Claude: что это за нейросеть и что она умеет в 2026

Принеси Claude сырую идею, и первым делом он покажет, где она треснет: такой характер заложили в модель при обучении. Claude - это семейство моделей компании Anthropic, оно живёт на сайте claude.ai, в мобильных приложениях и в API. Внутри три линейки: Opus, Sonnet и Haiku, от тяжёлой и дорогой до быстрой и копеечной. Список умений примерно тот же, что у остальных больших моделей, а вот манера разговора своя: аплодисментов твоим идеям здесь ждать не приходится.

Anthropic - это кто и почему тебе не всё равно?

Компанию основали в Сан-Франциско в 2021 году выходцы из OpenAI. Ставка на безопасность выросла у них из коммерческого расчёта: корпоративный клиент покупает предсказуемость поведения модели и готов за неё платить. Отсюда и характер, с которым ты столкнёшься в первом же диалоге.

Подыгрывать эту модель не учили. Приносишь план, просишь оценить - и вместо «отличная идея!» получаешь перечень мест, где он рассыпется. Первые пару раз это раздражает, потом доходит, что бесплатных комплиментов тебе и так хватает.

Вторая заметная черта компании - открытость. У Anthropic опубликован свод принципов, по которым воспитывали модель, и подробная техническая документация: как она устроена, как ей ставить задачи, где у неё пределы. Есть и собственные учебные материалы по работе с Claude, условия доступа к ним смотри на сайте компании, они меняются.

Польза от этой открытости у предпринимателя вполне бытовая. Инструкцию по постановке задач читаешь у разработчика напрямую, без посредника с курсом за сорок тысяч. Приёмы, которые на рынке продают как секретные техники промптинга, в большинстве своём лежат в свободном доступе и описаны там точнее, чем в пересказах.

Claude против ChatGPT: где разница видна на глаз?

Обе модели сильные, расходится у них манера. Claude пишет ровнее и живее, реже сваливается в буллиты и канцелярит, дольше держит заданный голос. ChatGPT берёт универсальностью: картинки, голос, видео, гора надстроек вокруг.

Расписал по типовым задачам, на которых выбор между ними действительно расходится.

Задача	Как ведёт себя Claude	Когда лучше взять другое
Длинный текст: статья, письмо, скрипт продаж	Держит голос и структуру, меньше воды, легче правится точечно	Если нужен текст под конкретную соцсеть с картинками в одном окне
Разбор документов и таблиц	Спокойно работает с большими файлами и отвечает по их содержимому	Если нужна тяжёлая математика с гарантией: считай в таблице, а модель проси собрать формулу
Код и автоматизация	Сильная сторона, есть отдельный инструмент Claude Code для работы в терминале	Если задача целиком внутри чужой экосистемы с готовыми плагинами
Картинки и видео	Не генерирует вообще	Профильный сервис, вот обзор моделей для картинок
Аналитика и вопросы к цифрам	Хорошо формулирует гипотезы и показывает ход мысли	Если нужен готовый дашборд с обновлением

Заметнее всего разница вылезает там, где модель чего-то не знает. Claude чаще отвечает «в моих данных этого нет, вот что стоит проверить», и такой ответ полезнее красивой уверенной выдумки. Галлюцинации при этом никуда не делись, просто шаткие места он обычно помечает сам, и ровная интонация перестаёт их маскировать.

Ещё одно место, где разница чувствуется руками, - длинная правка. Скажешь Claude «третий абзац суховат, добавь пример из практики ремонтника» - он поправит третий абзац и оставит остальное в покое. Модели, склонные переписывать весь текст на каждой итерации, съедают время: правишь одно, перечитывать приходится всё.

Спор про то, кто сильнее, закрывается за один вечер собственным замером. Возьми три своих реальных задачи - письмо клиенту с отказом, разбор месячной выгрузки, описание услуги для сайта, - прогони их через обе модели с одним и тем же брифом и оцени по единственному критерию: сколько минут занимает доведение ответа до состояния, в котором его можно отправить. Чужие сравнительные таблицы устаревают с каждым релизом, а твой замер сделан на твоём материале и твоей аудитории, поэтому живёт дольше.

