Apple потеряли себя не только в AI

За "прогресс" в AI Apple не пнул только ленивый. И, честно говоря, их отставание здесь было вполне ожидаемым - ребята из Купертино делают ставку на приватность, а эта идея зачастую противоречит быстрому обучению и развитию моделей. Но это еще полбеды.

Я никогда не был ярым фанатом Apple, но как человек, который проектирует кучу интерфейсов и приложений, всегда считал их золотым стандартом UX и UI. Однако недавно произошло то, за что мне самому захотелось пнуть компанию - продукты Apple перестали быть похожи на продукты Apple.

И я сейчас не про сомнительный дизайн новых iPhone или слабую презентацию, которая была неделю назад. Я про радикальные изменения в новых версиях операционных систем.

Еще когда представили Liquid Glass, он мне не зашел. Но я обычно не сужу по ранним бета-версиям, ведь многое может поменяться. И вот, я обновился, и могу сказать: красивый, интуитивный и буквально “вылизанный" до идеала дизайн - это больше не про Apple. Сужу по iPadOS, так как после этого обновлять Mac желания нет от слова "совсем".

Дизайн: привет из 2012-го
Это какой-то странный возврат в 2012 год с его трендом на неоморфизм, но выглядит все как дешевая китайская поделка с телефонов того же периода.

1. Тени на иконках выглядят так, будто их пересветили с выкрученной на максимум экспозицией.
2. Вместо невесомых, элегантных границ у элементов - грубые линии.
3. Кнопки, которые раньше были естественной частью интерфейса и не отвлекали внимание, превратились в какие-то пуговицы.

Главная причина, почему неоморфизм когда-то канул в Лету, - это жертвование функциональностью ради дизайна. И Apple снова наступает на те же грабли. А самое обидное, что это даже некрасиво: держишь в руках устройство за $1000, а интерфейс выглядит максимум на $100.

UX: было просто - стало непонятно
В свое время Apple взорвали индустрию тем, что любой мог взять их устройство и сразу начать им пользоваться. В новой ОС этого нет. Чтобы понять, как работают новые фичи, мне - человеку с огромной насмотренностью и общением с техникой на "ты" - пришлось скачивать приложение Tips.
И что еще хуже - вместе с добавлением новых функций Apple не дает возможности вернуть "как было". На iPad появилась мультиоконность, но при этом убрали Split Screen, где можно было удобно разместить браузер слева, а Telegram справа. В новом режиме это неудобно, а старые жесты, которыми мы пользовались годами, больше не работают.

Консистентности больше нет
Еще одной киллер-фичей Apple была консистентность: ты мог без проблем переключаться между устройствами, потому что расположение кнопок и элементов было идентичным. iPadOS хотели сделать похожей на macOS, но провалили эту задачу.

- Родные приложения, вроде заметок, обросли каким-то мусором.
- Кнопки управления размером окна почему-то расположены по центру, когда оно развернуто на весь экран, а когда свернуто - снова в левом углу, как на Mac.
- И таких мелких нелогичных моментов - целая куча.

Грустно наблюдать, как компания, бывшая для многих эталоном, превратилась в анти-пример. Отстать в AI, испортить дизайн и ОС всего за полтора-два года - для этого нужен особый талант. Искренне надеюсь, что это последний год Тима Кука у руля.

Что думаете по этому поводу? Может, я слишком критичен, или вам тоже не нравится вектор развития компании?

Мои друзья из LLM arena выложили результаты своего исследования по тому, как мы выбираем LLM

Пару месяцев назад я просил вас пройти опросик от ребят. Наконец-то они выложили результаты. И хоть участников исследования было не так много, менее ценным оно от этого не становится, т.к. в основном в нем принимали участие ребята, которые работают с AI руками: от ML-инженеров и продактов до руководителей AI-направлений.

