У новій хвилі генеративного AI частина творців контенту обмежується «поставити запит — отримати відповідь». Інші перетворюють моделі на повноцінну операційну систему для бізнесу. Підприємиця та блогерка Марина Могилко (канал Silicon Valley Girl) і експертка з AI та колишня лідерка напрямку штучного інтелекту в Amazon Еллі Міллер демонструють саме другий підхід: вони будують навколо Claude та багатoагентних систем цілісні, самозапускаючі робочі процеси, які масштабують контент і продуктивність без збільшення команд.
Цей матеріал розбирає, як працюють їхні системи: від Claude-проєктів як «операційної системи» медіабізнесу до мережі з приблизно сотні агентів, які проактивно виконують роботу замість людини.
Claude як продакшн-середовище: коли LLM стає центром редакції
Для більшості користувачів великі мовні моделі — це інструмент «зайшов, запитав, вийшов». У Марини Могилко Claude перетворився на головне продакшн-середовище каналу, де зосереджені сценарії, ресерч, планування та аналітика.
Команда не просто «користується Claude» — вона працює в Claude-проєктах. Це означає, що модель постійно живе в контексті каналу: бачить історію рішень, попередні епізоди, реакцію аудиторії, стилістику, стратегічні пріоритети. Фактично Claude стає не чат-ботом, а цифровим продюсером, який пам’ятає, як розвивався проєкт, і пропонує наступні кроки.
Ключовий результат такого підходу — не абстрактна «економія часу», а вимірюваний бізнес-ефект. Після того як робочі процеси команди були перебудовані навколо Claude-проєктів, та сама команда продюсерів, без найму нових людей, почала випускати вдвічі більше контенту на місяць. Відповідно, подвоїлися й доходи каналу.
Це важливий сигнал для будь-якого медіабізнесу чи креатора: приріст не відбувся завдяки «чарівній кнопці», а завдяки тому, що AI став ядром процесів, а не додатковим гаджетом збоку.
Окремий Claude-проєкт для кожного каналу: чому контекст вирішує все
Одна з головних помилок у роботі з AI — намагатися «заштовхати» всі задачі в один універсальний чат. Могилко пішла протилежним шляхом і структурувала свою присутність у соцмережах через окремі Claude-проєкти для кожного каналу.
Є окремий проєкт для LinkedIn, окремий — для YouTube, окремий — для Instagram, окремий — для розсилки. Кожен із них має власний контекст, цілі та метрики успіху. Це дозволяє моделі «мислити» в межах конкретного формату й аудиторії, а не намагатися одночасно бути всім для всіх.
Найпоказовіший приклад — YouTube-проєкт. Він не існує у вакуумі: Claude під’єднаний до бази даних у Notion, де зібрано ключову інформацію про канал. Там зберігаються:
- опис «голосу» авторки — як вона формулює думки, який тон використовує, які конструкції уникає;
- історія виступів і показники попередніх епізодів — що «зайшло», а що ні;
- теми, які реально чіпляють аудиторію, а не просто здаються цікавими;
- особливості інтерв’юерського стилю — як ставляться запитання, як будується діалог.
У результаті Claude не просто генерує «ідеї для відео», а працює як стратег, який знає, як поводився канал раніше, що спрацювало, і що логічно зробити наступним. За словами Могилко, цей YouTube-проєкт настільки добре «розуміє» її канал, що часто дає поради, які не поступаються, а іноді й перевершують рекомендації дорогих зовнішніх консультантів.
Це показує, що сила LLM не лише в мовних можливостях, а в тому, наскільки глибоко модель занурена в дані конкретного бізнесу. Підключення до Notion перетворює Claude з універсального інструмента на кастомізованого внутрішнього аналітика.
Від поради до системи: як Claude реалізує стратегію generative engine optimization
Навіть маючи сильну внутрішню AI-інфраструктуру, Могилко не відмовляється від зовнішніх стратегів. Їхня цінність — у свіжому погляді та ідеях, які не завжди народжуються всередині команди чи моделі. Показовий кейс — стратегія GEO, generative engine optimization.
Один із зовнішніх консультантів порадив сфокусуватися на GEO — оптимізації контенту під генеративні системи, які все частіше стають «першою сторінкою інтернету» замість класичного пошуку. Ідея була зрозумілою, але реалізація вимагала десятків дрібних кроків: від дослідження, як різні моделі «читають» контент, до перебудови структури матеріалів і метаданих.
Замість того щоб наймати окремого спеціаліста з GEO, команда використала Claude як двигун реалізації. Модель допомогла:
- розкласти загальну рекомендацію на конкретні задачі;
- сформувати план впровадження;
- перетворити його на постійний робочий процес, а не разову акцію.
Фактично Claude став «оператором стратегії»: людина принесла ідею, а AI перетворив її на систему, яка працює щодня. Це важливий зсув: роль зовнішніх експертів зміщується від «робити руками» до «підказувати напрям», тоді як виконання все більше бере на себе AI, інтегрований у внутрішні процеси.
Для ринку це означає появу нової ніші — людей і компаній, які не просто консультують з AI, а допомагають іншим налаштовувати подібні системи. Могилко прямо говорить, що більшість досі не уявляє, що такі робочі процеси взагалі можливі, а отже, попит на тих, хто вміє їх будувати, суттєво недооцінений.
