От чата до агентов: 6 курсов по ИИ от Google, Anthropic и OpenAI

Привет, Хабр! Меня зовут Александр, я тимлид в СВОЙ Тех. ИИ работает со мной каждый день: пишет код, помогает с ревью, разбирает документацию. Друзья и родные тоже пользуются им всё чаще. Но многие обращаются с нейросетями так, будто купили феррари, чтобы слушать в ней радио. Мотор мощный, а машина так и не выезжает из гаража: спросить, перевести, уточнить термин — и закрыть вкладку. Я и сам поначалу ездил ненамного дальше: просил написать регулярку или накидать типы для ответа API, а остальное делал руками.

Но когда хочется выйти за рамки разовых вопросов, возникает другая проблема: непонятно, с чего начать. Материалов полно: Telegram-каналы, посты в Threads, курсы с обещаниями «50 промптов, которые изменят не только вашу работу, но и жизнь». Встречается и другая крайность — университетские программы с линейной алгеброй и статистикой, хотя вам пока нужно научиться решать повседневные задачи. Хорошие прикладные курсы тоже есть, но как понять, какие из них стоят вашего времени?

Начать можно с образовательных платформ самих создателей моделей. У OpenAI, Anthropic и Google есть собственные «автошколы» — с курсами для тех, кто хочет применять ИИ в повседневной жизни, работе и разработке.

Я отобрал шесть курсов — по два от каждой компании — и выстроил из них маршрут в три этапа: от базовых приёмов работы с ИИ к более сложным задачам. Курсы разных платформ дополняют друг друга и постепенно добавляют новые навыки. Проходить все шесть необязательно — можно сразу начать с этапа, который подходит под ваш опыт и задачи.

Google: выезжаем из гаража

Типичный сценарий: открыть чат, спросить, какой ноутбук купить, перевести письмо или попросить объяснить сложную тему. Получить ответ, закрыть вкладку, вернуться к работе. Ничего плохого в этом нет, но это то самое радио в феррари.

Современные AI-инструменты умеют работать с документами, анализировать информацию, готовить материалы и структурировать задачи. Чтобы начать этим пользоваться, не нужно быть программистом — так же как не нужно быть автомехаником, чтобы водить. Нужно просто начать решать с ИИ реальные задачи от начала до конца. Для первых поездок у Google есть две программы на Coursera. Одну из них я прошёл сам.

Google AI Professional Certificate: перестаём просто задавать вопросы

Курс: Google AI Professional Certificate
Продолжительность: заявлено около 8 часов, но если сложить все курсы, выходит примерно 13
Уровень: начинающий, опыт в ИИ и программировании не нужен

Это программа из восьми коротких курсов. Начинается она с основ ИИ, а дальше каждый курс посвящён отдельному типу задач: брейншторм и планирование, исследования, тексты, создание контента, анализ данных. Архитектуру нейросетей изучать не заставляют — показывают, как применять ИИ в работе и повседневной жизни.

Маркетолог может исследовать целевую аудиторию, HR — подготовить описание вакансии, аналитик — разобрать данные, руководитель — составить план. Найдётся применение и вне работы: спланировать путешествие, разобраться в новой теме или учить иностранный язык с ИИ-помощником.

Я проходил программу скорее ради общего развития: базовых знаний мне и так хватало. Прошёл за неделю, и было интересно. Главная сложность — язык: всё на английском, поэтому без уверенного чтения будет тяжеловато. Практические задания по задумке выполняются в Gemini, но привязки к нему на самом деле нет. Если с доступом к Gemini есть проблемы, задания спокойно делаются в ChatGPT или Claude — подойдёт любая модель.

Кому я бы рекомендовал курс?

Разработчикам я бы этот курс не рекомендовал. Исключение — если вы только начинаете знакомиться с ИИ и хотите спокойно разобраться в базе. Зато программа отлично подойдет тем, кто далёк от разработки, пробовал ChatGPT, Gemini или Claude, но пока не понимает, как применять их за пределами отдельных вопросов: менеджерам, аналитикам, дизайнерам, да и просто друзьям и родственникам, которые только начинают пользоваться ИИ. После него проще говорить об ИИ на одном языке. Если нейросеть давно стала вашим ежедневным инструментом, курс можно смело пропустить.