Отсюда и выводы из исследования будут максимально полезными и прикладными, особенно, если вы хотите глубже погрузиться в специфику AI сами. Специально не дублирую информацию здесь целиком, так как, ребята проделали большую работу по ее сбору и обработке. Поэтому, если вам интересны результаты - перейдите по ссылочке, вся информация там находится в открытом доступе.

Когда соло-предпринимателю с AI нужны реальные люди?

AI сделал так, что практически любой думающий человек, имеющий какую-то идею и обладающий хорошей усидчивостью может в соло реализовать свой проект, особенно если это что-то в цифровой сфере. Нужен лендинг? Bolt и Lovable в помощь. Хочешь свое приложение - тот же Bolt + Expo помогут его создать. Воронки в Telegram? Можно собрать в n8n без навыков кодинга. Маркетинговые тексты - Claude поможет. И я не говорю про то, сколько всего можно сделать с LLM на этапе планирования и анализа своей бизнес идеи. Если у вас есть экспертность - потратьте $100 на AI-тулы, выделите $400 на маркетинг и, скорее всего, это отобьется.

Однако AI для запуска своего проекта - не панацея. Выше я неслучайно написал про экспертность. И есть определенные ситуации, когда идея полностью полагаться на ИИ может вам выйти боком. Здесь хочется поделиться как своим опытом, так и других ребят, которые использовали AI для своих проектов.

Если нужно решить задачу из несмежной вам сферы. Допустим, вы хотите сделать цифровой продукт. И, если вы, как и я имеете бекграунд работы в IT, то, скорее всего, вы шарите за дизайн и архитектуру и можно попробовать что-то сделать самому. Но если нет, то базовый минимум - это проконсультироваться с теми, у кого этот опыт есть. Я не говорю про найм разработчика. Продумайте идею с AI, а затем обстучите это видение об тех, у кого есть релевантный опыт. Это сэкономит вам кучу времени, особенно если вы собрались что-то кодить. Например, я не особо много работаю с маркетингом и продажами, поэтому в этом аспекте предпочитаю полагаться на людей, а не на AI, который будет мне говорить, что я “абсолютно прав в своих гипотезах”.

Если разобраться своими силами - это “дорого”. Узнавать новое и учиться - это круто, но далеко невсегда рентабельно. Например, возьмем тот же маркетинг. Вы можете потратить месяц, чтобы понять, как настроить рекламу, какие делать креативы, как сформировать свой пайплайн в Midjourney для генерации картинок для этих самых креативов. Попутно сольете еще денег на настройку этого всего. А можете сразу нанять нужного спеца, который скорее всего, будет стоить в 2 раза больше, чем вы сольете, но сделает все за неделю. Таким образом у вас будет выше отдача от инвестиций, а свой фокус вы сможете направить на то, в чем разбираетесь.

Если вы масштабируете бизнес. AI офигенно подходит для MVP. Проверить первые гипотезы, получить первых платящих клиентов. Но для масштабирования такой подход будет слишком шатким. Архитектура цифрового продукта будет дырявой и несовершенной, конверсии из креативов, сделанных с AI - на 30-40% хуже, дизайны - с какими-то упущениями и.т.д. Если с AI вам удалось достичь соотношения затрат к прибыли 1к4, значит почти наверняка у вас получился нужный людям продукт и пора инвестировать в масштабирование.

Когда работаете с юриспруденцией, финансами и бухгалтерией. Если вы стартуете бизнес - первые продажи в РФ можно делать как самозанятый, здесь все относительно несложно, но рано или поздно вам понадобится составлять оферты, договоры, регистрировать ИП и так далее. Например, LLM неплохо набрасывают драфты таких документов и критикуют, но очень часто ошибаются, так как не смотрят на законодательную базу так, как это бы сделал юрист. Поэтому если вы не умеете составлять договоры, читать законы сами и правильно их интерпретировать - обращайтесь к юристам. Я делаю это для всех проектов. Ошибка LLM здесь может стоить вам бизнеса или свободы 🙂

Когда вы затыкаете собой все “дыры”. Иллюзия “я все могу сам с AI” - опасная ловушка. Да, вы можете. Но какой ценой? В какой-то момент вы ловите себя на том, что вместо работы над стратегией и развитием продукта, вы третий час подбираете идеальный промпт, чтобы впилить новую фичу в продукт. Как только вы чувствуете, что тонете в операционке и у вас не остается сил на задачи, которые кроме вас никто не решит, - пора бить тревогу.

