и аналитика формально «соответствуют бренду», но каждый из них звучит с немного иным акцентом. Клиенты и потенциальные клиенты замечают это, даже если никто в команде не может точно объяснить, почему что-то кажется непоследовательным. Смерть от тысячи мелких отклонений.
Особенно заметно это в двух областях: в рабочем процессе CRO и аналитики, где непоследовательная трактовка того, «что считать значимым ростом», приводит к разным выводам разных людей на основе одних и тех же данных, и в автоматизации маркетинга, где логика последовательностей и допущения по оценке лидов неформально изобретаются заново каждый раз, когда к кампании подключается кто-то новый.
Бек ставит диагноз до тестирования - анализ отсева в воронке, разработка A/B-тестов и интерпретация результатов, которые остаются последовательными независимо от того, кто в команде проводит сессию.
Посмотреть Beck - специалист по CRO →Что меняется с общей библиотекой Skill
Решение - не новый инструмент и не новый документ с описанием процесса, который никто не читает. Это замена импровизированных prompt небольшой общей библиотекой файлов Skill - по одному на каждую функцию, для которой команда действительно использует AI. Файл Skill - это просто сохранённый системный prompt: голос бренда, правила форматирования, контекст роли и внутренние стандарты, написанные один раз и вставляемые в начале любой сессии Claude, ChatGPT или Gemini (или сохранённые в качестве инструкции проекта Claude, чтобы они всегда загружались).
Для команды из 5 человек в маркетинге и операционной деятельности это обычно означает 3-4 файла Skill, охватывающих регулярные задачи: контент и социальные сети, CRO/аналитику и автоматизацию маркетинга/жизненный цикл. Все участники команды используют один и тот же файл для одной и той же задачи вместо того, чтобы каждый раз писать собственную версию.
Что именно меняется:
- Необходимость повторно объяснять контекст практически исчезает - голос бренда и правила форматирования уже встроены в файл Skill, а не вводятся заново в каждой сессии
- Единообразие результатов повышается - пять человек, использующих один и тот же файл Skill, создают работу, звучащую так, будто её выполнила одна команда, а не пять отдельных специалистов
- Адаптация становится значительно быстрее - новый сотрудник получает файлы Skill вместо квеста по старым обсуждениям в Slack, где нужно восстановить «как мы обычно это пишем»
- Время на сессию сокращается - меньше настройки, меньше переписываний из-за того, что в первом результате не учтён неявный контекст, больше пригодного к использованию результата с первой попытки
Finn проектирует системы, а не разовые последовательности - архитектуру рабочих процессов и модели оценки лидов, которые может повторно использовать вся команда вместо того, чтобы каждый раз восстанавливать логику по памяти.
Посмотреть Finn - специалист по автоматизации маркетинга →Адаптация: недооценённая выгода
Экономия токенов и времени важна, но сильнее всего команды замечают эффект при адаптации после перехода. Вместо того чтобы новый сотрудник первые две недели впитывал «как у нас здесь всё делается» методом погружения и получал замечания по тону в каждом цикле проверки, в первый же день он открывает нужный файл Skill, и его первый результат уже почти соответствует стилю бренда. Раньше институциональные знания хранились только в головах старших сотрудников и уходили из организации вместе с теми, кто увольнялся, а теперь это переносимый файл, который путешествует вместе с командой.
Если ваша команда работает более чем с одной из этих функций, стоит изучить полную библиотеку Skill для маркетинга и рекламы, а не создавать отдельные prompts для каждой функции.
Итог:
Команда из 5 человек, заново объясняющая голос бренда и требования к форматированию в каждой сессии с AI, незаметно теряет часы каждую неделю на дублирование контекста, а в результате выпускает непоследовательные материалы. Единая небольшая общая библиотека - Maya для контента и социальных сетей, Beck для CRO и аналитики, а также Finn для автоматизации маркетинга - сокращает повторный ввод, повышает единообразие и превращает адаптацию нового сотрудника в передачу ему файла вместо археологических раскопок в Slack.
Укажите, как вы или ваша команда на самом деле используете чаты AI, и получите точную ежемесячную оценку потерь токенов и затрат в долларах при повторном написании prompts по сравнению с постоянным файлом Skill. Без регистрации и электронной почты - только расчеты из этой статьи, примененные к вашим данным.
Попробуйте калькулятор →Часто задаваемые вопросы
Основано ли это на показателях реального клиента?
Нет - это иллюстративный сборный кейс, составленный на основе типичных моделей работы небольших маркетинговых и операционных команд, использующих чат-инструменты AI без четкой системы, а не проверенные данные реального названного клиента. Показатели токенов и времени приведены ориентировочно, чтобы показать масштаб потерь, а не точные измерения.
Чем файл Skill отличается от того, чтобы один раз написать хороший prompt и повторно его использовать?
Идея та же, только она формализована и доступна всей команде. Проблема большинства команд не в том, что никто никогда не пишет хороший prompt, а в том, что каждый создает свою версию, хранит ее в личных заметках, и больше никто в команде ею не пользуется. Файл Skill - это единая поддерживаемая версия, которую вся команда вставляет или загружает как инструкцию проекта, поэтому все начинают с одной базовой настройки, а не с пяти слегка отличающихся вариантов.
Работают ли файлы Skill за пределами Claude?
Да. Файлы Skill - это системные prompts на основе Markdown, поэтому они работают везде, где можно вставить инструкции: в Claude Projects, пользовательских инструкциях ChatGPT или Custom GPTs, а также в Gemini Gems. Команде не нужно стандартизироваться на одном инструменте AI, чтобы работать с единым общим контекстом.