Google Prompting Essentials: как перестать переписывать один запрос десять раз

Курс: Google Prompting Essentials
Продолжительность: несколько часов, с практикой — до 10
Уровень: начинающий / продолжающий

Следующая проблема появляется почти сразу: результат приходится постоянно переделывать. Попросили подготовить презентацию — получили десять слайдов с красивыми, но пустыми формулировками. Попросили проанализировать документ — получили пересказ вместо выводов. Попросили написать письмо — вышло так официально, будто его согласовывали три юридических отдела.

Prompting Essentials посвящён как раз тому, как ставить задачи языковым моделям. И мне нравится, что здесь не предлагают заучивать магические фразы вроде «представь, что ты эксперт с двадцатилетним опытом». Вместо этого учат полезным вещам: добавлять контекст, объяснять ограничения, приводить примеры и оценивать результат.

Возьмём простой запрос:

Подготовь презентацию по итогам квартала.

Модель что-нибудь подготовит. Только откуда ей знать, кто будет смотреть презентацию, какие показатели важны и что вообще произошло за квартал? Попробуем иначе:

Мне нужна презентация для руководства по итогам квартала. Используй данные из приложенного отчёта. Сначала выдели пять главных результатов и три проблемы. Предложи структуру из семи слайдов. Не придумывай отсутствующие показатели.

Уже лучше. А если сначала согласовать структуру и только потом переходить к содержанию, шанс получить полезный результат станет ещё выше. Гарантии это не даёт, но уточнять придётся заметно меньше.

Ещё одна полезная тема курса — собственная библиотека промптов. Сюда стоит складывать инструкции, которые уже сработали в ваших задачах: отчёты, анализ документов, планы, проверка текстов. Сотня универсальных промптов из интернета тут не поможет. Один раз разобрались — используете повторно.

Если вы разработчик, логика знакома: хороший промпт устроен как хорошо описанная задача в Jira — контекст, ограничения, критерии готовности. Сравните:

Посмотри код.

и

Глянь PR — там переписана форма оплаты на React. В первую очередь смотри на состояния: загрузка, ошибка от бэка, пустые данные, двойной клик по «Оплатить». Проверь, что при ошибке форма не сбрасывает введённые данные, а кнопка блокируется на время запроса. Код-стайл не трогай, его ловит линтер. По каждому замечанию — файл, строка и что пользователь увидит не так. Если не уверен — так и пиши, не додумывай.

А библиотека промптов в мире разработки уже существует — в виде файлов с правилами для AI-ассистентов в репозитории, тех же инструкций для Claude Code или Cursor. Курс хорошо объясняет, почему это работает.

Кому я бы рекомендовал курс?

Тем, кто уже пользуется ИИ, но пока добивается результата методом долгой переписки. Если вы уверенно работаете с контекстом, примерами и ограничениями, ничего принципиально нового здесь, вероятно, не найдёте.

А сколько стоит обучение у Google?

Обе программы размещены на Coursera, и на стандартных условиях это платное обучение - примерно $49 в месяц. После завершения программы можно получить сертификат Google.

У Coursera есть семидневный пробный период, и в него вполне можно уложиться. Я закончил AI Professional Certificate как раз в эти семь дней и получил сертификат без оплаты. Но темп придётся держать плотный, особенно если английский не самый уверенный.

Отдельный бонус: при записи на AI Professional Certificate Google даёт три месяца пробного Google AI Pro. Для прохождения он не обязателен, но для практики пригодится.

Anthropic: выезжаем на трассу

На этом этапе модель уже понимает задачу, выдаёт структурированные ответы и заметно ускоряет работу с документами и аналитикой. Скорость растёт — и вместе с ней растёт цена ошибки.

Рано или поздно случается неприятное: модель уверенно описывает событие, которого не было, неверно интерпретирует данные или готовит аккуратный отчёт, половина выводов которого не подтверждается исходниками. Это как навигатор, который спокойным голосом ведёт прямо в воду. Ехать по трассе, не зная таких слепых зон, — плохая идея.

Поэтому дальше важнее другой вопрос: когда ответу ИИ можно доверять. У Anthropic на эту тему есть две программы, обе бесплатные и размещены на платформе Claude Academy.