Итого, хоть AI и хорош, но даже при строительстве MVP невсегда его хватает. Если вы пробовали использовать ИИ для построения своего пет-проекта - расскажите про свой опыт!

Meta* представили кучу AI-продуктов, направленных на взаимодействие с реальным миром

LLM по-истине забрали на себя все внимание на сцене AI, но вчера компания Цукенберга показала несколько очень крутых продуктов, в основе которых лежат ну ОЧЕНЬ крутые нейросети. И что самое крутое - это не очередной чат-бот, а технологии, работающие через взаимодействие с реальным миром: это было главным фокусом презентации.

Прокачали Ray-Ban Meta
Начали с обновления умных очков. Помимо увеличения автономности, добавили Live-режим, работающий так же, как и Gemini Live. Во время презентации пытались что-то приготовить, но случился первый фейл на демо и ИИ-шка затупила, но сам по-себе концепт того, что ты можешь сказать очкам, что-то подсказать тебе в реальном мире, не доставая телефон из кармана - очень крут. Уверен, что проблему пофиксят к запуску.

Представили Oakley Meta* Vanguard
Тут хочется похвалить как сам продукт, так и работу с инфлюенсерами, к рекламе привлекли Килиана Мбаппе (одного из лучших футболистов) и Марка Кавендиша (велосипедист с 35 победами на этапах Тур Де Франс). Мне, как человеку, увлеченному спортом, продукт очень зашел. В очки встроена камера, которую можно активировать вов ремя занятий спортом, также у очков плотная интеграция с Garmin и Strava. Вы можете узнавать свою статистику прямо на ходу и всячески с ней взаимодействовать. Пока что в целом, очки - дорогая игрушка, но для себя вижу, что в будущем лично я на что-то такое точно готов потратиться.

Показали Meta* Ray-Ban Display
Самое топовое, что показали. Очки с дисплеем. Если в одном предложении - ребята засунули смартфон в оправу. Но помимо дисплея меня впечатлили фичи на основе AI. Meta* сделали специальный браслет, который назвали нейроинтерфейсом. Фишка браслета в том, что он используется для управления очками и распознает мельчайшие движения. Так, он может распознать рукописный ввод, если вы хотите отправить сообщение. Хотите прибавить звук? Прокрутите воображаемое колеско громкости. За всем этим стоят прикольные нейросети и это прямо очень круто. Помимо прочего, в очках есть функции живого перевода и субтитров в режиме реального времени.

Помимо очков показали еще новый движок Horizon, позволяющий генерировать объекты в VR по текстовым промптам, и переносить в VR свое реальное окружение.

Отдельно хочется отметить, что все эти штуки были показаны в Live-режиме, а не предзаписи. Во время презентации было несколько фейлов (куда без них), но насколько же круто видеть, когда компании не прикрывают косяки предзаписанными видео! Рекомендую всем посмотреть выжимку из презентации.

А как вам новые продукты? Захотелось ли что-то из этого приобрести?

*Деятельность компании Meta Inc. и её продуктов признана в России экстремистской и запрещена.

NGI Academy: новый этап и большие планы

Последние несколько потоков тренингов NGI Academy я проводил в партнерстве с Карьерным Цехом. Это был отличный и продуктивный этап: благодаря этому сотрудничеству я смог привлечь больше учеников в академию, а также еще глубже сфокусироваться на качестве учебных программ и работе со студентами. Я очень благодарен команде за совместную работу.

