Друзья, о чём вам сейчас реально интересно читать?

Я думаю, вы заметили, что количество постов в канале упало. Раньше я стабильно выходил на связь 3-5 раз в неделю, а сейчас пишу совсем редко. Решил честно поделиться, почему так произошло и куда планирую двигаться дальше.

Причин наложилось сразу несколько:

1. Лето и фокус на жизни. Пока тепло, стараюсь больше времени проводить на свежем воздухе и ловить совместные выходные с женой, когда совпадают наши графики, а не сидеть за компьютером. Честно - самое лучшее решение!

2. Устоявшийся workflow. Как я неоднократно писал, индустрия ИИ немного замедлила свой безумный темп, да и я сам перестал тестировать по 3-5 новых сервисов в неделю. Уровень текущих инструментов меня устраивает, а там, где есть нюансы, я уже выстроил свои workflow и workaround-ы. Все эти бесконечные новые плагины и мелкие фичи для LLM сейчас кажутся скорее гиковской историей - классические 80% усилий ради 20% реального выхлопа в повседневной работе.

3. Вопросы к формату и легкое авторское выгорание. Блокировки Телеграм в РФ, общая ситуация с глобальным интернетом и просевшие охваты заставляют задуматься, ради чего и для кого пишется контент. Расти в Telegram стало сложнее, и писать в пустоту не хочется. В MAX я не перейду. Считаю, что моя аудитория умнее аудитории этого мессенджера и скорее я вообще перестану вести блог, чем пойду в эту помойку.

Поэтому у тех, кто меня читает регулярно хочется узнать, что вам интересно?

При этом вот мысли по тому, чего я точно делать не хочу:
- Превращать канал исключительно в историю про обучение. Это лишь способ монетизации, а не цель канала для меня.
- Уходить в новостную повестку - мне это никогда не было интересно.
- Делать из канала сугубо технический блог - хардкорного техконтента вокруг и так хватает, да и моя аудитория больше про бизнес.

Мне самому по-прежнему интересны три вектора: бизнес, практическая применимость и наука вокруг ИИ.

Хочу давать то, что действительно принесет вам пользу и будет интересно читать.

Пишите в комментариях:
Каких тем, разборов или форматов вам не хватает? О чём вам хотелось бы почитать в ближайшее время?

Почему AI в фитнесе и питании всё ещё оверхайп - и как настроить его правильно

Решил поделиться длительным опытом интеграции LLM в тренировочный процесс и ЗОЖ. За последний год я изучил этот вопрос с разных сторон: от обсуждения тренировок с LLM до разработки AI-приложений. Сегодня делюсь инсайтами.

Спойлер: прямо сейчас 90% приложений с AI - тупая выкачка денег за иллюзию пользы. Но если подойти к делу с умом, ваша подписка на LLM их заменит и превзойдет.

Разберем два главных направления: питание и планирование нагрузок.

1. Подсчёт калорий по фото
Практически каждый современный трекер (MyFitnessPal, FatSecret, Garmin и.т.д.) встроил фичу: «сфоткай тарелку — получи КБЖУ».

В чём проблема:
- Специализированных моделей почти нет. В большинстве сервисов под капотом сидит обычная LLM, которая чаще завышает каллорийность. В итоге вместо легкого дефицита вы улетаете в жёсткую яму (что чревато срывами), а при работе на профицит - сидите в дефиците.
- Проблема с фото. Чтобы специализированная модель хотя бы приблизительно угадала вес и состав, нужен идеальный свет, понятный масштаб и фиксированный размер тарелки. В реальной жизни люди фоткают как придется.
- Иллюзия экономии времени. Большая точность достигается там, где вас просят после фото дописать текстом, что вы ели. Но тогда теряется весь смысл: проще взвесить все на весах за те же 2 мин.

2. AI-тренеры внутри приложений
С планированием тренировок есть две базовые схемы:
- Жесткие формулы (Garmin и др.). В 9 из 10 случаев их рекомендации адекватны, но не знают ваших целей и контекста.
- Экспорт данных в стороннее приложение с LLM. Возникают проблемы экономики и управления контекстом.

Чтобы модель дала качественный план, ей нужна куча данных:
- Цель и фаза текущего тренировочного блока.
- Саммари тренировок за прошлую неделю и динамика ключевых метрик (HRV, RHR).
- Планируемая нагрузка + телеметрия за последние 3 дня.

Легкие модели под капотом приложений тупо не периваривают это и путаются в цифрах,а полновесные GPT или Gemini руинят экономику разработчика.

В итоге любой чат с AI в обёртке фитнес-аппы втирает вам дичь, которая совпадает с реальностью только на 60–70%.

Как тогда правильно использовать LLM для тренировок?
Шаг 0. Изучите базу
Перед тем как идти к LLM, изучите метрики, важные для вашего спорта и как они реагируют на стресс/недосып. Вы должны быть подкованы в теме, чтобы: А) Не тратить контекст на лекции от модели. Б) Понимать реальное состояние тела до того, как откроете чат.

Вариант 1: Разделение контекста в вашей личной подписке
Используйте свою подписку на LLM и разведите задачи по разным чатам:
- Чат 1 (Оперативный): Только динамика HRV/RHR за 3 дня + телеметрия конкретной тренировки (лучше цифрами/текстом, а не скринами).
- Чат 2 (Стратегический): Таблица HRV/RHR за месяц, сводка типов нагрузки, текущие профильные метрики (например, FTP и VO2Max для вела) + цели прошлого и следующего блоков.