Практический вывод для того, кто выбирает под конкретный участок работы: тексты, документы, разборы и код отдавай Claude, картинки и озвучку профильному сервису. Общую карту процессов, которые вообще имеет смысл передавать машине, я раскладывал в материале про автоматизацию бизнес-процессов с ИИ.

Opus, Sonnet, Haiku - кто из них твой?

Твой - Sonnet: держи его по умолчанию, поднимайся до Opus на больших задачах с высокой ценой ошибки и спускайся к Haiku, когда одну и ту же операцию надо прогнать сто раз подряд. Дальше идут детали, из-за которых это правило работает. Три уровня одной семьи выглядят как тяжеловоз, рабочая лошадь и курьер на самокате. Названия держатся годами, меняется только цифра поколения рядом.

Линейка	Для чего	Где не подходит
Opus	Сложные многошаговые задачи, большие кодовые базы, стратегия, разбор запутанных документов	Массовые однотипные операции: дорого и медленно для того, что решает младшая модель
Sonnet	Большая часть ежедневной работы: тексты, письма, разборы, код среднего объёма, аналитика	Задачи, где цена ошибки высокая и нужен максимум качества с первого раза
Haiku	Классификация писем, короткие ответы, теги, черновые заготовки, обработка потока данных	Всё, где нужна длинная связная мысль или нетривиальный вывод

Переключение стоит копеек усилий: в интерфейсе модель меняется в углу окна, в API это одна строка с её именем.

Цена привязана к токенам - кускам текста, которыми модель меряет вход и выход. Русский текст режется на токены мельче английского, поэтому один и тот же объём на русском обходится дороже, и на длинных документах разрыв виден по счёту. Старшая линейка стоит в разы больше средней за тот же объём, а на потоковых операциях эта разница вырастает в ощутимую сумму. Разумная схема выглядит так: черновой прогон на младшей модели, финальная сборка на средней, а тяжёлая достаётся задачам, где одна ошибка стоит дороже месячной подписки.

Частая ошибка новичка - включить старшую модель на всё подряд «чтобы получше». Качество ответа на обычном письме клиенту от этого не меняется, зато дневной лимит выгорает к обеду.

Второй параметр, о который спотыкаются новички, - контекстное окно, объём текста, который модель держит в голове за один разговор. У старших линеек Claude оно большое: договор на сорок страниц или годовую переписку с клиентом можно закинуть одним куском, без нарезки на порции. Когда окно переполняется, начало разговора вытесняется, модель перестаёт видеть исходную инструкцию и отвечает по последним репликам, из-за чего к концу длинной сессии стиль плывёт, а договорённости теряются. Точный размер окна у каждой модели свой и меняется от поколения к поколению, поэтому сверяйся с документацией Anthropic: чужие обзоры устаревают за месяц.

Что Claude умеет, если совсем по делу?

Помимо чата у него есть пять механик, ради которых люди и переезжают.

Артефакты. Ответ выезжает в отдельное окно справа: таблица, документ, мини-страница, калькулятор. Правишь итерациями и забираешь готовый предмет, который сразу идёт в работу, без переноса кусков из переписки. Для проверки попроси собрать калькулятор себестоимости заказа под твои статьи расходов и покрути его прямо в окне: цифры пересчитываются, формула видна, правка вносится репликой в чат.

Проекты. Это папка с постоянной памятью, куда кладут брендбук, прайс, регламенты и три примера твоих лучших текстов. Модель опирается на них в каждом диалоге внутри проекта и перестаёт знакомиться с тобой заново каждое утро. Что туда класть и в каком порядке - это как дать нейросети базу знаний, там по шагам.

Файлы. Модель читает PDF, таблицы, презентации и сканы с текстом, отвечая по тому, что внутри: цифры из выгрузки, пункты договора, подписи к слайдам. На таблицах она хорошо объясняет, что в цифрах происходит, и заметно хуже считает столбиком, поэтому арифметику держи в таблице, а у модели проси формулу и интерпретацию. Сравнение подходов лежит в разборе макросы VBA против ИИ.