Как это часто бывает в бизнесе, проекты развиваются, и пути партнеров могут расходиться. Мы с коллегами увидели, что наши взгляды на дальнейшее развитие AI-направления начинают различаться: команда Цеха решила сосредоточиться на создании собственных AI-продуктов, а я хочу сконцентрироваться на улучшении образовательного опыта и расширении экосистемы NGI Academy. Это абсолютно нормальный и здоровый процесс роста для обеих сторон.

Поэтому я с радостью объявляю, что NGI Academy возвращается к формату независимого проекта! Для меня это возможность реализовать свое видение на 100%: создавать новые, еще более глубокие продукты, экспериментировать с форматами и строить вокруг академии комьюнити.

Чтобы реализовать эти амбиции, я уделил много времени выбору кофаундера. По заветам Марти Кагана, я искал настоящего “миссионера” - человека, который так же, как и я, горит идеей качественного AI-образования и стремится создавать долгосрочную ценность, а не просто гнаться за кратко-срочными метриками. Теперь, когда ядро команды сформировано, мы добираем специалистов по операционным задачам и маркетингу.

Из-за этих организационных изменений старт новых потоков переносится на октябрь. Это время нам нужно, чтобы идеально подготовиться к запуску.

Что ждет вас в ближайшем будущем? Мы сфокусируемся на трех ключевых направлениях:
⁃ ИИ для личной эффективности
⁃ AI Product Management
⁃ ИИ-программирование

Следите за новостями - уже до конца этой недели я поделюсь подробными анонсами по каждому из них. Впереди много интересного!

AI в MedTech: 4 проблемы, о которые вы споткнетесь на старте.

MedTech - одна из самых сложных и одновременно интересных ниш, где мне доводилось работать. Сейчас мы с командой как раз пилим один такой проект и постоянно сталкиваемся с челленджами, опытом решения которых хочется поделиться.

Проект пока в stealth-режиме, так что без конкретики. Если в двух словах: мы разрабатываем ПО для поддержки принятия врачебных решений. Софт анализирует медицинские снимки (вроде МРТ), находит патологии, подсвечивает их, а врач уже ставит финальный диагноз.

Звучит круто, но на пути к работающему продукту лежит минное поле из неочевидных проблем. Вот главные из них.

Проблема №1: Данные. Где их брать?
Первая же задача, которая ставит в тупик. Да, в сети есть открытые медицинские датасеты, но есть нюанс: большинство из них можно использовать только в исследовательских целях, но никак не в коммерческих.

Окей, допустим, вы нашли подходящий датасет. Но если обучить модель на открытых данных, ваше конкурентное преимущество будет крайне неустойчивым - любой сможет повторить ваш результат. Значит, нужны свои, уникальные данные. А медицинские снимки просто так не скачать или прийти и забрать в больнице. Фаундерам предстоит пройти все круги бюрократического ада, согласований и договоренностей.

Проблема №2: Разметка. А кто и как будет размечать?
Собрали снимки? Отлично, это лишь 10% успеха. Теперь модели нужно “объяснить”, как выглядят болезни. Этим занимаются разметчики. И здесь компромиссов быть не может: разметчиками должны быть высококвалифицированные врачи, которые работают с такими снимками каждый день. Найти их - уже челлендж, благо, у нас был доступ к клиникам.

Но вопрос “кто?” - это полбеды. Настоящая боль начинается дальше.

Медицина - не математика, здесь нет единственно верного мнения. Диагноз часто зависит от уникального опыта конкретного врача. А теперь представьте: у вас три врача, у каждого свой бэкграунд и своя школа. У вас есть 10 биомаркеров, которые встречаются с разной частотой, и часть из них некоторые врачи видели всего пару раз в жизни.

Результат? Один и тот же снимок каждый из трех врачей может разметить совершенно по-разному. Это напрямую убивает согласованность данных. А если она низкая - модель ничему не научится и будет выдавать рандом.