Вариант 2: Кодинговый агент + MCP (Garmin / Strava)
Самый правильный и продвинутый путь. Вы один раз собираете skill для агента, подключаете нужный MCP, настраиваете локальное сохранение контекста в файлы и дальше общаетесь как с персональным тренером. Контекст контролируется идеально, ручного копипаста - ноль. Но нужен запар на первичную настройку.

Два совета для обоих сетапов:
- Сообщайте инфу про свое субъективное самочувствие. Обязательно скормите модели информацию о том, как вы себя чувствуете прямо сейчас (тяжесть/стресс/плохой завтрак). ЦНС часто дает более точный сигнал, чем датчики часов, которые ещё не успели отловить сбой.
- Не навязывайте модели своё мнение. Если вы напишете: «Я сегодня устал, давай отменим интервалы?» - LLM с вероятностью 99% поддакнет. Дайте ему 2–3 альтернативы, попросив сделать объективный выбор.

Так вы снизите риск перетрена и травм практически до нуля и получите действительно рабочий инструмент.

Если вам интересна тема сетапа кодингового агента - накидайте огонечков, распишу отдельным постом.

Друзья, нужна ваша поддержка проекту моего хорошего коллеги!

Редко пощу тут подобные просьбы, но сегодня важный день. В Skyeng мы вместе работали с Женей Литвиненко в RnD. После Скаенга Женя с ребятами запустил очень социально важный стартап - Unicool. Это сервис помощи детям с особенностями развития и их родителям.

Ребята прошли акселератор, сложный путь и сейчас находятся на новом этапе. Я неоднократно подключался к проекту, помогал с тестами гипотез и AI-экспериментами, так как не понаслышке знаю, насколько это сложный рынок и как сильно дети с особенностями и их родители нуждаются в поддержке.

Сейчас команда пивотнулась в сторону поиска нового PMF и сегодня запускает мобильное приложение на Product Hunt. Лонч для них - это и дополнительный трафик, и способ рассказать о себе, и возможность проверить рабочие гипотезы.

К вам небольшая просьба: если у вас есть аккаунт на PH - заапвоутите, пожалуйста, проект по ссылке. Это поможет сделать мир немного лучше и добрее 🙂

👉 Ссылка на Product Hunt

P.S. Если напишете пару слов в комментариях на PH - алгоритмы подбросят проект еще выше!

Пожил с Perplexity Comet больше полугода как с основным браузером и возвращаюсь на Chrome

Больше полугода назад я пересел на браузер Comet от Perplexity и активно агитировал других делать то же самое. На самом старте браузер казался довольно сырым, но в какой-то момент его нормально так допилили и появились интересные фичи. Я даже писал о том, как Comet помогал мне парсить данные со страниц и автоматически заполнять таблицы и даже хвалил его.

Но сейчас эксперимент подошел к концу: я возвращаюсь на Chrome.

Причина простая - киллер-фичи, ради которых я переходил, либо перестали выделяться на фоне конкурентов, либо их просто урезали.

Что случилось с ключевыми сценариями:
• Управление браузером и агенты. Это был главный рабочий инструмент: найти данные, автоматизировать работу с таблицами, заполнить формы. Сейчас Perplexity все сильнее закручивает гайки. При попытке передать управление страницей ассистент выдает ошибку об отсутствии доступа к инструменту и предлагает использовать Computer для решения этой задачи. А эти кредиты платные и жестко ограничены тарифами. На Pro они только платные, на Max есть квота, но тратить ее на заполнение табличек как-то не хочется. При этом для Chrome есть бесплатный плагин для браузер юза Gemini, закрывающий ту же самую задачу.
• Встроенный AdBlock. Изначально он отрабатывал шикарно и вырезал рекламу даже внутри видеоплееров. Сейчас защита стала обычной: реклама на сайтах и в видео проскальзывает все чаще.
• Саммари видео. Удобная кнопка быстрого разбора роликов на YouTube потеряла уникальность. С подпиской и встроенным Gemini в самом YouTube я получаю выжимку и факты гораздо быстрее и удобне.

Старые компромиссы, которые теперь перевешивают:
Моменты, на которые я закрывал глаза, но которые на фоне деградации браузера теперь бесят

• Пароли и Passkeys. Родной менеджер не синхронизируется с экосистемой Google, а сторонние решения добавляют лишние клики. На сайтах с авторизацией через Passkeys регулярно возникают проблемы, потому что связка ключей из Chrome здесь нативно не подтягивается.
• Нестабильная синхронизация. За полгода синхронизация между ноутбуком и мобильными устройствами отваливалась трижды. Приходилось логиниться заново, а история вкладок периодически отображается некорректно.

Пока Comet урезает базовые сценарии в платные лимиты, Chrome вместе со связкой Gemini подтянулся: управление браузером через расширения доступно бесплатно, а экосистема стабильнее в разы.

Я ушел с Chrome не потому что было плохо, а потому что Comet давал тот опыт, которого в хром не было. А теперь, когда в Comet надо платить за то, что доступно в Chrome бесплатно, у меня складывается ощущение, что браузер от Perplexity пойдет тем же путем, что и Atlas от OpenAI - на кладбище.

