У гонитві за новими AI‑інструментами легко загубитися в переліку «крутих» сервісів і пропустити головне: як саме топові засновники реально вбудовують моделі на кшталт ChatGPT, Gemini, DeepSeek і Claude у щоденну роботу й ухвалення рішень. В інтерв’ю на каналі Silicon Valley Girl підприємці, які будують компанії з десятками мільйонів користувачів, показують зовсім інший рівень використання AI: не як «розумний пошук» чи генератор текстів, а як постійного співрозмовника, панель експертів і навіть додаткові «80 пунктів IQ».
Ця стаття розбирає, як CEO Opus Clip Ян Сяо, колишній керівник Google X Мо Ґавдат і команда Workera використовують загальні мовні моделі як стратегічних партнерів — і що це означає для будь‑якої компанії, яка хоче працювати не просто швидше, а розумніше.
Від «задати питання» до «вести діалог»: як CEO Opus Clip використовує ChatGPT як мислячого партнера
Opus Clip — AI‑компанія для відео, яка за два з половиною роки виросла з нуля до 50 мільйонів користувачів і оцінки в 215 мільйонів доларів. Її CEO Ян Сяо при цьому називає своїм головним інструментом не складний парк агентів, а «звичайний» ChatGPT. Але спосіб, у який він його використовує, радикально відрізняється від того, як з моделлю працює більшість користувачів.
Ключова ідея Сяо — ставитися до AI не як до сервісу для дрібних задач, а як до «thinking partner», повноцінного мислячого партнера. Йдеться не про те, щоб попросити модель «зробити презентацію» чи «перекласти текст», а про те, щоб разом із нею розбиратися в найважливіших бізнес‑питаннях: розумінні користувачів, управлінні командою, ціноутворенні, критичних стратегічних розвилках.
У традиційній моделі засновник у таких ситуаціях звертається до коуча, ментора чи більш досвідчених підприємців. Сяо пропонує додати до цього ще один рівень: проганяти ті самі питання через ChatGPT або Gemini, але не в режимі «одного запиту», а як довгу, насичену контекстом розмову з десятками уточнень і зустрічних питань.
Він підкреслює два принципи, без яких AI не перетворюється на справжнього партнера.
По‑перше, максимальний контекст. Замість коротких запитів на кшталт «як підняти ціни?» він завантажує в діалог усе, що може бути релевантним: скріншоти групових обговорень, посилання на PRD і специфікації, внутрішні документи, опис ринку, реакції команди. Модель отримує не абстрактну задачу, а живу картину бізнесу.
По‑друге, довга серія ітерацій. Сяо говорить про «20+ раундів» діалогу, коли засновник не просто приймає першу відповідь, а сперечається, уточнює, просить альтернативи, перевіряє припущення. У такому форматі модель починає виконувати роль не «оракула», а співрозмовника, який допомагає структурувати думки, виявити сліпі зони й протестувати різні сценарії.
Результат, за його словами, — відчуття «mindblowingly enlightened»: не тому, що AI «знає істину», а тому, що він змушує мислити глибше, ніж це зазвичай відбувається в голові засновника чи в короткій розмові з радником.
Щомісячний «рев’ю рішень» із ChatGPT: як документування підсилює пам’ять і якість стратегій
Окремий пласт практики Сяо — це регулярний ритуал перегляду рішень разом із ChatGPT. Раз на місяць він повертається до моделі з питанням: які ключові рішення були ухвалені за останні тижні, що в них було вдалим, а що варто переосмислити.
Щоб це працювало, доводиться змінювати власну дисципліну. Сяо буквально «змушує себе документувати» — фіксувати важливі обговорення, зберігати скріншоти групових чатів, лінки на документи, де описані рішення, і регулярно підвантажувати це в діалог із моделлю. Частину рішень він описує вручну, частину — просто пересилає у вигляді матеріалів.