AI Fluency: учимся думать вместе с ИИ

Курс: AI Fluency: Framework and Foundations
Продолжительность: около 4 часов
Уровень: продолжающий

В основе курса — подход 4D Framework. За четырьмя английскими словами скрываются вполне практичные вопросы:

• Delegation — что стоит поручать ИИ, а что лучше сделать самому?

• Description — как объяснить модели задачу и ожидаемый результат?

• Discernment — как понять, что ответ действительно качественный?

• Diligence — кто отвечает за результат и как использовать ИИ ответственно?

Допустим, руководителю нужно подготовить отчёт о работе команды. Модель может собрать информацию из нескольких документов, выделить результаты и предложить структуру. Но должна ли она сама решать, какие достижения действительно важны? Что, если в одном документе устаревшие цифры, а в другом — свежие? И кто заметит, что модель приписала команде результат, которого не было?

Здесь и появляется разделение ответственности: ИИ помогает анализировать и структурировать информацию, а человек задаёт критерии качества, проверяет факты и принимает итоговое решение. Мне особенно нравится, что Anthropic предлагает думать об этом до начала работы, а не после того, как модель уже выдала убедительный, но неправильный ответ.

И ещё плюс: подход не привязан к Claude. Те же принципы работают с ChatGPT, Gemini и другими моделями.

Больше всего мне откликнулась идея думать о делегировании до того, как открываешь чат. Раньше я часто отдавал модели задачу целиком и уже потом разбирался, что из результата можно использовать. Теперь сначала решаю, какую часть вообще стоит отдавать ИИ и как я буду проверять ответ, — и переделывать приходится заметно реже.

Если вы разработчик, 4D хорошо ложится на ежедневную работу с кодом:

• Delegation. Бойлерплейт, тесты, миграции, рефакторинг по понятному шаблону — отлично подходят для ИИ. Архитектурные решения, безопасность и бизнес-логика, где ошибка стоит денег пользователей, — нет. Здесь ИИ может помочь, но решать должен человек.

• Description. Это всё та же постановка задачи: контекст, ограничения, критерии готовности.

• Discernment. Сгенерированный код стоит ревьюить так же внимательно, как код нового коллеги: чистый код и рабочий код — не всегда одно и то же.

• Diligence. Если сгенерированный код уронил прод, отвечает тот, кто его смержил, а не модель.

Кому я бы рекомендовал курс?

Практически всем, кто уже регулярно использует ИИ и хочет получать более качественные результаты. Проходить вводные программы перед ним необязательно: если базовые возможности нейросетей вам уже знакомы, можно сразу начинать с AI Fluency.

AI Capabilities and Limitations: почему ИИ иногда несёт чушь с уверенным видом

Курс: AI Capabilities and Limitations
Продолжительность: около 3,5 часа
Уровень: начинающий / продолжающий

Хорошее дополнение к AI Fluency. Здесь Anthropic объясняет, как устроены языковые модели, почему они ошибаются и какие ограничения нужно учитывать. Изучать машинное обучение заранее не нужно.

Например, почему модель может придумать несуществующий источник? Почему она иногда игнорирует часть подробной инструкции? И почему огромный контекст не гарантирует, что каждая страница документа будет обработана одинаково хорошо?

Вопросы кажутся теоретическими, но понимание причин ошибок помогает принимать практические решения. Допустим, вы попросили ИИ сравнить предложения нескольких подрядчиков. Модель сделала красивую таблицу, выделила преимущества и даже назвала победителя. А потом выяснилось, что она сравнила цены за разные периоды, а в одном предложении вообще не учла дополнительные расходы.

Можно десять раз переписывать запрос. А можно разобраться, какие данные использовались, правильно ли модель поняла критерии и достаточно ли было информации для вывода. Возможно, проблема вообще не в формулировке.

Не каждую ошибку ИИ можно исправить ещё одним абзацем в промпте. Именно эту мысль курс доносит лучше всего.

Самая знакомая ситуация: модель уверенно предлагает метод библиотеки, которого не существует, или API, который устарел пару версий назад. Переписывать промпт в таком случае почти бесполезно. Помогает другое — дать модели актуальную документацию, сигнатуры или тесты, на которые она сможет опереться. Курс объясняет, почему так происходит, и после него такие ошибки перестают удивлять.