Подключения к сервисам. MCP - открытый протокол, который Anthropic выложила наружу в конце 2024 года. Через него модель дотягивается до внешних систем: файловых хранилищ, баз, трекеров задач. Список того, что уже подключается, живёт на официальной странице протокола и растёт быстрее, чем успевают писать обзоры. Из этих кирпичей и собираются ИИ-агенты для бизнеса - те, что доводят задачу до конца внутри твоих систем.

Claude Code. Работа с кодом прямо в проекте на твоей машине. Знать про него полезно, даже если ты в жизни не писал строчки: именно на нём команды без штатного разработчика собирают внутренние скрипты - выгрузку отчёта, переименование тысячи файлов, разбор папки с документами. Что из этого реально делается своими руками за вечер, разложено в материале про автоматизацию рутины на Python, а выбор исполнителя под разработку разобран в сравнении нейросетей для кода.

Как ставить задачу, чтобы ответ был рабочим?

Качество ответа определяется брифом, и бриф раскладывается на шесть блоков.

Роль и адресат. Первым делом объясни, кто пишет и для кого читает. Формулировка «ты редактор рассылки для владельцев автосервисов в городах до трёхсот тысяч человек» задаёт лексику и глубину объяснений точнее любого «пиши профессионально».

Вход. Дай материал, из которого модель будет работать: выгрузку, договор, три прошлых письма, расшифровку созвона. С пустым входом ответ собирается из общих мест интернета, и узнать в нём своё дело невозможно.

Формат выхода. Опиши объём в знаках, структуру, что стоит в первом абзаце и чем заканчивается текст. Расплывчатое «напиши пост» превращается в средний по больнице результат именно здесь.

Ограничения. Перечисли стоп-слова, запрещённые обороты, тон и темы, которых касаться нельзя. Список из пяти коротких пунктов срабатывает лучше, чем абзац рассуждений о стиле.

Критерий готовности. Строчка «текст готов, если его можно отправить клиенту без правок» меняет поведение модели: она проходит по собственному черновику ещё раз и сама вычищает половину слабых мест.

Примеры. Приложи два-три образца того, что ты считаешь хорошим. Показанный образец переносит стиль в разы надёжнее, чем описание стиля словами, и это единственный способ объяснить машине вкус.

Разрыв между слабым и рабочим брифом виден на одной задаче. Запрос «напиши пост про наш новый тариф» выдаёт бодрый текст с восклицаниями, который подойдёт кому угодно на рынке. Тот же запрос с ролью, куском прайса, объёмом в 900 знаков, тремя стоп-словами и одним удачным прошлым постом в качестве образца выдаёт черновик, где остаётся поправить пару предложений. По времени это минуты четыре на набор брифа против получаса переписывания за моделью.

Сверху добавь приём, который стоит дёшево и окупается всегда: попроси задать три уточняющих вопроса до начала работы. Модель вытащит из тебя то, что ты забыл сказать, и перестанет угадывать.

Правки возвращай репликами в том же диалоге: «второй абзац общий, дай пример», «финал звучит как реклама, убери». Три коротких итерации вытягивают текст надёжнее, чем попытка выжать идеал одним огромным промптом.

Первый вечер: с чего начать?

Начинать лучше с одной задачи, которую ты делаешь руками каждую неделю, и потратить вечер на то, чтобы отдать её модели целиком.

1. Заведи аккаунт и открой проект. Назови по делу: «Студия ремонта», «Онлайн-школа».
2. Загрузи контекст. Прайс, описание услуг, три примера лучших текстов, портрет клиента, стоп-слова. Пятнадцать минут возни отзываются в каждом следующем диалоге.
3. Ставь задачу по шести блокам из раздела выше. Рабочая формулировка выглядит так: «Ты пишешь для владельцев небольших кофеен. Пост в Telegram на 900 знаков про новую систему учёта. Тон спокойный, без восклицаний. Структура: боль, механика, вопрос в конце. Сначала задай мне три уточняющих вопроса, потом пиши».
4. Проверяй по своим критериям. Цифры и факты сверяй с первоисточником, тон проверяй чтением вслух, структуру - глазами.
5. Удачный промпт клади обратно в проект. На второй раз бриф достаётся из папки готовым и просто запускается.