У підсумку ChatGPT перетворюється на щось на кшталт зовнішнього «щоденника рішень» із потужною аналітикою. Модель пам’ятає, які кроки вже робилися, як вони аргументувалися, які сумніви виникали. Коли засновник просить її «дати коментарі й фідбек» по місяцю, вона може:
– вказати на повторювані патерни, наприклад, схильність затягувати запуск фіч або систематично недооцінювати ризики певного типу;
– нагадати про рішення, щодо яких сам засновник раніше висловлював сумніви;
– запропонувати альтернативні підходи, спираючись на попередні кейси в тій самій компанії.
Цей підхід перегукується з практикою, яку описував керівник Microsoft AI Мустафа Сулейман: він щодня «розповідає» Copilot про свої рішення й емоції, а через кілька місяців повертається до того самого треду, щоб отримати нагадування про попередній досвід. У випадку Сяо фокус зміщений із щоденного емоційного трекінгу на щомісячний стратегічний аудит, але принцип той самий: AI стає довгостроковою пам’яттю й дзеркалом для мислення засновника.
Для бізнесу це означає появу нового типу управлінського інструмента. Якщо раніше «історія рішень» жила в головах кількох людей і фрагментарно в документах, то тепер вона може бути структурована в одному AI‑контексті, доступному для аналізу й порівняння. Це не скасовує роль радників і ради директорів, але додає ще один рівень рефлексії, який працює щодня, а не раз на квартал.
Панель експертів замість одного «оракула»: як Мо Ґавдат змушує AI‑моделі сперечатися між собою
Колишній chief business officer Google X Мо Ґавдат підходить до AI ще більш радикально. Він відверто не довіряє жодній окремій моделі як «джерелу істини» і будує власну систему роботи з кількома AI, які фактично виконують роль панелі експертів.
Ґавдат нагадує, як у 2016 році пошук Google видавав «мільйон і пів відповідей» і чесно казав: «Я не знаю, що з цього правда, вирішуй сам». Сучасні LLM, на кшталт ChatGPT, поводяться інакше: формулюють одну відповідь упевненим тоном, створюючи ілюзію однозначності. При цьому, якщо заперечити моделі, вона легко «погоджується» й змінює позицію. Для Ґавдата це сигнал: відповідальність за пошук істини все одно залишається на людині.
Щоб не потрапити в пастку «монополії на реальність», він свідомо «зіштовхує» моделі між собою. Схема виглядає так. Спочатку він звертається до Gemini, який для нього «відчувається як науковець» із певним американським ухилом у поглядах. Потім передає відповідь у DeepSeek із запитом: що тут бракує, які є упередження, які аспекти не враховано. DeepSeek, за його словами, часто критикує «надто американський» кут зору, додаючи інші мотивації, політичний контекст, альтернативні інтерпретації.
Далі Ґавдат може віддати зведену відповідь ChatGPT із проханням «написати це краще» — зробити текст більш елегантним і читабельним. Він порівнює стиль ChatGPT із «каліфорнійським»: модель прагне сказати те, що користувачеві приємно почути, і подати це максимально гладко. Після цього він знову може повернути результат у Gemini чи іншу модель, продовжуючи цикл уточнень.
Фактично це ручна реалізація того, що могло б стати окремим продуктом: чат, який автоматично порівнює відповіді різних моделей, виявляє розбіжності й допомагає користувачеві сформувати власну позицію. Для Ґавдата важливо не те, щоб AI «вирішив за нього», а те, щоб він отримав кілька незалежних точок зору й міг побачити, де саме моделі не збігаються.
Цей підхід особливо показовий на тлі поширеної звички «обирати улюблену модель» і використовувати її як універсальне джерело відповідей. Ґавдат демонструє іншу логіку: різні моделі — це різні експерти з власними стилями, упередженнями й сильними сторонами. Якщо ставитися до них саме так, а не як до взаємозамінних сервісів, якість рішень зростає.