Від реактивного до проактивного AI: як працює система з 36 робочих процесів і сотні агентів
Якщо Claude-проєкти Могилко — це приклад глибокої інтеграції однієї моделі в медіабізнес, то система Еллі Міллер демонструє наступний рівень — багатoагентну архітектуру, де AI не чекає запиту, а сам ініціює роботу.
Міллер описує, як за останні два роки відбувся зсув від «AI як інструменту для дослідження» до «AI як агента, що діє від вашого імені». Раніше користувач просив модель зібрати інформацію, отримував синтез і далі сам виконував роботу. Тепер кілька агентів можуть не лише зібрати дані, а й виконати наступні кроки: підготувати документи, сформувати листи, оновити системи.
У власній практиці Міллер побудувала близько 36 проактивних робочих процесів, які підтримуються приблизно 28 «майстер-агентами». Кожен із них, у свою чергу, створює в середньому два підагенти. У сумі виходить близько сотні агентів, які працюють як команда віртуальних співробітників.
Ключова ідея — мінімізувати не лише час на виконання задачі, а й час на її запуск. Якщо людина щоранку заходить у AI, щоб попросити: «знайди новини індустрії» або «перевір оновлення в конкурентів», то сам факт, що їй потрібно пам’ятати про це, відкривати інструмент і формулювати запит, — уже зайва операція. На думку Міллер, якщо ви знаєте, що будете ставити одне й те саме запитання щодня, цей процес має бути автоматизований.
Саме тому вона розміщує свої робочі процеси в середовищах на кшталт Claude Co-Work і Claude Code, де можна планувати запуск задач за розкладом. Агент не чекає, поки його попросять, — він сам стартує в заданий час, збирає інформацію, обробляє її й приходить до людини вже з результатом.
Приклади проактивних агентів: від ранкового брифінгу до «п’ятничного рев’ю» пошти
Щоб зрозуміти, як виглядає така система в повсякденному житті, варто подивитися на конкретні сценарії, які описує Міллер.
Один із них — ранковий брифінг. Поки вона спить, агент збирає й структурує:
- новини індустрії, які можуть бути релевантними її роботі;
- локальні події, що відбуваються поруч і можуть бути цікавими;
- матеріали для підготовки до запланованих зустрічей.
До моменту, коли вона прокидається, у неї вже є готовий дайджест: що сталося у світі, що відбувається в її місті, до яких зустрічей потрібно підготуватися й які документи для цього вже зібрані. Людина входить у день не з «порожнього листа», а з чіткою картиною пріоритетів.
Інший показовий сценарій — «п’ятничний рев’ю» електронної пошти. Один із агентів автоматично аналізує вхідні листи, які залишилися без відповіді, відбирає ті, що виглядають терміновими або важливими, і формує підсумковий звіт. У ньому вже є:
- перелік критичних листів;
- чернетки відповідей;
- пропозиції, що можна делегувати й кому.
Фактично агент виконує роль асистента, який не лише нагадує про невирішені задачі, а й пропонує конкретні дії. Людині залишається затвердити або скоригувати рішення.
Ці приклади показують, як змінюється сама природа взаємодії з AI. Замість «зайти й запитати» користувач отримує «пакет оновлень», підготовлений без його участі. Це не просто економія часу — це зміна ментальної моделі: AI перестає бути інструментом і стає частиною операційної структури.
AI як команда віртуальних співробітників: нова норма для продуктивних людей
І Могилко, і Міллер описують AI не як «розумний чат», а як команду. У випадку з Claude-проєктами це радше один «суперспівробітник», який знає все про канал і допомагає приймати рішення. У випадку з багатoагентною системою Міллер — це вже цілий «відділ» із десятків спеціалізованих агентів.
Важливий момент: обидві системи будуються не як разові експерименти, а як постійна інфраструктура. Claude-проєкти Могилко — це не тимчасові чати, а стабільні середовища, які накопичують знання й історію. Агентні робочі процеси Міллер — не одноразові скрипти, а регулярні, заплановані задачі, які виконуються тиждень за тижнем.
Це підказка для тих, хто хоче вийти за межі «погратися з AI». Наступний рівень — поставити собі запитання:
- які частини моєї роботи повторюються щодня або щотижня;
- які з них можна не просто делегувати AI, а й зробити так, щоб AI сам їх запускав;
- який контекст потрібно дати моделі, щоб вона могла приймати корисні рішення без постійного ручного втручання.
У випадку Могилко відповіддю стали окремі Claude-проєкти з глибоким підключенням до Notion і даних каналу. У випадку Міллер — мережа агентів, запланованих у Claude Co-Work і Claude Code, які працюють за розкладом.
Висновок: AI-системи, а не AI-запити
Історії Марини Могилко та Еллі Міллер демонструють один і той самий тренд: найпомітніший ефект від AI отримують не ті, хто ставить «кращі промпти», а ті, хто будує навколо моделей цілісні системи.
У медіабізнесі це виглядає як Claude-проєкти, які стають центром продакшну, під’єднані до внутрішніх баз даних і здатні реалізовувати стратегії на кшталт generative engine optimization без додаткового штату. У персональній продуктивності — як мережа з десятків проактивних агентів, що самі запускаються, збирають інформацію, готують рішення й нагадують про важливе.
У обох випадках AI перестає бути «додатком» і стає частиною операційної системи роботи. І саме там, судячи з результатів — від подвоєння контенту й доходів до кратного зростання особистої продуктивності, — сьогодні лежить головний резерв зростання для тих, хто працює з інформацією.
Джерело
The 8 AI Tools That Will Change How You Make Money — Silicon Valley Girl