Когда маркетинговые отчёты надоело собирать руками

Когда я начал собирать всё это в более цельную систему, первым рабочим инструментом для меня стал Codex.

Не потому что это “модно”, а потому что он оказался самым внятным рабочим инструментом для старта. Когда ты не просто спрашиваешь что-то у модели, а действительно строишь: правишь файлы, собираешь логику, проверяешь, как всё связано между собой, смотришь, где процесс живой, а где пока только красивая идея.

И вот тут быстро выясняется важная вещь: хороший AI-инструмент нужен не для вау-эффекта. Он нужен для того, чтобы ты двигался быстрее и спокойнее. Чтобы можно было не держать в голове весь хаос сразу, а постепенно превращать его в рабочую систему.

Я попробовал разные варианты и очень быстро понял, что не все модели ощущаются одинаково, когда речь идёт о реальной работе. Где-то ответ вроде бы умный, но вязкий. Где-то слишком много лишнего. А где-то ощущение, что инструмент действительно помогает дойти до результата, а не просто поддерживает разговор.

Мне в этом смысле оказался ближе именно такой подход: меньше болтовни, больше действия.

Важно, что выбор был не из серии “увидел один инструмент и влюбился”. Я смотрел и в сторону Claude Code, и в сторону Google Antigravity.

И это, на самом деле, полезный момент для любого, кто сейчас присматривается к AI-инструментам для работы. Снаружи они часто выглядят похожими. Но когда начинаешь использовать их не для разового запроса, а как основу ежедневной системы, различия быстро становятся очень заметными.

Claude Code мне во многом нравится. Он часто хорошо чувствует код, местами аккуратнее ведёт сложные рассуждения и в некоторых задачах может ощущаться сильнее. Но у него есть проблема, которая для реальной работы начинает раздражать довольно быстро: постоянная борьба с лимитами. Пока ты просто тестируешь инструмент, это терпимо. Когда пытаешься опереться на него как на основной рабочий слой, это уже начинает влиять на ритм.

Google Antigravity тоже было интересно посмотреть. У таких решений обычно хорошо чувствуется попытка сделать более широкий AI-интерфейс вокруг задач, поиска, контекста и общей организации работы. Но у меня осталось ощущение, что именно как рабочий инструмент для серьёзной кодовой и системной сборки он пока слабее. И по самой кодовой базе, и по тому, как там устроено управление информацией, контекстом и материалами, с которыми ты работаешь долго, а не пять минут.

Codex, если честно, тоже не выглядит идеальным победителем без оговорок. В каких-то вещах он уступает тому же Claude Code. Где-то хотелось бы большего удобства, где-то большей точности, где-то более гладкой работы. Но в моём случае у него оказалось сочетание вещей, которое перевесило всё остальное.

Во-первых, его можно запускать и локально, и на VPS. Для меня это важно, потому что я не ищу просто удобный AI-чат. Я собираю рабочую среду, которая должна жить у меня, а не только в чужом интерфейсе.

Во-вторых, у него более богатая и вменяемая система лимитов. Не в смысле “лимитов нет”, а в смысле, что с ними можно жить и строить на них нормальный рабочий процесс, не спотыкаясь каждые полчаса.

И в-третьих, он лучше ложится в ту логику, которая мне сейчас нужна: не просто отвечать, а помогать собирать файлы, документацию, задачи, структуру и дальше постепенно связывать всё это в одну рабочую схему.

Поэтому на сегодня мой выбор — именно Codex.

Не потому что остальные плохие. А потому что в моей текущей задаче он лучше других совпал с тем, что мне реально нужно: самостоятельность, нормальный рабочий ритм, управляемость и возможность строить систему не только “в облаке у кого-то”, но и у себя.

Но один только Codex ничего не решает. Очень быстро стало понятно, что нужен не просто сильный интерфейс к модели, а нормальная рабочая среда вокруг него.

Поэтому рядом появились ещё несколько вещей.

Документация. Потому что если мысли, договорённости и решения не зафиксированы, ты очень быстро начинаешь ходить кругами. Вроде работаешь, а на самом деле по третьему разу обсуждаешь одно и то же.