🚀 Влад Корнышев про AI и создание AI-продуктов

Куда двигать свой AI-стек прямо сейчас: мысли про тарифы, локалки и железо

Вчера писал про браузер Comet от Perplexity, а сегодня хочу развернуть более глобальную картину того, что сейчас происходит с подписками и куда вообще катится рынок.

1. Конец эпохи подписок по $20
Perplexity - относительно небольшой стартап, особенно на фоне Google или Anthropic. Они находятся в куда более уязвимом положении, работая по API, поэтому первыми начали активно резать функционал и просить деньги за базовые вещи. Но этот тренд неизбежно дойдет и до остальных гигантов.

Ограничения и рост цен продиктованы банальным дефицитом видеокарт, видеопамяти и общим кризисом на рынке полупроводников. Мы проживаем последние моменты условной халявы в стандартных тарифах. Базовым минимумом для нормальной работы становится подписка за $100-200, куда компании сейчас стараются напихать максимум возможностей.

Но и эта щедрость ненадолго, думаю, что на горизонте года и их будут резать. Поэтому мой посыл - залетайте в эти тарифы прямо сейчас, пока дают максимум (как тот же Google со связкой сервисов вроде NotebookLM), быстро выстраивайте рабочие процессы, пробуйте все, что там доступно, чтобы к моменту неизбежных урезаний точно понимать, за что вы готовы платить.

2. Инвестиция в локальное железо
Для большинства ежедневных задач огромные облачные LLM объективно не нужны. Локальные модели развиваются бешеными темпами: если год назад для схожего качества требовалось шаманить с SGR, то сейчас условная Gemma E4B из коробки отлично закрывает базовые кейсы. Я уверен, что в течение года модели в этом размере станут еще круче.

Показательный пример - недавний запуск Perplexity Local Computer в рамках их экосистемы. Ребята развивают направление AI Harness и выкатили решение, работающее либо на Qwen, либо на собственном обученном оркестраторе. Но чтобы крутить локально модели такого уровня (27B и выше), нужно железо.

На фоне дорожающей памяти и урезания базовых комплектаций производителями, лучшая инвестиция в свой AI-стек прямо сейчас - это покупка мощной машины. В идеале - Mac с объединенной памятью от 64 ГБ (или хороший ПК на Windows). Это дает полную автономность от облачных лимитов и подписок, которая через год станет еще более критичной.

3. Как оптимально собрать стек под себя
Формула эффективного рабочего сетапа на ближайшее время выглядит так: одна сильная подписка ($100+) + локалка на хорошем железе + 1-2 ситуативных сервиса под узкие задачи.

• Выбор флагмана. Если ваш фокус - разработка и код, логичнее держаться Claude или ChatGPT. Если вы глубоко сидите в экосистеме Google и хотите максимум отдачи на каждый доллар - Google AI с тарифом уровня Ultra полностью закрывает потребности. У меня этот переход, например, снял необходимость держать пачку параллельных подписок.
• Вайб-кодинг и сторонние тулзы. Сервисы вроде Lovable, Bolt или Granola - неплохая точка входа, но платить за них бесконечно нет смысла. Гораздо перспективнее сразу учиться работать с AI-кодингом через Claude Code, Codex или Antigravity. Если нужно пилить прототипы - вы вполне сможете делать это в них. Если нужен узкий тул для своих задач - вы сможете накодить его. Как только вы понимаете механику, необходимость в промежуточных сервисах отпадает сама собой.

🚀 Влад Корнышев про AI и создание AI-продуктов

В тему железа со всякими локальными возможностями, тоже дополнение к предыдущему посту.

Пару часов назад ко мне приехал новый Google Pixel 11 Pro. В Штатах здесь очень классные предложения от Гугла. У меня оператор Google FI и он даёт скидку аж 600 баксов при заказе нового телефона. Я давно хотел обновить свой 7 Pro ещё с прошлого года, после того как увидел, какая 10-серия классная у жены.

И, собственно, Pixel, наверное, самый лучший смартфон с точки зрения всяких локальных моделей и прочих штук. В десятке ещё были доступны хорошие приложения диктофона, где очень крутые транскрибации, и ты можешь прямо по транскрипту задавать вопросы. Всё локально, всё на твоём устройстве, никуда не уходит. LLM-ки и всякие там другие модельки работают прекрасно, уже не говоря про всякие там моменты, связанные с камерой.

Но что ещё прикольно - пока эксклюзивно в одиннадцатой серии, но, думаю, дальше раскатится и на предыдущие, - это режим Rumbler на клавиатуре.

Это голосовой ввод. Я сейчас пишу этот пост как раз-таки с помощью этого голосового ввода. Я просто тупо наговариваю свой поток мыслей, и иишка, если где-то я по пути исправился, если там сказал, что не так, а вот так, поправь и так далее, она, по сути, полностью локально может промптиться и оформлять мои мысли в нормальный структурированный вид. Мне остаётся только на абзацы подробить.

Тоже обалденная фича, экономит кучу времени, потому что для меня лично после того, как я привык к диктовке на компьютере с помощью Whisper, использовать обычную клавиатуру или какой-то голосовой ввод на телефоне было буквально болью.

А сейчас это просто прекрасно, шикарно и волшебно. Айфону даже такое и не снилось 😁

Kickstarter как лучший тренажер для продуктового питча

Поймал себя на том, что в последнее время дико залипаю на краудфандинговых платформах. В Штатах на меня сейчас жестко льется таргет со всякими штуками с Kickstarter, и я регулярно вписываюсь бэкером в разные проекты.