«Позичені 80 пунктів IQ»: що означає віддати обчислення AI, але залишити собі мислення
Мо Ґавдат проводить ще одну важливу паралель — із появою наукових калькуляторів. Коли він навчався на інженера, використання таких калькуляторів на іспитах було заборонене. Коли заборону зняли, час розв’язання задач скоротився приблизно на 50%. Більшість студентів використали це, щоб швидше закінчити роботу й піти відпочивати. Сам Ґавдат витрачав вивільнений час на те, щоб розв’язати задачі вдруге й перевірити себе.
Те саме, на його думку, відбувається сьогодні з AI. Якщо повністю «аутсорсити» розв’язання задач моделям, вони зроблять людей менш компетентними. Якщо ж віддати AI ті частини роботи, які «не природні для людського мозку» — масове опрацювання інформації, швидкий пошук, технічні обчислення, — а собі залишити постановку задач, інтерпретацію результатів і прийняття рішень, то AI зробить людину «найрозумнішою версією себе».
Ґавдат оцінює, що сьогодні «позичає» у своїх AI‑інструментів приблизно 80 пунктів IQ. Він підкреслює, що в умовах експоненційного зростання можливостей моделей ці додаткові 80 пунктів «більші за весь його власний IQ». Йдеться не про буквальне вимірювання інтелекту, а про відчутний приріст когнітивної потужності за рахунок делегування рутинних і надскладних обчислювальних задач.
Практично це виглядає так: AI бере на себе збір і синтез великих масивів даних, моделювання сценаріїв, перевірку гіпотез, а людина зосереджується на тому, що поки що залишається унікально людським: інтуїції, цінностях, розумінні контексту, етичних рішеннях. У цій моделі AI — не «автопілот», а потужний інструмент, який дозволяє мислити на рівні, що раніше був недоступний через обмеження часу й уваги.
Це ставить перед керівниками й підприємцями нове питання: як саме використовувати вивільнений ресурс. Ґавдат попереджає, що більшість людей використовують AI, щоб «працювати менше», тоді як «розумні» — щоб «заробляти більше», тобто створювати додаткову цінність. Вибір між цими двома стратегіями визначатиме, хто в найближчі роки опиниться в групі лідерів, а хто — в групі тих, кого AI поступово витіснить.
Claude як інженерний співробітник: як Workera кодує процеси в «скили» і знімає навантаження з маркетингу
Якщо Ян Сяо й Мо Ґавдат показують, як AI може підсилювати індивідуальне мислення засновника, то приклад Workera демонструє, як моделі стають повноцінними учасниками командних процесів. Компанія позиціонує себе як «Anthropic‑heavy shop» — усередині активно використовуються моделі Claude, зокрема Claude Code Max для інженерної роботи.
Claude Code Max у цьому контексті — не просто інструмент автодоповнення коду. Інженери Workera працюють із ним як із потужним співавтором, який допомагає писати, рефакторити й перевіряти код. Але ще цікавіше те, як компанія використовує концепцію «skills» — скілів, які Anthropic описує як файли, що задають спосіб виконання певного процесу.
Workera кодує у вигляді таких скілів внутрішні процедури: від рекрутингу до бренд‑гайдів. У файлах описано, як саме компанія наймає людей, які критерії важливі, які етапи має пройти кандидат. Окремо зафіксовано бренд‑гайдлайни: шрифти, тон комунікації, колірні палітри, допустимі формулювання.
Раніше типовий сценарій виглядав так: інженер, який хоче запустити нову сторінку чи внутрішній інструмент, звертається до маркетингової команди з проханням перевірити шрифти, кольори, формулювання. Це створювало вузьке місце: маркетинг витрачав час на дрібні перевірки, замість того щоб займатися стратегією, а інженери чекали фідбеку.
Тепер ці правила «зашиті» в Claude. Інженер може запитати в моделі: чи відповідає цей текст бренд‑тону, чи коректно підібрані кольори, чи дотримано вимог до верстки. Claude перевіряє результат на основі скілів, які підтримує й оновлює маркетингова команда. Людське втручання залишається, але зміщується на інший рівень: маркетологи не переглядають кожен екран, а керують «кодом бренду», який застосовується автоматично.