Первую задачу выбирай по трём признакам: она повторяется, у неё есть понятный входной материал и результат проверяется за минуту. Задачи, где любой из признаков отсутствует, оставь на потом - на них новичок обычно и разочаровывается в инструменте. Подробнее эта логика разобрана в материале про то, с каких задач начинать автоматизацию рутины, а общая точка входа для небольшой компании собрана в разборе ИИ для малого бизнеса.

Разбор случая: неделя с почтой мастерской

Владелец небольшой мастерской каждое утро руками разбирает ящик: заявки, спам, вопросы по гарантии, счета от поставщиков, письма от арендодателя. Уходит на это минут сорок, и половина времени тратится на то, чтобы просто понять, что перед ним.

В проект он кладёт описание услуг, регламент гарантии и десяток реальных писем каждого типа с пометкой, куда такое письмо должно уходить. Формат ответа задаётся жёстко, иначе читать свободный пересказ по тридцати письмам дольше, чем сами письма: категория из закрытого списка, срочность цифрой от одного до трёх, одна строка сути, черновик ответа для типовых случаев и пометка «на человека» для всего остального.

Первый день показывает три вещи. Заявки и спам разбираются почти без промахов. Гарантийные письма путаются с обычными вопросами по ремонту, потому что в примерах не оказалось пограничных формулировок. Счета от поставщиков модель уверенно относит к заявкам, поскольку в них тоже есть суммы и названия деталей.

Дальше идёт неделя ручной проверки, и лечение оказывается однообразным: в проект добавляются те самые письма, на которых модель ошиблась, с подписью «это гарантия, потому что упомянут срок с даты покупки». Три-четыре таких примера закрывают пограничную категорию целиком. Переписывать инструкцию с нуля при этом обычно смысла нет: промахи собираются в двух-трёх узлах, и примеры бьют по ним точнее, чем новые абзацы правил.

На второй неделе всплывает то, чего из инструкции не предскажешь. Письма без знаков препинания и с ошибками модель раскладывает ровно, зато спотыкается на пересылках, где сверху висит переписка на десять экранов, а суть в последних двух строчках. Чинится это одной строкой в промпте: разбирать только верхнее сообщение, историю ниже игнорировать. Такие правила накапливаются по ходу дела и к концу месяца превращаются в готовый регламент, который можно отдать любому помощнику.

Считать выигрыш приходится честно. Сорок минут разбора сжимаются до четверти часа вычитки, но первые две недели сверху добавляются минуты на пополнение примеров, и этот довесок съедает часть экономии. Устойчивая картина проявляется примерно к третьей неделе, когда пограничные случаи закончились и модель перестала подкидывать сюрпризы.

К этому моменту у мастерской на руках рабочая заготовка процесса, список писем, которые модели отдавать нельзя вообще (претензии, всё юридическое, переговоры о цене), и понимание, сколько времени эта заготовка возвращает. Следующий шаг - вынести разбор из чата в связку, где письма приходят и раскладываются сами; как это собирается на бесплатных инструментах, есть в разборе как освоить n8n с нуля.

В закрытом канале ИИмперии лежат готовые промпты и связки под такие задачи, разборы и шаблоны ролей цифровых сотрудников - формулировки можно взять готовыми и подогнать под своё дело.

И сразу про грабли: где Claude ломается?

Спроси про вчерашнее - получишь уверенный пересказ позапрошлого года с интонацией очевидца. Модель обучена на данных до определённой даты, и без поиска или загруженного файла вчерашнего дня для неё просто нет.

Дальше идут цифры и юридические формулировки. Номер закона он назовёт тем же ровным голосом, каким называет правду, и на слух ты разницы не поймаешь. Проверяй в первоисточнике каждую цифру и каждую ссылку на норму, которую собираешься кому-то показать.