Из последнего интересного: хардварный девайс на голову, который трекает сон с помощью ИИ и посылает волны для стимуляции глубокой фазы; датчики давления в шинах для велика; компактный активный компрессор и еще куча бытовых и спортивных штук.
Но самый кайф тут даже не в покупках, а в том, как люди все это преподносят.

Kickstarter - это ведь чистый полигон для питчей, где тебе нужно зацепить человека за минимальное количество времени и продать идею.

Там хватает слабого контента, но когда начинаешь скроллить и видишь проекты, которые пробивают цель сбора на 1000% или 10 000%, на них прямо стоит залипнуть и разобрать:

Нейминг кампании. В название они почти всегда выносят саму боль, а не просто абстрактное имя девайса. Сходу понятно, о чем речь и зачем это нужно.

Продуктовые видео на 1-1.5 минуты. За эти полторы минуты авторы успевают показать не просто проблему, а сразу несколько ключевых юзкейсов из реальной жизни, в которых этот продукт раскрывается.

Подача и структура. Как выстроен нарратив, чтобы человек был готов отдать деньги за то, что еще даже не произведено.

Если хотите прокачать продуктовую насмотренность и навыки питча, очень советую регулярно скроллить краудфандинг. Смотреть на оверфандед проекты, вытаскивать оттуда закономерности и забирать эти приемы себе: будь то защита идеи перед менеджментом, упаковка своего стартапа или презентация фичей конечным пользователям.

Делаем вторую версию конференции ROИИ

Многие из вас помнят нашу первую конференцию в феврале. Мы тогда собрали огромное количество обратной связи: мне до сих пор пишут со словами благодарности за спикеров и пользу, а главное - за то, что получилось сделать событие по сути и высокого уровня.

Для меня эта конференция - не просто способ набрать аудиторию. Это напрямую связано с моей миссией: знакомить людей с ИИ и показывать, как применять его на практике. Поэтому я не хочу ставить такие ивенты на конвейер и придерживаюсь стратегии делать их редко, но с максимальной пользой.

Сейчас близится конец года, и мы активно готовим вторую конференцию. Она пройдет в ноябре.

В работе с клиентами я сейчас постоянно вижу одну и ту же тенденцию: многие накупают подписки, запускают пилоты, но имеют проблемы с тем, чтобы ответить на два вопроса:

-как найти сценарии, которые действительно работают;
- как нащупать области применения, где технологии окупаются и работают системно.

В этот раз мы хотим разобрать задачу комплексно и посмотреть на неё с двух сторон: со стороны стоимости и выбираемых технологий, а также со стороны процессов и людей.

Мы уже начали работу и формируем список спикеров, но перед тем как финализировать программу, я хочу пособирать запросы от вас:
- Какие вопросы, темы и боли сейчас для вас актуальнее всего? Что конкретно разобрать?
- Кого из спикеров вам хотелось бы послушать? У нас уже есть шорт-лист, но может быть вы хотите увидеть какую-то звезду или кого-то конкретного

Напишите в комментариях свои мысли и предложения спикеров. Всё отсмотрим и обязательно учтем при сборке сетки!

Ищем партнеров для проведения конференции ROИИ в ноябре

Друзья, мы вовсю готовим следующую конференцию, которая пройдет в конце ноября. Сейчас у нас в работе довольно большой пул задач: подбираем спикеров, финализируем сетку программы, пилим сайт и закрываем организационные вопросы.

Организация масштабного события требует серьезных ресурсов, поэтому параллельно мы ищем партнеров, с которыми сможем провести это мероприятие и сделать его еще сильнее.

Немного контекста и цифр
Прошлая конференция ROИИ объединила 12 сильных экспертов и собрала 1500+ участников. В этот раз мы целимся в 2000+ регистраций. Наша ключевая аудитория - это C-level, HRD, L&D и продакты, которые отвечают за внедрение ИИ и бизнес-результаты в своих компаниях. Сайт прошлой конференции можно посмотреть тут

Кого мы видим в качестве партнеров
Компании из AI-индустрии: провайдеры инфраструктуры (cloud, GPU-мощности, серверы), разработчики AI-моделей и API, а также зрелые B2B-сервисы и интеграторы.

Сразу сделаю важную оговорку. Мы не делаем пустые "рекламные интеграции" и у нас строгий входной фильтр. Мы дорожим доверием участников, поэтому никакой фигни или сомнительных проектов на конфе не будет: рассматриваем только надежные компании с качественным продуктом и подтвержденной экспертизой. Если таких партнеров не найдется, мы без проблем проведем конференцию полностью своими силами, как и в прошлый раз.

