Недавно я проделал интересный эксперимент, который показал мне, на что действительно способен современный искусственный интеллект. Я собрал архивы из 447 чатов — это мои сотрудники, партнеры, арендаторы, уборщики на Бали, друзья, даже бывшие контакты. В сумме около 120 тысяч сообщений из WhatsApp и Telegram. И задал GPT простой вопрос: сможет ли нейросеть понять, кто из участников какой человек? Какую роль он играет? Чем дышит, чем занимается, какие у него эмоции?
Подготовка данных
Экспорт чатов из Telegram и WhatsApp — это отдельная история. Telegram позволяет выгружать истории через встроенный экспортер (JSON + HTML), WhatsApp требует больше ручной работы — нужно вытягивать через API или использовать сторонние инструменты. В итоге у меня получился довольно грязный dataset: разные форматы, разные кодировки, спам, дублирующиеся сообщения.
Первый шаг — очистка. Я убрал служебные сообщения, спам, объединил все в один формат. Потом разбил на блоки по людям: каждому участнику я выделил его сообщения из всех чатов, получился персональный архив. Для каждого — список всех его текстов, упорядоченный по времени.
Что я попросил у GPT
Вот примерный промпт, который я использовал (упрощённо):
"Передаю тебе архив из 120 тысяч сообщений от разных людей. Для каждого человека: его имя, список его сообщений из разных чатов, даты. Проанализируй: кто это? Чем он занимается? Какую роль играет в жизни отправителя? Какие у него видимые черты характера? На основе стиля общения, тематики сообщений, частоты сообщений, эмоций — составь краткий портрет."
И знаете что? GPT справился лучше, чем я ожидал.
Результаты — неожиданно точные
Когда я увидел результаты, то удивился. Вот несколько примеров:
- Александр (главный по ремонту) — GPT вычислил по спецтермину (речь о кровельных материалах, электропроводке, плотницких работах), по тону (деловой, без лирики), по времени сообщений (обычно в рабочие часы). Система не только поняла, что это человек из строительной сферы, но и отметила, что он надёжный, без лишней болтовни.
- Геде (менеджер на виллах) — нейросеть определила по характерному паттерну: много вопросов о бронированиях, гостях, расписании. Тон клиентоориентированный. Частые сообщения в разное время дня. Даже заметила, что иногда Геде пишет на английском, когда дело касается международных гостей.
- Вася (друг из старых времён) — совсем другой профиль. Длинные текстовые сообщения, философствование, много эмодзи, нерегулярная активность (может не писать неделю, потом завалит кучей сообщений). GPT правильно классифицировал это как личное общение, а не работу.
Что поразило больше всего
Нейросеть не только классифицировала людей, но и уловила скрытые эмоции. Например, в сообщениях одного сотрудника, когда я это прочитал в анализе, я понял: действительно, он был в то время в стрессе (короткие ответы, отсутствие обычного юмора, позднее время сообщений). GPT это вытянула из текстов.
Ещё одна интересная находка: система заметила, что я в разных чатах выступаю в разных ролях. С менеджерами я больше директив даю, с друзьями — развёртываю философские размышления, с техподдержкой — технически точен. То есть, даже в моих сообщениях нейросеть определила контекст и подстройку под аудиторию.
Где это может пригодиться
Пока я только экспериментирую, но уже вижу практические применения:
- HR-аналитика: Когда нанимаешь нового сотрудника или хочешь понять стиль работы существующего — можно проанализировать его чаты (с согласия, конечно) и получить портрет: ориентирован на результат или на процесс? Самостоятельный или нуждается в деталях? Стрессоустойчив?
- Клиентоориентированность: Анализ переписки менеджеров с клиентами может показать, кто действительно хорошо работает с людьми, а кто просто хорошо пишет.
- Предсказание проблем: Если в чатах появляются определённые паттерны (изменение тона, уменьшение активности, более эмоциональные сообщения) — это может быть ранний сигнал о проблемах в команде.
Планы на будущее
Я хочу продолжить эксперимент. Следующий шаг:
- Интегрировать этот анализ в мою AI-ассистентку Алису. Когда ко мне пишет сотрудник, она может подтянуть его профиль и лучше понять контекст запроса.
- Использовать для предсказательного анализа: если нейросеть видит, что человек в стрессе по чатам, может автоматически предложить помощь или переброситься с менеджером.
- Построить систему, которая автоматически классифицирует входящие сообщения не только по содержанию, но и по тому, кто их пишет, с какой целью, с какой эмоцией.
Основной вывод
GPT справилась удивительно хорошо. Может быть, потому что текстовая коммуникация — это самое близкое к тому, на чём нейросети обучены. Язык, стиль, паттерны, эмоции в тексте — это GPT понимает очень хорошо.
Главное: это показало мне, что современный AI не просто обрабатывает данные, а реально понимает контекст. И если использовать это правильно, можно автоматизировать очень интересные вещи в бизнесе и управлении людьми.