Нашим решением стала разработка детальной методологии разметки. Мы сделали так, чтобы все врачи работали по единому стандарту. И нам пришлось несколько раз эту методологию переделывать, чтобы наконец достичь нужных показателей согласованности. Как только согласованность в одной партии снимков достигнута - появляется задача ее не уронить

Проблема №3: Продукт. Для кого мы это делаем?
Классический продуктовый вопрос, который в MedTech становится в разы сложнее. У нашего продукта есть три ключевых стейкхолдера: пациент, врач и владелец клиники.

У каждого свои интересы:
Пациенту нужна точность и скорость.
Врачу - удобный инструмент, который не усложняет, а упрощает его работу. Он не должен чувствовать, что его хотят заменить.
Владельцу клиники нужна экономическая эффективность и снижение рисков.

Балансировать между точностью диагностики, юзабилити для врачей и рентабельностью бизнеса - тот еще вызов.

Проблема №4: Сроки. Почему все опять горит?
Забудьте про стандартные спринты и предсказуемые дедлайны. Бюрократия с клиниками, поиск и обучение врачей-разметчиков, недели на разработку и тестирование той самой методологии, сама скорость разметки - все это умножает ваши первоначальные оценки сроков на два, а то и на три.

Вам предстоит очень много учить людей, а это всегда долго и дорого. У нас на проекте сроки сдвигались уже несколько раз по всем перечисленным выше причинам. Это нужно просто принять и заложить в план.

Продолжение следует... Вместе с развитием проекта буду делиться новыми инсайтами.

Про автоматизацию первого контакта с помощью AI

С развитием AI одним из направлений, куда его буквально пихают чуть ли не все, стала автоматизация первичной коммуникации. Наиболее частые сценарии - холодный аутрич (B2B и B2C), саппорт, продажи и HR. И основная проблема здесь в том, что большинство таких интеграций работают не так, как надо.

Я уже как-то писал про кейс Klarna, когда они автоматизировали саппорт, поспешив уволить людей, за что в результате поплатились, так как агент не умел правильно эскалировать запросы. А сегодня в интернете завирусилась история с парнем из Stripe, который сделал prompt injection в своем профиле, чтобы, если ему пишет AI-рекрутер, в конце ему присылался рецепт пирога :D В результате чуть ли не во всех сообщениях от HR он получал этот рецепт.

Почему так выходит?
Основных причин несколько. Во-первых, в большинстве случаев интеграция осуществляется слишком прямолинейно: берется LLM по API, в нее втыкается какой-то системный промпт и правила. Чаще всего такое собирают в условном n8n и запускают в продакшн. Однако хорошая система коммуникации с помощью AI обычно гораздо сложнее. Зачастую здесь можно встретить память или базы данных в том или ином виде, к которым бот будет обращаться, а также наборы инструментов и правила их использования. Помимо этого, нужно базово защищаться от инъекций как на уровне промпта, так и на уровне кода.

Можно возразить в стиле: “Klarna же не дураки, они об этом знают, ведь их партнёр OpenAI”. Однако здесь на сцену выходит второй фактор: сами ограничения и возможности LLM. На момент эксперимента той же Klarna модели OpenAI были не настолько хороши в использовании инструментов: отсюда и растут ноги у проблем с эскалацией. С другой стороны, LLM не всегда может правильно определить приоритеты, потому что не обладает должным контекстом. И здесь речь идет уже о контекстном инжиниринге. Суть в том, что для правильного контекстного инжиниринга недостаточно быть хорошим специалистом по LLM: нужно понимать задачу на уровне того эксперта, чью работу ты пытаешься автоматизировать.

Хочешь автоматизировать саппорт? Привлекай специалиста службы поддержки. Нужен HR-аутрич? Пусть HR-специалист создаст систему правил того, на что он обращает внимание при скрининге. Да, все кричат, что у LLM знания уже выше среднего, но у неё нет профессионального контекста нужного специалиста.

А как сделать нормально?
Здесь я бы предложил сделать шаг назад и задать себе вопрос: так ли велик профит от полной автоматизации? Даже в хорошо собранном решении часто можно сравнительно несложно распознать AI, если ты регулярно его используешь. А когда человеку пишет ИИ, то и конверсия ниже.

