Task Spec v1.0: шаблон, который превращает AI в толкового исполнителя

Знакомая ситуация? Вы пишете AI: «Напиши мне стратегию выхода на рынок», получаете три страницы воды уровня курсовой работы второкурсника и думаете: «Ну вот, опять. Все говорят, что AI — это революция, а он мне какую-то ерунду выдаёт».

Я через это проходил десятки раз. И в какой-то момент понял — проблема не в модели. Проблема в том, как я ставлю задачу.

Представьте, что вы нанимаете консультанта McKinsey. Гениального, с десятилетием опыта. Сажаете его за стол и говорите: «Ну, сделай что-нибудь полезное для моего бизнеса». Что он выдаст? Ровно то, что выдаёт ChatGPT на абстрактный запрос — что-то среднее, безопасное, никому не нужное. Не потому что тупой. А потому что вы не дали ему контекст, рамки и критерии успеха.

AI-модели в 2026 году — это действительно мощные исполнители. Claude Opus 4.6, GPT-5.2, Gemini Ultra — они реально умеют делать сложные вещи. Но они работают ровно с тем, что вы им дали. Garbage in — garbage out. Или, в нашем случае: размытая задача → размытый результат.

Почему «просто промпт» не работает

Интернет завален советами уровня «напиши AI, что он эксперт» или «добавь в промпт слово please». Это не работает. Точнее, работает примерно как мотивационный плакат в офисе — вреда нет, пользы тоже.

Проблема глубже. Большинство людей ставят AI задачу так же, как просят Google: коротко, абстрактно, надеясь что «оно само разберётся». Но AI — это не поисковик. Это исполнитель. И ему нужно то же самое, что нужно любому толковому сотруднику: понимание что делать, зачем, в каких рамках и как выглядит хороший результат.

Я потратил кучу времени, экспериментируя с форматами промптов, и постепенно пришёл к структуре, которая стабильно даёт качественный результат с первого-второго раза. Назвал это Task Spec — потому что это, по сути, техническая спецификация задачи, адаптированная под AI-исполнителя.

Что такое Task Spec

Task Spec — это структурированный шаблон постановки задачи для AI. Не просто промпт, а полноценный бриф. Как если бы вы писали ТЗ для фрилансера, но с учётом того, что ваш «фрилансер» — это языковая модель с определёнными особенностями восприятия.

Ключевая идея: чем точнее поставлена задача, тем меньше итераций и переделок. Хорошая постановка — это 80% успеха. Вы тратите 10-15 минут на заполнение шаблона, но экономите часы на переделках.

В основе — 8 компонентов. Каждый из них закрывает конкретную проблему, из-за которой AI выдаёт плохой результат.

Анатомия шаблона: что и зачем

Роль исполнителя

Первое, что вы указываете — кем должен быть AI в контексте этой задачи. «Senior Python-разработчик с опытом в data engineering» и «junior-стажёр» дадут принципиально разный результат на одну и ту же задачу. Роль задаёт глубину, тон и подход.

Это работает не потому, что AI «притворяется» — а потому что роль активирует соответствующие паттерны в модели. Укажите «аналитик стратегического консалтинга» — и получите структурированный анализ с фреймворками. Укажите «копирайтер для Telegram-канала» — получите живой разговорный текст.

Job Story

Формула: «Когда [ситуация], я хочу [действие], чтобы [ценность]».

Зачем это нужно? AI-модели отлично умеют работать с контекстом мотивации. Когда модель понимает не просто что делать, а зачем — она принимает лучшие решения в неопределённых ситуациях. Вместо того чтобы спрашивать вас о каждой мелочи (или, что хуже, додумывать не в ту сторону), она ориентируется на заданную цель.

Проблема и ценность

Две стороны одной монеты. Проблема — что сейчас плохо. Ценность — что должно стать хорошо. Это даёт AI систему координат: он понимает, из какой точки вы стартуете и куда нужно попасть.

Контекст и ограничения

Дедлайны, технические ограничения, предпочтения по стеку, бюджетные рамки. Всё, что AI должен учесть, но никогда не угадает сам. Без этого модель работает в вакууме — и результат соответствующий.

Ресурсы и источники

Файлы, ссылки, документация, примеры. Если у вас есть референс — дайте его. Модели отлично работают с конкретными образцами. «Сделай как в этом документе, но для нашего рынка» — это на порядок точнее, чем «сделай хорошо».

Критерии приёмки

Это, возможно, самая важная часть. Большинство людей её пропускают — и именно поэтому получают размытые результаты.

Начинается с образа идеального результата — краткого описания эталона. «Как аналитический отчёт McKinsey», «как скрипт с тестами и документацией на GitHub», «как питч-дек Airbnb раннего раунда». Это калибрует уровень.

Дальше — конкретные, измеримые критерии. Не «сделать хорошо», а «документ содержит не менее 5 источников, каждый источник — публикация не старше 2 лет». Не «написать понятно», а «текст читается без специальных знаний, все термины объяснены при первом использовании».