Память. Потому что важно не только хранить файлы, но и собирать контекст: что уже решили, какой стиль нужен, какие принципы рабочие, какие нет.

Linear. Потому что любая нормальная система разваливается, если в ней нет понятного слоя задач. Идеи, шаги, статусы, блокеры, порядок движения. Всё это должно где-то жить, а не болтаться в голове.

И когда стало ясно, что мало просто хранить заметки и задачи, появился следующий вопрос: как сделать так, чтобы система не только помнила и подсказывала, но и умела доводить задачу до действия.

Моё внимание привлёк OpenClaw.

Это не инструмент “чтобы ещё раз поговорить с AI”. Для этого и так хватает вариантов. Мне он интересен как способ превратить задачу в действие. Не просто хранить идеи, а брать конкретную задачу, отправлять её в работу, получать результат обратно и не терять это по дороге.

На самом деле такие схемы давно и массово используются в самых обычных системах, только люди редко называют это как-то особенно. Когда интернет-магазин принимает заказ, отправляет его на склад, потом в доставку, потом возвращает статус клиенту — это та же логика. Когда служба поддержки принимает обращение, передаёт его нужному специалисту и потом возвращает ответ — это тоже она. Когда CRM двигает лид по этапам и запускает следующее действие по условию — всё то же самое.

Мне интересно перенести такой же принцип в работу с AI.

Не “спросить AI и забыть”, а сделать так, чтобы система умела принимать задачу, понимать, к чему она относится, передавать её дальше, возвращать результат и сохранять историю.

Если совсем приземлённо, то в моей системе OpenClaw нужен для нескольких очень конкретных вещей.

Во-первых, чтобы задачи по сайту и по клиентской работе можно было отправлять не в воздух, а в понятный рабочий канал.

Во-вторых, чтобы результат тоже возвращался не в виде хаотичного сообщения, а как нормальный итог: что сделано, что получилось, что дальше, где артефакты.

В-третьих, чтобы со временем можно было связать в одну цепочку контент, исследование, задачи и действия, а не держать всё это отдельными кусками.

После первого дня это уже не просто идея на салфетке.

Если совсем без технички, то картина уже такая: Codex умеет сам работать с OpenClaw, ставить ему задачи, передавать сообщения и забирать ответы обратно.

А для меня это значит ещё более простую вещь: я могу задавать системе нормальные человеческие вопросы и получать ответы не только внутри рабочего интерфейса, но и через Telegram, когда это нужно.

То есть если убрать красивые слова, после первого дня OpenClaw у нас уже умеет главное: принимать задачу, отправлять её дальше, возвращать ответ и не терять переписку между частями системы.

Для меня это и есть реальный критерий полезности. Не то, насколько красиво звучит описание инструмента, а делает ли он конкретную работу в цепочке.

Наверное, больше всего мне интересно не то, что AI умеет красиво отвечать. Это уже почти базовый уровень.

Интереснее другое: можно ли собрать из этого не набор отдельных трюков, а рабочую систему. Такую, где отчёты, исследование, контент, память, задачи и автоматизация перестают быть разрозненными кусками и начинают усиливать друг друга.

Пока это не история про “всё уже готово”. Скорее наоборот. Это история про то, как ручная работа в какой-то момент становится слишком дорогой роскошью, и ты начинаешь искать более взрослый способ с ней жить.

Без культа технологий. Без обещаний, что сейчас AI всё сделает сам. С любопытством, с проверками, с ошибками, с нормальной рабочей приземлённостью.

И, честно говоря, именно это мне сейчас и кажется самым интересным. Не просто использовать инструменты по отдельности, а собрать из них среду, в которой можно думать, строить, проверять и постепенно отдавать системе то, что раньше приходилось тащить вручную.

Если получится, это будет не просто удобный набор AI-штук. Это будет нормальный рабочий слой для маркетинга, исследований, контента и следующих задач, которые пока ещё делаются руками.

Если хочешь разобраться, где в твоём бизнесе такая система реально сэкономит время — разберёмся вместе.