Если же выгода все-таки ощутима, я бы рекомендовал делать POC доступными инструментами типа n8n и, если есть положительная динамика, привлекать реальных специалистов по AI: вам напишут правильные инструменты, продумают более устойчивую архитектуру, добавят резервные сценарии (fallback), где это необходимо. Другой важный принцип: дополнять, а не заменять. В текущей формации и на горизонте ближайших пары лет AI будет нужен “наставник” для того, чтобы стать более полезным. Поэтому важно привлекать профильных специалистов к разработке решений.

Подъехали новые приятности от Google

Google ну очень любят выкатывать прикольные штуки втихаря, сегодня пост про эти самые обновления

Представили подписку за $5
Хоть все последние модели и доступны в AI Studio бесплатно, есть все-таки фишки, которые дает только подписка, включая доступ к определенным тулам и режимам, вроде Flow, Whisk и про режима в NotebookLM. Для определенных стран Google выпустила подписки по $5. Подписка доступна в Индонезии, Боливии, Украине, Таджикистане и ряде других стран. Полный список можете посмотреть тут. Это самая выгодня подписка, которую можно приобрести. Для получения цены нужно сменить регион в аккаунте и привязать зарубежную карточку.

Пользователи подписок Google AI Pro и Ultra получат повышенные лимиты в Gemini CLI и Gemini Code Assist
Лимиты в этих тулах были щедрыми и в бесплатном режиме. Для подписчиков они станут еще больше. Текущие лимиты можно посмотреть тут. Новые лимиты начнут действовать в течение 24 часов. Обратите внимание, на подписку Plus за 5 баксов эти изменения не распространяются.

Запускают интенсив по AI-агентам
Пятидневный интенсив запустят на Kaggle. В минимальных требованиях написано базовое владение Python, но если вы кодили с AI, думаю, что также должны справиться. Записаться можно тут. Пройдет с 10 по 14 ноября. Я уже записался.

В Labs добавили AI-доску
Ее я даже не знаю, как назвать 😅 Сначала я подумал, что фигня какая-то, но оказалось очень даже прикольно. Не могу ограничить ее каким-то одним кейсом, но основной функционал построен на том, что ИИ-шка выдает вам визуал на основе ваших текстовых описаний или картинок. Например, так можно создать мудборды для дизайна, либо прикинуть, как что-то будет смотреться у вас в интерьере. Работает, судя по всему, на основе Nano banana. Попробовать можно здесь.

В четверг буду сидеть в жюри ИИ-хакатона, приглашаю вас участвовать!

Друзья, меня позвали в качестве члена жюри на хакатон, который проводит команда Андрея Торбичева, автора канала Индекс Дятла.

Пройдет хакатон 2 октября с 11 00 до 15 00. Задачей будет за 4 часа создать ИИ-редакцию, которая генерирует контент, привлекающий лиды: от идеи - до текста, визуала и публикации. Сам хакатон будет состоять из нескольких частей: в начале будет обучение, где вам расскажут, что и как работает, а затем вы разобьетесь на команды и примитесь за работу. Все, что вам нужно - это стабильный интернет, ноутбук и доступ к Zoom.

Теперь самое главное: участие в хакатоне бесплатное!

Зарегистрироваться можно по ссылке, количество мест ограничено. Буду рад увидеть своих подписчиков в роли участников и дать развернутую ОС каждому 🙂

Кейс о сломанном CJM и когда он не влияет на решение о покупке

Профдеформация - забавная штука. Это когда ты начинаешь смотреть на самые базовые вещи через призму своей работы. Пока нормальные люди просто пьют кофе, ты мысленно рисуешь воронку продаж кофейни. Вот и я вчера столкнулся с живым примером того, как даже вдребезги поломанный CJM не всегда мешает компании зарабатывать.

Пару недель назад мы купили машину. Год жизни в Штатах без авто был, мягко говоря, полон ограничений, так что это была необходимость. А машину нужно заправлять. За последние недели мы делали это дважды, и оба раза мой внутренний продакт бился в истерике от кривизны пользовательского опыта.