Кому я бы рекомендовал курс?

Тем, кто работает с документами, аналитикой, исследованиями и другой информацией, где убедительно звучащая ошибка может дорого обойтись.

А что с языком?

Обе программы доступны в Claude Academy бесплатно, но только на английском. Для практических упражнений AI Fluency можно использовать и другие языковые модели.

Если английский даётся тяжело, есть неофициальный вариант. Один из авторов Хабра перевёл 16 курсов Anthropic Academy на русский, в том числе AI Fluency. Текст полностью на русском, видео остались на английском, но с русскими субтитрами. Первые уроки каждого курса бесплатные. Полный доступ к курсам одного провайдера стоит 1490 рублей, ко всем 67 курсам — 4900 рублей, оплата разовая, доступ навсегда.

Что в итоге?

Если после Google вы научились хорошо ставить задачи, то Anthropic помогает сделать следующий шаг — понимать, когда результатам ИИ можно доверять, а когда их нужно перепроверять. Лично я бы начал с AI Fluency.

Когда понимаешь, где модель может подвести, появляется следующий вопрос: какие задачи можно отдать ей целиком?

OpenAI: включаем автопилот

Допустим, базовые навыки уже есть: вы умеете ставить задачи, проверять ответы и понимаете ограничения моделей. Но часть работы повторяется каждую неделю: собрать данные, загрузить документы, написать похожий запрос, проверить результат, перенести его в другой инструмент. ИИ помогает, но руль на каждом повороте всё равно крутите вы.

Естественный следующий шаг — один раз описать маршрут и перестать проходить его вручную. Для этого этапа я бы посмотрел на образовательную платформу OpenAI Academy: в ней есть две программы, которые хорошо подходят именно сюда.

Applied AI Foundations: от удачного запроса к повторяемому процессу

Курс: Applied AI Foundations
Продолжительность: около 1,5 часа
Уровень: продолжающий

Представим, что каждую пятницу вам нужно готовить сводку по итогам недели. Вы собираете информацию из нескольких источников, передаёте её модели и просите подготовить отчёт. В первый раз получилось отлично. На следующей неделе вы повторяете почти тот же запрос, а результат почему-то совсем другой.

Часто дело не в модели: сам процесс нигде не описан.Какие документы использовать? Какие показатели включать? Что делать с противоречивыми данными? Как проверить результат? Applied AI Foundations учит превращать отдельные удачные запросы в повторяемые рабочие процессы. По сути, это курс о том, как один раз проложить маршрут и сохранить его, а не вспоминать дорогу каждую пятницу.

Например, вместо одного большого запроса работу можно разбить на этапы: сначала собрать и проверить исходные данные, затем выделить основные изменения, после этого подготовить черновик и проверить его по заранее заданным критериям. И только потом переходить к финальному оформлению.

Сложная автоматизация для этого не нужна. Иногда достаточно один раз нормально описать процесс, сохранить инструкции и перестать каждую неделю изобретать велосипед. Такой подход полезен аналитикам, менеджерам, маркетологам — всем, кто регулярно решает похожие задачи. По сути, курс предлагает относиться к работе с ИИ как к пайплайну: этапы, промежуточные проверки, критерии готовности. Инструкции, которые хорошо работают, стоит хранить рядом с кодом и версионировать, как любой другой артефакт проекта.

Кому я бы рекомендовал курс?

Всем, кто регулярно решает с помощью ИИ похожие задачи и устал каждый раз получать разный результат.

Agents and Workflows: следующий шаг — AI-агенты

Курс: Agents and Workflows
Продолжительность: около 1,5 часа
Уровень: уверенный пользователь

Следующий уровень — AI-агенты, тот самый автопилот.

В обычном чате вы сами управляете каждым шагом, а агенту можно поручить более продолжительную задачу. Например, подготовить небольшое исследование конкурентов. При обычном подходе вы сами ищете информацию, собираете документы, передаёте их модели, проверяете выводы и оформляете результат. Агентный подход объединяет эти действия в один процесс: модель использует доступные ей инструменты, ищет материалы, анализирует их и готовит итоговый документ. Конечно, возможности зависят от конкретного сервиса и выданных разрешений.