Це дає одразу кілька ефектів. Комунікація між командами скорочується, час виведення нових елементів продукту на ринок зменшується, а маркетинг отримує більше простору для стратегічних питань: чи варто змінювати шрифт, чи актуальний тон бренду, як адаптувати візуальну мову під нові ринки. Інженери, своєю чергою, отримують інструмент самоперевірки, який працює в реальному часі й не вимагає чекати відповіді в Slack.
У ширшому сенсі це приклад того, як загальні мовні моделі можуть стати «операційною системою» компанії. Якщо внутрішні процеси формалізовані й закодовані в AI‑доступних форматах, будь‑який співробітник може звернутися до моделі як до носія корпоративної пам’яті й стандартів. Це особливо цінно для швидкозростаючих компаній, де нові люди постійно приєднуються до команди й ризик розмивання процесів дуже високий.
Від особистого радника до інфраструктури рішень: що об’єднує ці підходи
На перший погляд, практики Яна Сяо, Мо Ґавдата й Workera відрізняються: один використовує ChatGPT як особистого радника, другий — будує «панель AI‑експертів», третя — кодує процеси в Claude. Але в основі всіх трьох підходів лежить одна спільна ідея: загальні мовні моделі перестають бути інструментом «разового запиту» й перетворюються на довгострокових партнерів у мисленні та операціях.
У випадку Сяо це партнер, який знає історію рішень засновника й допомагає йому не повторювати помилки. У випадку Ґавдата — група співрозмовників, які дозволяють побачити задачу з різних боків і не потрапити в пастку однієї моделі. У випадку Workera — інфраструктурний шар, який зберігає й застосовує корпоративні стандарти без постійної участі людей.
Спільним є також акцент на відповідальності людини. У жодному з цих сценаріїв AI не «вирішує за» засновника чи команду. Навпаки, моделі підсилюють людське мислення, але не замінюють його. Сяо витрачає час на документування й довгі діалоги, Ґавдат — на порівняння відповідей і повторне розв’язання задач, Workera — на підтримку й оновлення скілів, які визначають, як саме працює їхній AI.
Для компаній, які лише починають інтегрувати AI, ці приклади задають планку. Використання ChatGPT чи Gemini для написання листів і резюме — це лише поверхневий рівень. Справжній ефект з’являється тоді, коли моделі вбудовуються в цикл ухвалення рішень, стають частиною пам’яті організації й беруть на себе структуровану частину мислення, залишаючи людям те, що вони роблять найкраще.
Висновок: стратегічний AI — це не про інструмент, а про спосіб мислення
Те, як топові засновники й технічні лідери працюють із загальними мовними моделями, показує: ключовим стає не вибір «правильного» сервісу, а зміна ролі AI в бізнесі. ChatGPT, Gemini, DeepSeek, Claude і подібні моделі можуть бути:
– поверхневими помічниками, які відповідають на запити й генерують тексти;
– або стратегічними партнерами, які зберігають історію рішень, сперечаються між собою, кодують процеси й фактично додають десятки «позичених» пунктів IQ до команди.
Різниця між цими двома сценаріями — у глибині інтеграції й готовності людей залишатися в центрі мислення, а не віддавати його повністю машинам. Ян Сяо показує, як перетворити ChatGPT на особистого радника засновника. Мо Ґавдат — як не дозволити жодній моделі монополізувати істину й використати AI як множник інтелекту, а не його заміну. Workera — як зробити Claude частиною операційної тканини компанії, щоб кожен інженер міг діяти в рамках бренд‑стандартів без постійного контролю.
У найближчі роки саме такі підходи, а не просто «наявність AI у стеку», визначатимуть, хто зможе масштабуватися швидше, ухвалювати кращі рішення й будувати бізнеси, які витримають конкуренцію в епоху, коли інтелект — уже не тільки людський ресурс.
Джерело
The 8 AI Tools That Will Change How You Make Money — Silicon Valley Girl