Заправляемся на Exxon. На колонке - современный тач-скрин и физические кнопки выбора топлива. На экране всего две опции: ввести membership ID или позвать на помощь. Выглядит технологично. Но дальше начинается квест.

Поломка №1: Тупик для новичка
Мы здесь впервые, ID у нас, естественно, нет. И что делать? Кнопки “я новый пользователь” или “зарегистрироваться” в интерфейсе просто не существует. Ни на экране, ни на самой колонке нет ни QR-кодов, ни ссылок - вообще ничего, что помогло бы мне стать их клиентом.

Поломка №2: Найди приложение сам
Но мне же НАДО заправиться. Открываю AppStore, и методом тыка нахожу нужное приложение (а их у Exxon несколько, чтобы жизнь медом не казалась). Завожу аккаунт, открываю... и не нахожу Membership ID. В России мы привыкли, что номер карты лояльности всегда на главном экране. Здесь же - нет.

Поломка №3: ID под семью замками
Чтобы найти свой ID в приложении, нужно нажать аж три неочевидные кнопки. Привет, UX-дизайнеры! Наконец, я нахожу штрихкод с заветными цифрами.

Поломка №4: Технологии, которых нет
ID - это штрихкод. Логично предположить, что на колонке должен быть сканер. Мы обошли несколько колонок. Сканера нет. Нигде. Сотрудница на кассе с уверенностью доказывала нам, что он есть, но, выйдя на улицу, сама убедилась в обратном. ID нужно вводить вручную.

Поломка №5: Не тот ID
Думаете, это конец? Нет. ID из приложения и ID, который требует колонка, - это, как оказалось, разные вещи. При вводе цифр из приложения система выдает ошибку.

В итоге, после всех этих цифровых мучений, решение оказалось до смешного аналоговым: идешь на саму заправку, сканируешь ID из приложения на кассе, платишь и готово. Старый добрый олдскул. Я бы сразу так и сделал, если бы колонка в начале моего пути не ввела меня в заблуждение, отправив по этому кривому и неработающему флоу.

И самое интересное - несмотря на этот ужасный опыт, я все равно покупаю топливо именно на Exxon.

Почему? А вот тут и кроется самое важное:

1. Гудвилл и доверие к бренду. У Exxon есть имя. А на других, ноунейм заправках, как нам сказали, “заливать бензин стремно”. Доверие к качеству продукта перевешивает чудовищный UX.
2. Выгодная программа лояльности. Классическая механика удержания. Да, процесс кривой, но бонусы заставляют тебя возвращаться и терпеть.
3. Острая необходимость. Когда у тебя почти пустой бак, ты не будешь долго выбирать. Ты заедешь на первую попавшуюся заправку известного тебе бренда.
4. Высокая “стоимость” ухода. Заезд на заправку здесь часто идет через левый поворот, а водители в Мичигане уступать не любят. Простояв на перекрестке 10 минут, чтобы заехать, ты уже не захочешь разворачиваться и уезжать из-за кривого интерфейса. Проще смириться.

Итого, что мы имеем? При определенном весе бренда, работающих механиках удержания и высокой важности продукта для пользователя, ему может быть почти все равно на то, каким будет его путь. Он будет ругаться, плеваться, возможно, даже напишет об этом пост как я, но в конечном счете все равно купит 😅

С кем я теперь работаю над NGI Academy

Настало время представить моих новых партнеров, с которыми мы будем вместе качать образование в AI (и не только).

И первый человек - это Виолетта. (кстати, подписывайтесь на ее канал😄). Виола была моим первым руководителем в Skyeng, где мы вместе раскачали платформу Skyes для университетов, в РФ и на международке до нескольких тысяч B2B клиентов. После - работала на C-level позициях в 4dev, Нетологии и Сбере. Для меня большая честь, что человек, который был для меня ориентиром в начале моей карьеры - теперь стал моим партнером по бизнесу и будет помогать в развитии академии.