Экономия времени очевидна. Но у автопилота есть подвох. Неудачный ответ в чате вы просто игнорируете. А агент, который сам работает с вашими файлами, обрабатывает документы и готовит результат для руководства или клиента, ошибается уже без вашего участия. Поэтому роль человека здесь — не пассажир, а инструктор в учебной машине: руль отпущен, но нога над дополнительной педалью тормоза. Неслучайно в GitHub назвали своего AI-помощника Copilot, а не Pilot.

Курс уделяет внимание не только возможностям агентов, но и постановке задач, ограничениям и проверке результатов. Какие действия агенту разрешено выполнять? Какие источники он может использовать? Когда нужно подтверждение человека? И главное — как убедиться, что задача действительно выполнена правильно? Мне кажется, знакомство с агентами стоит начинать именно с этих вопросов, а не с попытки немедленно автоматизировать половину своей работы.

Если вы разработчик, «педаль тормоза» вполне конкретна. Агенту стоит давать минимально необходимые права: доступ только к нужному репозиторию, по возможности песочница, а не прод. Удаление, миграции, деплой, работа с секретами — только с подтверждением человека. А результат агента проходит обычное ревью, как любой другой PR. Чем больше самостоятельности у агента, тем важнее, чтобы между ним и продом стоял человек.

Кому я бы рекомендовал курс?

Тем, кто уже освоил базовые принципы работы с моделями и хочет попробовать более самостоятельные инструменты. Программировать или создавать собственные AI-приложения для этого необязательно.

А сколько стоит?

Обучение в OpenAI Academy бесплатное, но для практики с некоторыми возможностями ChatGPT может понадобиться платный тариф.

Определите свой уровень вождения

После знакомства со всеми платформами легко решить, что теперь нужно срочно пройти все шесть программ. Я бы действовал наоборот: сначала честно определить, где вы сейчас, и начать с одного курса.

Если ИИ для вас пока умный поисковик, начните с Google AI Professional Certificate. Он поможет увидеть, как применять нейросети в реальных задачах.

Если вы уже пользуетесь ИИ, но запросы постоянно приходится переписывать, попробуйте Google Prompting Essentials.

Если вы уверенно работаете с моделями, переходите к AI Fluency. А если регулярно натыкаетесь на уверенные ошибки моделей и хотите понимать их причины, дополните его AI Capabilities and Limitations.

Если ИИ уже стал частью вашей работы, начните с Applied AI Foundations. И только когда научитесь выстраивать повторяемые процессы, присматривайтесь к Agents and Workflows.

При этом необязательно использовать продукты той компании, у которой вы учитесь. Принципы промптинга от Google и подход Anthropic к проверке ответов одинаково работают в ChatGPT, Claude и Gemini.

Вместо заключения

Мне кажется, одна из самых распространённых ошибок при знакомстве с ИИ — попытка сначала изучить всё и только потом начать применять. С искусственным интеллектом так не работает: технологии меняются слишком быстро, и пока вы проходите очередной курс, у моделей успевает появиться несколько новых функций.

Поэтому я бы предложил другой подход. После первого курса возьмите одну реальную задачу из работы или повседневной жизни и попробуйте решить её с помощью ИИ: подготовьте отчёт, разберите сложный документ, спланируйте путешествие. Получилось — отлично, возможно, следующая программа вам пока не нужна. Если упёрлись в конкретную проблему — не получается поставить задачу или сложно проверить результат, — выбирайте курс, который поможет решить именно её.

Шесть курсов из подборки — только верхушка айсберга. За их рамками остаётся целый пласт тем, без которых сегодня сложно представить работу с ИИ, особенно в разработке: MCP и подключение моделей к своим инструментам и данным, субагенты и оркестрация, RAG, оценка качества ответов, агентная разработка в Claude Code и Codex. О части этого мы уже писали в блоге — например, о том, как перейти от вайбкодинга к агентной разработке с Claude Code, и о том, как собрать воркфлоу из скиллов, MCP и разных LLM в автоматизации тестирования. Так что на этих курсах обучение не заканчивается, а скорее только начинается.

У Google, Anthropic и OpenAI достаточно качественных материалов. И совершенно необязательно проходить их все. Главное — не коллекционировать сертификаты, а научиться решать с ИИ реальные задачи. Права в бардачке ещё не делают из вас водителя — водителем делает дорога.