ChatGPT Work и Codex: как собрать рабочую систему по методу Jason Liu из OpenAI

Коротко: ChatGPT Work и Codex лучше воспринимать как рабочую систему: один слой хранит контекст, второй выполняет задачи, третий проверяет результат. Jason Liu из команды Codex в OpenAI показывает подход, где ИИ не ждёт идеального промпта, а встроен в почту, Slack, задачи, код и регулярные проверки.

Если в компании 5–10 менеджеров, маркетологов или разработчиков, проблема обычно не в модели. Чаще знания лежат в чатах, задачи описаны обрывками, а результат никто не проверяет по процессу. Поэтому ИИ помогает в разовых вопросах, но не снимает операционную нагрузку.

Подход Jason Liu полезен тем, что переносит фокус с «какой промпт написать» на «как организовать работу так, чтобы агент сам видел контекст, предлагал следующий шаг и доводил задачу до результата». В Эпоха ИИ мы используем тот же принцип в бизнес-внедрениях: начинаем не с выбора модели, а с карты процессов, прав доступа, интеграций и контрольных точек.

1. Что такое ChatGPT Work и чем он отличается от Codex?

ChatGPT Work — рабочий интерфейс для задач, где код и технические детали можно убрать с переднего плана. Codex — агентная среда: в ней лучше видны репозиторий, изменения, история задач и всё, что нужно разработчику для проверки.

Jason Liu объясняет разницу просто: под капотом оба режима опираются на близкую агентную механику, но интерфейс определяет, что видит пользователь. Разработчику полезны git-история, pull request, diff и технический след. Менеджеру, маркетологу или основателю чаще нужен не diff, а готовые слайды, письмо, план, сводка или документ.

Поэтому ChatGPT Work удобен для задач знаний:

• разобрать длинный тред и сделать из него план действий;
• подготовить черновик письма или ответа в Slack;
• собрать материалы в рабочий документ;
• превратить обсуждение в регулярный отчёт;
• вести долгую задачу, где нужен контекст из разных мест.

Codex сильнее там, где результат должен пройти инженерную проверку: код, тесты, файлы, pull request, рефакторинг, анализ ошибок. Но смысл не в выборе «или Work, или Codex». Рабочий процесс строится так: Work помогает сформулировать и вести задачу, Codex делает техническую часть и оставляет след, который можно проверить.

2. Почему обычный чат быстро ломается в работе?

Обычный чат ломается, когда теряет контекст. Пользователь снова объясняет, кто клиент, какие правила у компании, что уже обсуждали и какой результат считается хорошим.

На простых задачах это терпимо. Нужно написать письмо — вставили вводные, получили черновик. Нужно переписать текст — загрузили фрагмент и попросили поправить. Но как только процесс растягивается, чат начинает жечь время:

• в одном диалоге лежит контекст клиента;
• в другом — требования руководителя;
• в третьем — файл с правилами бренда;
• в четвёртом — прошлые решения;
• в пятом — новая задача, которая зависит от всех предыдущих.

Человек снова становится «клеем» между кусками системы: копирует, пересказывает, вспоминает, проверяет и руками переносит итог в рабочие инструменты. ИИ вроде помогает, но нагрузка не исчезает.

Jason Liu предлагает обратную логику: не просить модель «догадаться», а заранее описать рабочий контекст. Как выглядит хороший ответ. Какие источники можно брать. Какие действия агент может делать сам. Где нужна проверка. По каким признакам задача считается завершённой.

Для бизнеса это важно. Если ИИ-продажник отвечает клиенту, ему мало знать «продавай хорошо». Ему нужны скрипты, цены, стоп-фразы, правила эскалации, доступ к CRM и понимание, когда диалог пора передать человеку. Без этого выходит красивое демо, а не сотрудник.

3. Как устроить контекст: три слоя вместо одного промпта

Контекст удобнее собирать в три слоя: постоянные правила, рабочие данные и текущая задача. Так агент не тащит всё из памяти чата и не смешивает стратегию с разовым поручением.