Как мы видим потенциальное сотрудничество
Со своей стороны мы предоставляем:
• Полноценный экспертный слот в программе. Не пятиминутная рекламная вставка, а полноценный прикладной доклад (25-30 мин) в профильной секции перед теплой аудиторией;
• Прямая доставка вашего оффера в каналы конференции. Ваш спецоффер, промокод или доступ к демо отправляются на всю аудиторию конференций ROИИ (потенциально 3000+ человек) с гарантированно высоким Open Rate (в отличие от холодных email-рассылок).
• Вечнозеленый след в Альманахе ROИИ. Мы выпускаем итоговый экспертный дайджест конференции (Альманах и Playbook), который участники забирают в работу. Ваш кейс, решение и контакты нативно интегрируются в этот документ навсегда.
• Отраслевой эксклюзив. Мы не берем прямых конкурентов в одной категории: если вы становитесь партнером, например, по инфраструктуре или cloud-решениям, других компаний из этой ниши в пуле партнеров и на сцене не будет. Фокус участников в вашем сегменте остается целиком за вами.
• Доступ к нетворкингу. Возможность адресно участвовать в закрытых Breakout Rooms с участниками конференции в рамках Speed Networking сессии.

Чего ожидаем от вас:
• Участие в совместном продвижении события по вашей аудитории;
• Участие в маркетинговом бюджете мероприятия;
• Практические бонусы для участников (промокоды, тестовые доступы, гранты на мощности или спецусловия на внедрение).

Условия и форматы интеграции готовы обсуждать индивидуально под ваши бизнес-метрики. На данный момент есть слоты под 2-3 партнеров.

Если вы делаете сильный AI-продукт и хотите стать партнером, пишите мне в личку: @vladkor97

Заметил, как в ленты снова вернулся ярлык AGI

Каждый раз перед крупными релизами маркетологи начинают прогревать аудиторию историями про сверхразум. Примерно год назад, во время релиза GPT-4.5, все это уже проходили: ожиданий было море, а апдейт оказался вполне рядовым. После этого тему замяли, и разговоры про AGI стали восприниматься скорее как далекий маркетинговый буллшит.

Сейчас выходят новые модели у Anthropic, что-то выкатывают OpenAI, и блогеры со СМИ снова наперебой кричат: "Ну вот, теперь это точно AGI".

Спойлер: нет, не он.

Давайте начистоту: модели стали умнее, ризонинг прокачался, автономность выросла. Были заметные кейсы в кибербезопасности, пара научных подвижек у тех же Anthropic и Google. Но это не скачок к AGI.

Во-первых, это узко заточенные сценарии. Во-вторых, и это главное, эти модели использовали топовые профи. Модель не пошла сама в интернет, не обнаружила уязвимость с нуля и не закрыла баг по собственной инициативе. Она была просто эффективным инструментом в руках эксперта.

Определение AGI простое: модель должна быть наравне или лучше человека во всех профессиональных задачах.

Я в таких спорах задаю себе практичный вопрос: что модель может сделать для меня сегодня такого, чего не могла год назад? Могу ли я отдать ей задачу под ключ, не проверяя, и сразу отправить результат дальше?

Банальный пример - сделать сайт. Раньше нужно было вести модель за руку буквально по каждому шагу. Сейчас ей можно скормить вводные, она автономно пойдет генерировать и выдаст результат. Но на выходе это все еще классический AI-слоп. Структура, смысловые акценты, визуал - все мимо тех требований к качеству, которые нужны в реальности. Автономии добавилось, но финальный результат все равно руками пересобирает человек.

Отсюда вопрос: а есть ли вообще смысл обычному спецу гоняться за топовыми тирами и переплачивать за них?

Моя основная рабочая среда - экосистема Google. При этом Gemini Pro не обновлялась с февраля, весь фокус шел на Flash. И знаете что? Я вообще от этого не страдаю. Закрываю на быстрых моделях практически весь пул повседневных рабочих задач.

По моим субъективным ощущениям, умная модель мне вообще не нужна нигде, кроме написания кода. И тут важная деталь: в коде я как раз не являюсь профильным специалистом. Вот там на контрасте иногда действительно хочется условный Opus или Fable, чтобы закрыть пробелы в моей экспертизе. Но нужен ли он мне каждый день? Нет. Раз в 3-4 месяца, когда надо - покупаю подписку. Но платить за это лишние 100 баксов на постоянке нет никакого смысла. А в тех сферах, где я профи, мне за глаза хватает того, что у меня сейчас есть.

Парадокс в том, что в логике human-in-the-loop избыточная "умность" и автономность флагманских моделей часто играет в минус
1. Модель уходит в долгие размышления, долго что-то собирает, а результат все равно надо переделывать. На быстрой модели через короткие итерации до нужного качества доходишь в разы быстрее.
2. Постоянно упираешься в лимиты запросов. Времени уходит больше, выхлопа - ноль.

Вся эта гонка путает два разных понятия: эрудицию и профессионализм.

Свежие LLM невероятно эрудированны. Но поиск Google тоже знает больше любого человека в мире, однако профессионалом от этого не становится.

Представьте сильного спеца в своей области. А рядом посадите условного Анатолия Вассермана. Вассерман знает факты обо всем на свете, отлично ориентируется и складно говорит. Но если дать ему прикладную рабочую задачу - профи сделает ее в разы лучше. Вассерману просто не хватит практической насмотренности, контекста и профессиональной интуиции.

Сегодняшние топовые LLM - это именно такой цифровой Вассерман. Крутой эрудит, которому все еще нужен реальный специалист рядом, чтобы работа не превращалась в красивый, но бесполезный слоп.

Друзья, сейчас очень много работаем над конфой.

У нас собирается действительно сильный лайнап, который плотно закрывает ключевые темы по экономике и внедрению ИИ. Но среди вопросов, которыми хочется поделиться с участниками, чтобы это было максимально полезно, у нас есть два направления, куда мы хотим добавить еще больше глубины.