Третья зона риска - вкус. Интонацию, которая для твоей аудитории звучит фальшиво, модель не поймает: про своих людей ты знаешь то, чего в её данных нет вовсе.

Отдельная беда начинается в длинном диалоге. К сороковому сообщению модель теряет начальные договорённости, возвращает вычищенные обороты и путается в версиях текста. Чинится это сменой окна: новый диалог, свежий промпт, нужные куски перенесены руками.

За человеком остаются четыре вещи, и они не передаются: решение, вкус, ответственность и постановка задачи. Claude забирает рутину - черновики, разборы, первую версию, сортировку входящих, - а направление бизнеса остаётся на тебе. Какие участки закрываются уже сейчас - смотри задачи для ИИ-ассистента в бизнесе.

Как проверять то, что он написал?

Проверка раскладывается на три уровня, и каждый занимает минуту.

Начинается всё с фактов: любое число, дата, название закона, цитата или ссылка идут в первоисточник. Отдельный приём - попросить модель отметить в собственном ответе места, в которых она не уверена. Она честно подсвечивает шаткие куски, и вычитка сжимается до помеченных абзацев.

Логику стоит проверять чужими глазами. Открой чистый диалог, дай туда только результат без исходного промпта и попроси найти слабые места. Модель без памяти о том, как этот текст рождался, цепляется за противоречия охотнее, чем та, которая его писала. Приём работает и на коммерческих предложениях, и на расчётах.

Тон ловится чтением вслух: место, где спотыкается язык, - это место, где споткнётся и читатель. Второй маркер такой: если текст можно без правки поставить на сайт конкурента, значит, в нём нет тебя, и его надо переписывать своими словами.

Для аналитических задач добавляется четвёртый шаг: проси разложить ход рассуждения до того, как прозвучит вывод. Вывод, приделанный к готовому ответу задним числом, всегда выглядит стройно, и разобрать в нём ошибку невозможно. Какие вопросы вообще имеет смысл задавать цифрам, разобрано в материале про ИИ для бизнес-аналитики.

Сколько это стоит и что брать на старте?

Уровней доступа три, и выбор между ними определяется тем, кто в итоге читает ответ модели. Бесплатный идёт с лимитом на количество сообщений в сутки, и его хватает, чтобы за неделю понять, твой это инструмент или нет. Подписка для одного человека стоит порядка двадцати долларов в месяц и закрывает ежедневную работу на Sonnet без вечного упора в лимит. API живёт без абонентки: платишь за фактически съеденные токены, и счёт зависит от объёма. Точные цифры, лимиты и тарифы для команд смотри на официальной странице цен: они меняются чаще, чем выходят статьи.

Момент перехода наверх видно по собственным привычкам. Пока ты пробуешь и упираешься в лимит раз в неделю, бесплатного уровня достаточно. Подписка окупается тогда, когда модель вросла в рабочий день и сообщения кончаются к обеду третий раз подряд. API имеет смысл, когда ответ уходит дальше по цепочке в другую программу и человек его вообще не читает.

Смысл в подсчётах появляется, когда ты кладёшь стоимость подписки рядом с ценой своего часа. Двадцать долларов - это примерно час работы человека, который умеет писать тексты. Если инструмент забирает задачу, которую ты делал руками каждую неделю, счёт идёт в сэкономленных часах.

У арифметики есть и обратная сторона. Час, потраченный на промпт для задачи, которая случается раз в квартал, не вернётся никогда. Про то, где эта граница проходит, - когда ИИ дороже живого сотрудника.

Возражения, которые слышу чаще всего

«Я пробовал, он пишет ерунду». Почти всегда за этой фразой стоит промпт из пяти слов и пустой проект. Модель без контекста работает как подрядчик, которому позвонили и сказали «сделай красиво»: получаешь усреднённое. Дай ей вход, формат и два примера - результат меняется в первом же диалоге.

«Он не знает мою нишу». Знание ниши лежит у тебя в голове, в прайсе и в переписке с клиентами, и переносится в проект за пятнадцать минут. Отраслевые тонкости модель подхватывает из твоих же документов быстрее, чем новый сотрудник за месяц.