Первый слой — постоянные правила. Это ваша операционная конституция: тон общения, запреты, структура ответа, список сервисов, роли людей, правила безопасности. В разработке похоже на README и инструкции для репозитория. В продажах — на регламент отдела продаж и базу знаний.

Второй слой — рабочие данные. Сюда попадают переписки, задачи, документы, история клиента, статусы сделок, письма, заметки из встреч. Этот слой меняется каждый день, поэтому его нельзя держать только в голове одного менеджера.

Третий слой — текущая задача. Здесь вы задаёте конкретное действие: ответить клиенту, проверить pull request, сделать сводку, подготовить слайды, найти риск, составить список следующих шагов.

Хорошая постановка для агента выглядит не как длинный художественный промпт, а как рабочее поручение:

1. вот цель;
2. вот доступный контекст;
3. вот ограничения;
4. вот формат результата;
5. вот критерии проверки;
6. вот что делать, если данных не хватает.

Поэтому Jason Liu уделяет столько внимания не магическим фразам, а системе. Когда контекст лежит в правильных местах, задача проще: вам остаётся понять, что в результате не нравится, назвать это словами и отправить агенту на доработку.

4. Какие задачи можно отдавать ChatGPT Work?

ChatGPT Work стоит отдавать задачи, где нужно собрать, свернуть или подготовить рабочую информацию. Он хорошо помогает в рутине, которая раньше держалась на открытом ноутбуке и внимательности человека.

Примеры из подхода Jason Liu:

• превратить длинный тред в короткий отчёт;
• подготовить черновики ответов в Slack;
• собрать письма и задачи в ежедневную сводку;
• найти незакрытые вопросы в переписке;
• сформировать план следующего созвона;
• превратить обсуждение в список задач;
• вести регулярный «heartbeat» по проекту: что изменилось, что горит, где нужен человек.

Для руководителя это меняет механику управления. Не нужно каждый вечер руками обходить почту, мессенджеры и таск-трекер. Агент заранее соберёт картину: где клиент ждёт ответа, где подрядчик завис, где задача простаивает, где нужно решение.

Но граница всё равно есть. ChatGPT Work не должен молча принимать бизнес-решения, подписывать договоры, менять цены или отправлять чувствительные данные без правил. Он нужен для предварительной работы: подготовить, свернуть, предложить, подсветить риск. Право финального действия задаётся отдельно.

В Эпоха ИИ мы обычно описываем такие границы ещё на этапе аудита. Например, ИИ-менеджер может сам отвечать на типовые вопросы, квалифицировать заявку и заполнить сделку в CRM. Но сложные переговоры, нестандартные скидки и спорные случаи уходят живому менеджеру.

5. Где нужен Codex, а не ChatGPT Work?

Codex нужен там, где результат можно проверить: в коде, интеграциях, тестах, изменениях файлов и технических задачах. Он помогает не только разработчикам, но и бизнесу, если в процессе есть автоматизация.

Допустим, нужно не написать текст письма, а подключить форму сайта к CRM, настроить вебхук, собрать отчёт по лидам и проверить, что сделка создаётся с нужными полями. Обычный чат с таким уже не справится. Здесь нужны файлы, зависимости, тесты, логика ошибок и история изменений.

Codex удобен тем, что оставляет технический след. Видно, какие файлы изменились, какие проверки прошли, где агент ошибся и что именно исправил. Для бизнеса это снижает риск агентной разработки: «модель что-то сделала, но никто не понимает что».

Практическое правило простое:

Так система не превращается в «чат для всего». Каждый слой делает свою работу.

6. Как ставить задачи агенту, чтобы он не угадывал?

Ставьте задачу как поручение сотруднику: с контекстом, границами и способом проверки. Чем меньше агенту приходится угадывать, тем меньше времени уходит на правки.