Потенциальные кандидаты на эти слоты у нас уже есть, но хочется осознанно разнообразить опыт: показать разные инструменты, разные подходы, стратегии и мнения с рынка.

Вот две темы, которые мы хотим усилить:

1. ИИ в найме и ATS: как выстроить HR-пайплайн
Как перестроить воронку найма и оценки кандидатов с учетом ИИ: как выстроить пайплайн так, чтобы алгоритмы не отсекали сильных специалистов и не нанимали вместо них посредственных соискателей, которые просто научились оптимизировать резюме под фильтры.
2. Подготовка и выстраивание процессов: как внедрить ИИ, если в компании хаос
Практический ответ на вопрос, как выстроить процессы, когда в компании ничего не регламентировано и не оцифровано. Методология наведения порядка и подготовки операционных цепочек, чтобы внедрение технологий реально прижилось и заработало, а не умножило хаос.

Какой профиль спикеров мы ищем:
• Либо практики, которые уже сами прошли этот путь руками внутри компаний и набили шишки;
• Либо фаундеры и разработчики продуктов в этих нишах (например, создатели AI-инструментов для найма или автоматизации процессов), которые глубоко исследовали рынок, кастдевили десятки HR-директоров или операционных лидеров, знают их реальные боли, типичные грабли и способы их решения.

Если вы сами автор канала с такой экспертизой или практик с крутым опытом - напишите мне в личку. А если читаете авторов, у кого есть классный контент по этим темам, порекомендуйте их в комментариях или перешлите этот пост.

P.S. Важный момент: для общих охватов конфы нам критически важна медийность спикера. Поэтому ищем людей со своим активным Telegram-каналом или блогом с живой аудиторией, чтобы вместе сделать событие максимально масштабным. + наличие канала позволяет оценить качество контента спикера

Для связи: @vladkor97

Провайдеры режут лимиты но почему гнаться за дорогим тарифом нет смысла

Если посмотреть на то, что сейчас происходит у мейджоров, тренд очевиден: эпоха доступных моделей про-тира заканчивается.

Дело даже не в появлении тарифов по $100 или $200 - они на рынке уже приличное время. Прикол в том, что резать доступ начали прямо внутри них: OpenAI уже урезает лимиты даже на своем топовом 200-долларовом плане. Модели методично выдавливают на ярус выше: Google убирает бесплатный доступ к нормальному Flash, оставляя на фри-тире только Flash-Lite, а полноценный Pro уже в этом месяце становится эксклюзивом Ultra-подписки и уходит из обычного Pro. И подобные сдвиги сейчас происходят абсолютно у всех.

Причины понятны: дефицит полупроводников, безумная себестоимость рассуждающих сеток и жесткое требование инвесторов к окупаемости инфраструктуры.

Но на фоне этих сдвигов интереснее другое: как на это реагируют пользователи.
Большинство по инерции продолжает цепляться за топовые тиры, искренне полагая, что их повседневные задачи требуют только флагманских мощностей. "Я же пишу важную стратегию", "у меня сложный аналитический отчет", "мне нужно составить глубокое ТЗ" - люди систематически переоценивают сложность собственной рутины.

Кажется, что если задача ответственная, то легкая модель ее непременно завалит.

В реальности почти весь этот объем спокойно переваривается моделями дешевого и быстрого сегмента.

Причем легкая модель часто справляется лучше не вопреки, а благодаря своей простоте. Мой рабочий процесс давно завязан на быстрых сетках, и в логике постоянного контроля со стороны человека это дает огромное преимущество:
- Быстрая модель отдает драфт мгновенно. Ты корректируешь вводные, направляешь ее контекстом и за пару коротких итераций получаешь готовый рабочий документ.
- Тяжелая модель уходит в затяжные размышления, методично сжигает лимит запросов, а результат на выходе все равно требует точно такой же ручной доработки.

Флагманы действительно незаменимы там, где у вас нет собственной экспертизы либо вы делаете действительно сложный ресерч. Под сложным я имею ввиду не просто продуктовое интервью и поиск в интернете, а реально сложное. Использование дорогого reasoning-тира для текстов, и базовых кастдевов - оверкил.

Дальше гайки будут закручивать еще сильнее: лимиты на Pro продолжат падать, а стоимость доступа - расти. Рынок буквально принуждает учиться работать с легковесными моделями.

И ключевой навык сегодня - не способность оплачивать самый жирный тариф, а умение выстроить процесс так, чтобы условный Flash или Sonnet выдавал результат уровня тяжелой сетки. Четкая декомпозиция, правильная подача контекста и пошаговое ведение задачи значат куда больше, чем статус модели в бенчмарках.

Если посчитать годовую экономику, расклад простой:
- Держать тяжелый тариф на постоянке - это около $1200 в год.
- Сидеть на базовом уровне - в районе $200.

Разница - целая тысяча долларов.
Вместо того чтобы отдавать ее провайдерам за иллюзию того, что дорогая модель сделает работу за вас, куда разумнее инвестировать эту сумму в себя.

Например, взять качественное обучение по системной работе с ИИ, разобраться в архитектуре промптинга и автоматизациях.