«У меня маленький бизнес, мне это не нужно». У маленького бизнеса как раз нет отдела, между которым можно размазать рутину, поэтому всё висит на владельце. Семь конкретных задач, с которых обычно начинают в такой ситуации, собраны в материале про ИИ-ассистента для малого бизнеса.

«Данные утекут». Загруженные файлы уходят на серверы компании, как в любом облаке, включая почту и диски, которыми ты пользуешься каждый день. Разумная практика: обезличивай персональные данные клиентов, не грузи то, что подпадает под коммерческую тайну и договоры о неразглашении, а условия обработки читай в официальной документации по своему тарифу.

«Через полгода выйдет модель посильнее, зачем разбираться сейчас». Выйдет обязательно, и это довод в пользу того, чтобы начать раньше. Устаревает конкретная модель, тогда как собранный проект с прайсом, регламентами и примерами переезжает в новую версию нажатием кнопки. Навык внятно ставить задачу переносится целиком: он про то, как ты формулируешь, и от поколения модели почти не зависит. Полгода ожидания просто вычитаются из твоего опыта.

«У нас в России это всё равно не работает». Доступ и оплата решаются по-разному, и это отдельный технический разговор, который каждый ведёт под свою ответственность. На уровне задач картина не меняется: разбор почты, черновики текстов и работа с документами устроены одинаково у любой большой модели, поэтому при недоступности Claude тот же процесс собирается на доступной. Что из этого реально едет в российских условиях, разобрано в материале про ИИ-агентов для бизнеса в России.

«Он заменит людей, и это неэтично». На практике первой уходит самая тупая часть работы: сортировка входящих, первая версия текста, перенос данных из письма в таблицу. Человек при этом остаётся, и дальше начинается управленческий разговор о том, чем занять освободившиеся часы. Развёрнуто про границу между инструментом и штатной единицей - в разборе что такое цифровой сотрудник.

«Проще заказать готовое решение под ключ». Иногда да, особенно когда процесс сложный и внутри команды никто не хочет в этом разбираться. Развилка со всеми издержками обоих путей разложена в материале ИИ-агенты под ключ или собрать самому.

Разрозненные приёмы складываются в систему медленно и с потерями. Быстрее пройти бесплатный курс в личном кабинете ИИмперии: забрать бесплатное обучение - там тот же путь разложен по шагам, с практикой и разбором типовых ошибок на старте.

Как встроить Claude в ежедневную работу?

Встраивается он через роль, и это единственное, что отделяет устойчивый результат от везения. Одиночные диалоги дают одиночные результаты: сегодня получилось отлично, завтра ты забыл, как формулировал, и всё началось с нуля.

Схема такая: у задачи есть владелец-роль - маркетолог, ассистент, аналитик. У роли есть свой контекст в проекте, регламент «что считается готовым» и набор проверенных промптов. Тогда сама модель внутри роли становится сменной деталью: вышла новая, сильнее - переставил за час, а роль, регламент и накопленный контекст остались на месте. Как это собирается по шагам - как собрать ИИ-сотрудника с нуля, а спор о том, насколько далеко такая роль заходит в копирование живого человека, разобран в материале про цифрового двойника сотрудника.

Разворачивать всё это лучше не спеша. Первый месяц уходит на одну роль и одну задачу, доведённую до состояния, когда результат идёт в дело без переделки. Во втором к ней добавляется вторая роль и письменный регламент для первой, чтобы её мог запускать не только ты. К третьему самая отлаженная операция выносится из чата в автоматическую связку, где модель дёргается по событию.

Проверять всё это стоит по одному признаку: сколько времени проходит от постановки задачи до готового результата, который никто не переписывает. Пока цифра не двигается, накручивать новые инструменты бессмысленно.

В выигрыше оказывается тот, у кого собрана машина, куда новая модель вставляется на место старой за один вечер.

Источники

• Документация Anthropic для разработчиков и пользователей
• Model Context Protocol: официальная страница протокола
• Официальный сайт Anthropic
• Тарифы и планы Anthropic
• Исследования Anthropic по безопасности моделей
• Веб-версия Claude