Рабочая формула:

Цель: что нужно получить.
Контекст: какие материалы учитывать.
Ограничения: чего нельзя делать.
Формат: как должен выглядеть результат.
Критерии: по чему понять, что задача готова.
Эскалация: когда остановиться и спросить человека.

Плохая постановка: «разбери переписку и сделай нормально». Агент не знает, что для вас «нормально»: кратко или подробно, с рисками или без, для руководителя или исполнителя, с задачами в Linear или просто текстом.

Хорошая постановка: «Разбери тред за неделю, найди открытые вопросы, сгруппируй по проектам, отметь блокеры и предложи по одному следующему действию. Не отправляй сообщения сам. Если данных не хватает, вынеси это отдельным списком».

В бизнес-процессах это особенно чувствительно. Если ИИ работает с клиентами, нужно описать:

• какие вопросы он закрывает сам;
• какие фразы запрещены;
• как он определяет горячего лида;
• какие поля заполняет в CRM;
• когда зовёт менеджера;
• как пишет саммари диалога.

7. Что нужно сделать самому, если внедрять такую систему без команды?

Для самостоятельного запуска мало купить подписку на модель. Нужно описать процессы, собрать контекст, подключить источники, настроить права, прогнать сценарии и поддерживать систему после запуска.

Минимальный список работ выглядит так:

1. Описать процессы: кто кому пишет, где появляются задачи, где теряются клиенты.
2. Собрать базу знаний: цены, продукты, регламенты, частые вопросы, запреты.
3. Разделить роли: что делает агент, что делает человек, где нужна эскалация.
4. Подключить каналы: почта, Slack или Telegram, CRM, сайт, таск-трекер.
5. Настроить безопасность: какие данные можно отправлять в модель, что маскировать.
6. Протестировать сценарии: типовые, спорные, ошибочные, пограничные.
7. Организовать поддержку: обновления, контроль токенов, мониторинг, дообучение.

Если внутри есть техническая команда, часть пути можно пройти самим. Но бизнес часто упирается не в модель, а в связку сервисов: один не отдаёт нужные поля, второй меняет API, третий ломает формат, а менеджеры всё равно ведут сделки в личных чатах.

Самостоятельная сборка почти всегда занимает больше времени, чем кажется после демо. Демо показывает лучший сценарий. Рабочая система должна выдерживать обычный день: неполные заявки, ошибки клиента, старые данные, разные каналы и живых людей, которые не любят заполнять поля.

8. Сколько стоит сделать самим и через Эпоха ИИ?

Цена зависит от масштаба: одна роль и два канала обойдутся дешевле, чем ИИ-отдел с CRM, ERP и on-premise. У Эпоха ИИ минимальная точка запуска — тариф Старт: внедрение от 50 000 ₽ и сопровождение от 10 000 ₽/мес.

Инфраструктура и токены оплачиваются отдельно. Точную сумму считаем после короткого брифа: две компании из одной ниши могут работать с разными каналами, CRM, правами доступа и требованиями к безопасности.

9. Как это выглядит на реальном бизнес-кейсе?

В B2B-компании, которая поставляет и обслуживает промышленное оборудование, первая линия продаж отвечала на заявки через 2–4 часа. После внедрения ИИ-продажника ответ занимал 3–8 секунд, число квалифицированных лидов выросло с 38 до 61 в день, а расходы первой линии снизились на 40%.

Что внедрили: связку Авито Pro API, Telegram, WhatsApp, виджет на сайте, Claude Sonnet + GPT-mini и двустороннюю интеграцию с amoCRM. ИИ закрывал типовые диалоги, заполнял поля сделки, писал саммари и передавал сложные случаи менеджеру.

Кейс показал главное: результат даёт не «умная модель сама по себе», а встраивание в процесс. Быстрый ответ работает потому, что агент знает продукт, видит канал, умеет квалифицировать лида и кладёт итог в CRM. Если оставить ИИ в отдельном чате, менеджер всё равно будет копировать данные руками.