Out of Scope

Что делать не нужно. Звучит тривиально, но это спасает от главной болезни AI — стремления сделать больше, чем просили. Вы просите написать функцию, а он рефакторит весь файл. Просите исследовать конкурентов, а он ещё и стратегию выхода на рынок приложит. Out of Scope чётко ограничивает зону работы.

Протокол тестирования

Чек-лист самопроверки, адаптированный под тип задачи. Для кода — тесты и линтеры. Для исследования — верификация источников. Для контента — вычитка и проверка фактов. Без него задача не считается поставленной.

Зачем это нужно? Модели последнего поколения умеют проверять собственную работу — но только если вы явно попросите. Протокол тестирования — это именно такая явная просьба.

Готовый шаблон — забирайте

Вот полный шаблон Task Spec v1.0. Копируйте, заполняйте под свою задачу и отправляйте AI. Работает с любой моделью — Claude, ChatGPT, Gemini, без разницы.

# [Название задачи — краткое и понятное]

**Дата постановки:** [ДД.ММ.ГГГГ]
**Роль исполнителя:** [Кто выполняет задачу и в какой роли.
Например: «AI-ассистент в роли senior Python-разработчика
с опытом в data engineering» или «AI-исследователь в роли
аналитика стратегического консалтинга».]

---

## Что нужно сделать?

**Описание задачи:** [Чёткая формулировка цели. Что конкретно
должно появиться в результате.]

**Job Story:** Когда [ситуация/контекст], я хочу
[мотивация/действие], чтобы [ожидаемый результат/ценность].

---

## Зачем это нужно?

**Проблема:** [Текущая боль. Что не работает, работает плохо
или отсутствует.]

**Ценность:** [Какой результат для пользователя / бизнеса /
проекта мы хотим получить и почему это важно.]

---

## Контекст и ограничения

- [Бизнес-ограничения, дедлайны]
- [Технические ограничения, предпочтения по стеку / инструментам]
- [Другие важные условия]

---

## Ресурсы и источники

- [Предоставленные файлы, ссылки, документация]
- [Где искать дополнительную информацию]

---

## Критерии приёмки

**Образ идеального результата:** [Краткое описание того, как
выглядит отличный результат. На что он похож стилистически
и по качеству.]

- [ ] [Критерий 1 — чёткий, измеримый, проверяемый]
- [ ] [Критерий 2]
- [ ] [Критерий 3]

---

## Out of Scope — что делать НЕ нужно

- [Что явно исключено из задачи]
- [Чего точно не делать]

---

## Протокол тестирования

⚠️ **Перед возвратом результата исполнитель обязан:**

- [ ] Проверить результат на соответствие каждому критерию приёмки
- [ ] [Специфичные для задачи проверки]
- [ ] Убедиться в полноте и завершённости результата
- [ ] Использовать доступные инструменты для валидации

Скачать как Claude Code Skill

Если вы используете Claude Code, можете скачать Task Spec как готовый скилл — он автоматически будет формулировать задачи по шаблону через диалог с вами.

task-spec-v1.0-skill.md

Положите файл в ~/.claude/skills/task-spec/SKILL.md — и вызывайте командой /task-spec прямо в терминале.

Как это выглядит на практике

Абстрактный шаблон — это хорошо, но давайте посмотрим на разницу.

Без Task Spec:

«Напиши мне анализ конкурентов для мобильного приложения доставки еды»

Что вы получите: общие слова про Delivery Club и Яндекс Еду, список «преимуществ и недостатков» из открытых источников, вывод уровня «рынок конкурентный, но есть возможности». Три страницы, которые нельзя использовать ни для одного решения.

С Task Spec:

Роль: AI-аналитик в роли стратегического консультанта со специализацией на foodtech-рынке РФ

Job Story: Когда мы готовим питч для серии А, я хочу объективный конкурентный анализ, чтобы показать инвесторам нашу дифференциацию и рыночную нишу.

Критерии приёмки: таблица сравнения по 8+ параметрам, данные не старше 6 месяцев, раздел unit-экономики с конкретными цифрами, слайд-ready визуализация

Два совершенно разных результата. Второй можно реально использовать.

Когда Task Spec не нужен

Давайте без фанатизма. Task Spec — это инструмент для значимых задач, где важен качественный результат.

Если вы спрашиваете AI «в каком году основан Рим» или «переведи это предложение на английский» — никакой спецификации не нужно. Это как стрелять из пушки по воробьям.

Task Spec имеет смысл, когда:

Результат займёт больше одного абзаца
Вы планируете использовать результат в работе, а не «просто посмотреть»
Есть конкретные критерии качества
Задача требует контекста, который AI не может угадать

Что дальше

Это версия 1.0. Я использую этот шаблон ежедневно и продолжаю его дорабатывать. Основной вектор развития — адаптивность: разные типы задач (код, исследование, контент, данные) требуют разных акцентов в протоколе тестирования и критериях приёмки.

Главная мысль, с которой хочу вас оставить: качество работы AI на 80% определяется качеством постановки задачи. Модели уже достаточно умные. Узкое место — это мы. И Task Spec — это способ расширить это узкое место.

Забирайте шаблон, пробуйте, адаптируйте под себя. Если нашли способ сделать его лучше — пишите в Telegram.