Потому что специалист, умеющий грамотно дирижировать легкими моделями, в реальной работе всегда будет быстрее и продуктивнее того, кто просто сжигает дорогие лимиты. Такой подход - это не адопшн, а прожигание бюджета, будь это личные или корпоративные расходы

Как отличить AI-slop от нормального контента

В последнее время я все чаще замечаю, что под видом экспертности мне всячески пытаются впихнуть контент, сгенерированный ИИ. Речь идет об авторском контенте: телеграм-посты, почтовые рассылки, различные экспертные статьи на сайтах. И проблема здесь не просто в языке или стилистике языка, а в смыслах, которые лежат внутри этих текстов. Читая автора, я прихожу за его экспертностью, опытом и какой-то четкой позицией, но вместо этого я все чаще получаю не тот контент, на который подписался, а контент “написанный по запросу, на который я подписался”, с помощью LLM. Естественно, желание читать такое не добавляет, а отношение к аудитории скорее негативно выставляет автора в моих глазах.

Работая много с LLM - ты уже интуитивно видишь, где текст является сгенерированным, но для этого нужен опыт. Поэтому сегодня решил поделиться своими наблюдениями по тому, как с большей вероятностью вычислить AI-slope. Ниже - мои личные наблюдения + кое-какие исследования.

Слова и эмодзи
Первый и наиболее заметный маркер. ЛЛМ очень любят определенные слова, эмодзи и повторяют их из раза в раз. Если в запросе попросить экспертный стиль - вас закидает чем-то уж очень профильным, с кучей англицизмов. Если попросить добавить эмодзи - ИИ засрет ими текст. Кроме того, отличается сам язык. Чаще всего, текст получается не вполне литературным, и если вы - начитанный человек, то читая очередной ИИ-пост - вы будете замечать, что по-русски так не говорят, но если вы еще знаете и английский - то вы сразу увидите, что текст - ни что иное, как буквальный перевод на русский.

Тест на выжимку
ИИ любят лить воду. Прочитайте 5 предложений поста и попробуй-те выделить из них хотя бы одну главную мысль. Там, где человек просто напишет: “Рынок упал, мы решили делать маркетинг”, AI будет рассыпаться фразами в стиле “В эпоху стремительных изменений важно уметь адаптировать свои внутренние процессы для достижения максимальной синергии”.

Безопасная нейтральность
AI обучены так, чтобы быть полезным любым людям, с любыми ценностями, вероисповеданием и так далее. Результат этого - в AI-текстах чаще всего отсутствует сильная аргументация в какую-либо сторону. Если вы видите, что автор пытается вам донести какую-то позицию, но он не слишком категоричен в своих суждениях и будто старается никого не обидеть - скорее всего перед вами текст с ЛЛМ. Можете проверить это простым экспериментом. Попросите ИИ написать текст про то, что вам не нравится, и пусть это будет политический или религиозный текст. В своем промпте используйте больше слов, типа “говно”, “дерьмовый”, “ненавижу” и прочие сильные оценочные суждения. А потом посмотрите на результат :)

Переизбыток прилагательных и исчезновение местоимений
Гугл не так давно проводили лингвистическое исследование и обнаружили, что ИИ-шки любят слова типа “инновационный”, “многогранный”, “стратегический” и прочие, но категорически отказываются использовать местоимения “я”, “мы”, “мой”. А также фразы, обозначающие принадлежность текста кому-либо, например, “по нашему мнению”. Живой человек, делясь опытом, постоянно использует местоимения, а ИИ строит отчужденные, безличные конструкции, используя их намного реже. Кстати, это же исследование подтверждает и мой предыдущий тезис про безопасную нейтральность.

Позитивный позитив
Чем-то похожая история с безопасной нейтральностью. Но решил выделить отдельно. ИИ-текст практически никогда не будет нести смысл “мы в дерьме” или “все плохо”. Рядом с этим фактом, скорее всего, будет что-то в стиле “но кризиз - это возможность для роста”.

Лингвистическая предсказуемость и эффект триколона
Да, я тоже не знал этого термина, узнал из статьи, но сейчас вы поймете, о чем речь. Есть такой показатель - type-token ratio (разнообразие словарного запаса), так вот, у LLM он намного ниже, чем у человека, а длина предложений почти всегда фиксирована - от 10 до 20 слов. А что касается триколонов - это лингввистические конструкции, состоящие ровно из трех элементов или примеров подряд (например: “Это помогает автоматизировать процессы, повышать конверсию и масштабировать бизнес”). Люди пишут хаотичнее: то короткими отрывистыми фразами, то длинными абзацами.

Отсутствие микро-деталей
Больше характерно для всяких кейсов. Но тоже добавлю в список. Когда человек рассказывает о своем опыте, он использует какие-то локальные шутки, имена, факапы. Такие вещи, которые сложно выдумать на ходу. Кейс, описанный с помощью ИИ будет звучать более обобщенно.

Хотел сделать список длиннее, но ограничен лимитами телеги. Поэтому в комментах делитесь: как отличаете слоп вы 😁

🚀 Влад Корнышев про AI и создание AI-продуктов

Потестил Gemini 4 Argon: новый "Opus" от Google?

Пару дней назад у Google вышла новая модель - Gemini 4 Argon. Так как я в США и сижу на тарифе Ultra, мне она прилетела сразу и с хорошими лимитами. Эти несколько дней я плотно гонял ее по рабочим и бытовым задачам: писал код, работал с документами, делал ресерчи, обсуждал видео-игры.