Похожая логика работает и для ChatGPT Work с Codex. Сначала описываете процесс, потом подключаете источники, дальше агент получает регулярные задачи и проверяемые критерии. Так ИИ становится не помощником «по запросу», а рабочим слоем компании.

10. Какие ошибки ломают систему ChatGPT Work и Codex?

Систему ломают не слабые промпты, а ситуация, где за процесс никто не отвечает. Когда некому следить за контекстом, правами, качеством и регулярной проверкой, агент быстро превращается в ещё один чат.

Частые ошибки:

• Нет единой базы правил. Агент каждый раз получает разные вводные и отвечает разным тоном.
• Нет критериев готовности. Пользователь не может объяснить, что именно не так в результате.
• Слишком много автономности сразу. Агент получает право действовать до того, как протестированы пограничные случаи.
• Нет логов и проверки. Непонятно, почему он принял решение и где ошибся.
• Контекст хранится у людей. Пока знания не вынесены в систему, ИИ зависит от того, кто сегодня онлайн.
• Нет сопровождения. Модели обновляются, API меняются, токены заканчиваются, старые инструкции конфликтуют с новыми.

У Jason Liu хорошо сформулирована суть работы с ИИ: нужно понять, что вам не нравится в результате, выразить это словами и сказать агенту. Но это работает только там, где обратная связь идёт регулярно. Если компания не умеет описывать процесс словами, агент не сможет стабильно повторять нужный результат.

11. Как начать внедрение: простой план на неделю

Начинайте не с покупки доступа, а с одного процесса, где много повторов и понятен результат. Чем уже первый сценарий, тем быстрее станет видно, есть ли от системы польза.

План на неделю:

День 1. Выберите процесс. Например: разбор входящих заявок, ежедневная сводка по проектам, подготовка ответов клиентам, проверка задач в таск-трекере.

День 2. Соберите контекст. Выпишите правила, источники, запреты, примеры хороших и плохих ответов.

День 3. Опишите формат результата. Сводка, таблица, список задач, черновик письма, саммари сделки — агенту нужен конкретный выход.

День 4. Настройте проверку. Кто принимает результат, по каким признакам, что агент должен спросить, если данных не хватает.

День 5. Прогоните 10–20 реальных примеров. Не демо, а старые переписки, задачи и ошибки. Так всплывают дырки в правилах.

День 6. Добавьте интеграции. Только после проверки логики подключайте CRM, мессенджеры или таск-трекер.

День 7. Назначьте владельца. У системы должен быть человек, который обновляет контекст, смотрит ошибки и решает, где расширять автономность.

Если хотите глубже разобраться в рабочем контексте, посмотрите наш разбор как правильно настроить Claude под свой бизнес. А если нужен более широкий взгляд на внедрение без своей технической команды — полезен гайд ИИ-сотрудник и ИИ-агент для бизнеса.

FAQ

Источники

• Как правильно настроить Claude под свой бизнес — гайд от консультанта OpenAI, Google и Anthropic (проверено: июль 2026)
• ИИ-сотрудник и ИИ-агент для бизнеса 2026: что это, виды, цена (проверено: июль 2026)
• Как не упираться в лимиты Claude и Codex: 14 рабочих способов экономить токены (проверено: июль 2026)
• ChatGPT Work + Codex Tutorial: My Complete System at OpenAI, Jason Liu (проверено: июль 2026)

Материал опирается на разбор рабочего процесса Jason Liu из команды Codex в OpenAI и адаптирован под задачи владельцев бизнеса.

Автор статьи

Никита Овдиенко

Строю ЭПОХА ИИ

В Telegram-канале «Никита Овдиенко | Бизнес на AI» рассказываю как ИИ помогает автоматизировать бизнес-процессы и увеличивать доход — на примере своей компании и проектов клиентов.

Подписаться