Первая попытка была наивной. Я скопировал в DeepSeek расшифровку двухчасового совещания (сплошной текст, куча «э-э-э», «кхм») и попросил: «Выдели главные проблемы и дай рекомендации».
Что я получил? Пересказ. Длинный, скучный, местами неверный. Нейросеть просто перефразировала мой же сумбур.
Я разозлился. «Почему ты так глупо отвечаешь?» — спросил я.
И тут DeepSeek ответил фразой, которая перевернула всё: «Ты даёшь мне необработанный шум. Я трачу 80% ресурсов на то, чтобы просто понять, где заканчивается одно предложение и начинается другое. Дай мне структуру — и я покажу магию».

Это был момент истины. Мы, люди, привыкли к контексту и интонациям. А ИИ видит только символы. Если я кидаю ему «стог сена», он не найдёт иголку — он просто пережуёт сено.

Решение: нужно говорить на языке машин. Машиночитаемые форматы — не прихоть, а необходимость. Я выбрал Markdown (для удобства чтения человеком) и JSON (для точного структурирования).
С этого дня я перестал быть просто пользователем. Я стал переводчиком с человеческого на машинный.
Представьте: вы идёте по полю и рассыпаете зёрна. Часть подбираете, а до 90% просто остаётся лежать. Примерно так же работает наша коллективная память. Через неделю мы помним лишь половину деталей совещания, а через год — в лучшем случае 3–4%. И, как назло, теряется часто самое важное.

Я понял: чтобы ИИ анализировал встречи, он должен сначала увидеть их структуру. Каждая реплика — не просто строка, а пакет данных: кто сказал, когда, в каком тоне, на какую тему.
Но как научить нейросеть это делать единообразно? Ведь если правила размыты, результат будет прыгать.
Я поступил как настоящий переговорщик. Я сел с DeepSeek (в роли эксперта) и мы заключили контракт. Я прописал чёткие критерии:

• что считать активностью (не количество слов, а вхождение в диалог с новой мыслью);
• что считать конфликтом (наличие слов-маркеров «нет», «стоп», «я не согласен» плюс анализ 2–3 реплик вокруг);
• как выделять тему (по ключевым словам, привязанным к графику работ)

Мы сделали 7 раундов уточнений. Я показывал примеры, ИИ находил противоречия, я переписывал правила. Так родился Нормализатор NB_4.2 — трёхуровневый промт, который:

1. чистит транскрипцию от мусора;
2. разбивает на смысловые кластеры;
3. вешает на каждый кластер до 22 мета-параметров

Важный урок: не давайте ИИ угадывать. Дайте ему карту с чёткими ориентирами. Чем субъективнее критерий, тем нестабильнее ответ.
Вот пример того, что выдаёт Нормализатор (реальный JSON-фрагмент):

{
"speaker": "Анна П.",
"cluster_id": 45,
"topics": ["Сроки поставки", "Качество"],
"sentiment": -0.8,
"is_conflict": true,
"initiative_score": 0.85,
"summary": "Жёстко аргументирует сдвиг графика, ссылается на внешние факторы."
}

Теперь у меня было сырьё — структурированный JSON, готовый для любой аналитики.

С чистым JSON я мог задавать ИИ конкретные вопросы. Первый: «Кто реально работает, а кто просто отсиживается?»

• Так родился PEI-Pro (Participant Efficiency Index)

Это промт, который вычисляет для каждого участника интегральный рейтинг на основе четырёх осей:

• Активность— не болтовня, а вклад в повестку.
• Конструктивность — ясность и полезность реплик.
• Влияние — насколько идеи участника повлияли на решения.
• Ответственность — берёт ли он задачи на себя.

PEI выдаёт не только рейтинг (0–10), но и карту конфликтов, динамику вовлечённости, а главное — персонализированные рекомендации для руководителя: кого поддержать, кого перенаправить, с кем поговорить о токсичности.
Для HR-ов это сокровище. Вместо субъективных «мне кажется, Иванов плохо работает» — объективные цифры и примеры из транскрипции.
Но я понял, что это только полдела. Встречи — это не только про поведение, но и про содержание. Надо было научиться вытаскивать скрытые проблемы.

Если PEI — это дипломат, то «Решала» — это прожектор, который светит в тёмные углы. Я создал промт, который ищет проблемы с гиперкритичным настроем. Он не даёт спрятаться за общими фразами. Он цепляется к каждому «у нас всё нормально» и спрашивает: «А если найду?».

Но главная фишка «Решалы» — он не просто перечисляет риски, а предлагает три сценария решения для трёх самых критичных проблем:

1. Рискованный — быстрый, но дерзкий.
2. Консервативный — надёжный, проверенный.
3. Креативный — нестандартный, возможно, прорывной.

И к каждому варианту прилагается блок-схема — визуальное обоснование, как ИИ пришёл к этому решению. Команда видит логику и выбирает путь. Больше нет споров «почему мы должны так сделать?» — есть прозрачная аргументация.
Этот продукт уже внедрён в рабочей группе — и первые отзывы говорят, что мы стали реже ходить по кругу и быстрее принимать решения.

На этом пути я набил немало шишек. Две из них хочу выделить особо — они изменили мой подход к промтингу.

Ошибка 1: Бесконечная полировка
Я 2 дня правил отчёт PEI, потому что мне «не хватало метрик». Я добавлял то динамику конфликтов, то коэффициент инициативности, то сравнительный анализ первых и последних минут встречи. В итоге я поймал себя на мысли: я уже не улучшаю, я просто перекладываю цифры.

Решение оказалось простым: я вынес все желаемые метрики в одну конфигурационную строку в начале промта. Теперь я не переписываю логику, а просто редактирую список параметров. Это сэкономило мне часы и сохранило рассудок.

Ошибка 2: Слепая вера в одну версию
Однажды я обновил промт, и он перестал корректно определять конфликты. Я в панике начал откатывать изменения, но не мог вспомнить, какая версия была рабочей.
Теперь у меня жёсткое правило: каждая версия промта сохраняется с номером (NB_4.2, PEI_5.0). И я делаю экспертизу — кидаю готовый промт в другую нейросеть (например, Гигачат) и прошу: «Найди, где я неоднозначно сформулировал правила». Это снижает «искусственную рулетку» и даёт стабильный результат.

А теперь — ваш ход
Я выложил все три промта (Нормализатор, PEI-Pro, Решала) в открытое облако на Яндекс.Диске. Они на Markdown, легко адаптируются. Можете использовать их на своих транскрипциях и смотреть, что получается.
Мне очень нужна ваша обратная связь. Что можно улучшить? Какие ещё метрики вы бы добавили? С какими форматами транскрипций возникли проблемы?
Я не учитель, я такой же исследователь. Давайте делиться опытом — и вместе сделаем управленческую рутину управляемой.
Ваш, Евгений Ковалев. Бортовой журнал продолжается.
P.S. Следующий шаг — строить граф знаний и цифровых двойников команды. Но об этом в следующем выпуске.

https://disk.yandex.ru/d/LVytgGBQzk5Fwg
https://disk.yandex.ru/d/BdvNis-DcMy-Uw