Еще до релиза мне попадалась новость про внутренние тесты Google - мол, сами сотрудники говорили, что по ощущениям модель очень похожа на Claude Opus. После своих тестов могу это подтвердить. Вот только похожа она на Opus не только в своих плюсах, но и в минусах.

Argon так же, как и Opus, получила способность решать комплексные, нетипичные задачи, но вместе с этим стала очень медленной. Единственный жирный плюс на фоне антропиков - лимиты здесь не улетают со скоростью света.

По моим наблюдениям, модель сливает какое-то невероятное количество токенов на ризонинг. Она слишком долго думает даже над простыми вещами, по десять раз все дабл-чекает и заходит с разных сторон. Объективно: для большинства задач такая тяжелая артиллерия просто не нужна. При этом я специально переключал уровни reasoning effort (думал, может, дело в том, что стоит medium или high), но нет - на всех трех режимах она думает одинаково долго. От такой траты токенов объективно ничего, кроме чувства вины за сожженный компьют я не получил.

Пример с кодом: от абсурда до восторга
Сейчас пилю лендинг. Цветовое оформление вынесено в отдельный файл стилей. Мне не понравился один оттенок, и я просто попросил модель поменять его на другой.

Argon решала эту задачу 23 минуты.

Вместо того чтобы просто заменить цветовой код, она все 23 минуты размышляла о природе этого цвета, почему он там вообще оказался, какой оттенок лучше подобрать, и параллельно прочесала цвета вообще во всех файлах проекта. И только после этого сделала то, о чем я просил. Модель как будто учили на текстах Войны и Мира Толстого 😅️️

Для контраста дал ей сложную задачу: собрать форму регистрации с базой данных, прикрутить почтовые рассылки и настроить отбивки о новых регистрациях в Telegram. Плюс попросил предварительно поресерчить, какие вообще есть решения под это дело. Вместе с подробным ресерчем и написанием кода все заняло 17 минут.

А следом закинул баг, который до этого у меня так и не смог починить Opus. Argon ковыряла его 45 минут - и пофиксила. И вот для такой задачи это время уже кажется абсолютно оправданным.

Короче, паттерн очевидный: модель дико усложняет простые вещи, но отлично тащит там, где реально надо подумать.

Что с визуалом и UX
Пробовал использовать ее как спарринг-партнера по дизайну. У меня стандартный пайплайн: я текстом накидываю идеи и прошу предложить несколько вариантов того, как может выглядеть блок (сначала просто концептуально, без кода), а потом понравившиеся варианты уже собираю в коде.

И тут что модели от Anthropic, что OpenAI, что новый Argon - все одинаково фиговые. То, что они предлагают с нуля, на мой вкус выглядит довольно примитивно. На бумаге описание звучит неплохо, но когда доходит до визуализации, вылезает куча проблем: текст не читается, контролы кривые, иерархия плывет. В этом плане дизайнеры пока могут спать спокойно.

Но связка начинает работать, когда включаешь собственную насмотренность. Если закинуть в модель даже неудачный визуальный концепт (хоть сгенеренный ей же итерацией ранее) и прямо ткнуть носом: "здесь не читается шрифт, а тут кнопка странного размера" - вот тогда она выдает красивый, рабочий результат. Но сама, без твоей экспертизы и явных указаний, она на эти косяки внимания не обратит.

Где модель реально тащит
В ресерче и задачах формата "сходи туда, достань то, проанализируй и собери в структуру". Если нужно забрать какие-то внешние материалы, вытянуть из них суть и на основе этого написать код или документ - справляется отлично. Ответы стали заметно четче, модель лучше работает с источниками (особенно если прямо в промпте попросить на них опираться). Поймал себя на том, что в связке с Argon сейчас открываю обычный Google Search чаще, чем Perplexity. Модель ощущается более агентной и самостоятельной.

И снова к вопросу о том, нужны ли нам тяжелые модели
Не так давно я уже писал в канале, что для повседневной рутины флагманские модели нам не нужны, а легкие сетки в связке с человеком работают куда эффективнее. И вот тесты очередного топового релиза заставляют меня снова вернуться к этой мысли.

Глядя на Argon, я еще больше убеждаюсь: в компаниях нужно целиться не в слепую автоматизацию функций, а в точечное усиление людей, у которых уже есть высокая экспертиза. Потому что на задачах, где я четко понимал, чего хочу, с Argon у меня уходило в 3-5 раз больше времени, чем с обычным Gemini Flash. Легкая модель через несколько быстрых итераций с участием человека дает результат быстрее и лучше, чем попытка сразу делегировать задачу тяжелой сетке.

Поэтому на практике весь этот опыт сводится к фильтру из двух простых вопросов перед выбором модели:

1. Понимаю ли я конечный результат в деталях? Если у меня в голове уже есть четкое видение результата - проще, качественнее и в разы быстрее сделать это через легкий Flash. Если же есть только точка А и размытая точка Б без понятных ограничений и требований - тогда иду в Argon.
2. Шарю ли я сам в этой теме? Если это знакомая задача, которую я делаю регулярно - снова берем быструю модель. А вот если нужно залезть в новый рынок, незнакомый тип задач или пофиксить сложный баг в коде, где не хватает собственной экспертизы - тут имеет смысл отдать задачу Аргону.

Кто уже успел пощупать обнову - как вам скорость и результаты?

🚀 Влад Корнышев про AI и создание AI-продуктов