Второй партнер, который отвечает за маркетинг - Саша. Саша непубличный и не ведет своего канала, но, поверьте мне, он очень крутой. Обалденное количество опыта работы в EdTech, как в Азии, так и РФ. Показывал крутые цифры роста в ряде образовательных проектов. С Сашей теперь я могу не переживать за то, чтобы в академию приходили новые ученики 🙂

Напомню, что сейчас у нас идет набор на новые потоки буткемпов по AI продакт-менеджменту и ИИ для личной эффективности. К нему я старался максимально прокачать контент. Также сегодня последний день действия промокода ngi, дающего самую большую скидку на любой из тарифов для моих подписчиков!

Как решить проблему, когда вас не пускает в Google AI studio

Для многих, в том числе для меня, AI Studio - это основной рабочий ИИ-инструмент: бесплатный, мощный, многофункциональный.

Однако у него есть одна проблема: в России он не работает без VPN. И казалось бы - включи VPN и пользуйся. Но все не так просто. У многих при попытке войти без VPN выскакивает окошко о недоступности региона (см скрин), а когда VPN включаешь обратно - оно отказывается пропадать и вас тупо не впускает в студию. Пару дней назад у одного из членов нашего коммьюнити возникла именно такая проблема, пробовали все: даже заходить в аккаунт из другой страны - бесполезно, но сегодня мне удалось разобраться, как это пофиксить.

Итак, методы доступа к AI Studio, если вас туда не пускает (от банальных к более сложным)

Метод 1: Смена VPN и очистка кеша
Периодически адреса VPN, особенно платных, а не своих собственных, попадают в блок. Гугл просто не пускает вообще всех. Решение - скачать другой VPN или развернуть свой сервер. Также почистите кеш браузера и перезагрузите страницу через ctrl(command)+shift+R

Метод 2: Запросить добавление вашего IP-адреса в белый лист
Если у вас частный VPN - он также может попасть по разным причинам в список блокировок. В таком случае у гугла есть специальная форма. Переходите по ссылке, заполняете свой ip-адрес, узнать его можно, например здесь. И ждете сутки, пока вас разблочат

Метод 3: Смена платежного профиля
Помимо ip-адреса Google нужно как-то еще показать, что вы не в РФ. Лучший способ это сделать - сменить платежный профиль вашего аккаунта. Сделать это можно по ссылке, выбрав Payment Profile. Указывайте ту же страну, VPN которой используете

Метод 4: Верификация личности
Если вы не знали - доступ к AI Studio разрешен только людям с подтвержденным возрастом. Даже если у вас старый аккаунт - может понадобиться его подтвердждение, а на новых, созданных отдельно под AI-studio - подавно. Чаще всего этот метод вам понадобится, когда “все работало и вдруг перестало”. Идете вот сюда. Далее указываете свою дату рождения. После - выбираете один из трех методов валидации. Я рекомендую делать через селфи, а не через ID или карту, чтобы никак не светить, что вы находитесь в России.

Все эти методы помогали и мне и моим знакомым вернуть доступ к драгоценному инструменту.

4 ошибки, которые мешают работе с AI и как с ними бороться

Вчера был в жюри на хакатоне Андрея Торбичева. Интересный опыт, хотя времени на глубокое погружение в проекты, к сожалению, не было. Но главная ценность таких мероприятий для меня - это возможность вживую увидеть типичные ошибки, которые совершают и новички, и уже опытные пользователи AI. Это помогает мне, во-первых, формировать продуктовую насмотренность для наших продуктов, а во-вторых, лучше понимать, на чем делать акценты в своих буткемпах.

Делюсь наблюдениями. Вот топ-4 граблей, на которые наступают чаще всего.

Ошибка №1: Думать, что AI все сделает за вас
У 4 из 5 команд на хакатоне я увидел просто ужасные GPT-шные тексты. Ровно эту же проблему я вижу у тех, кто только открывает для себя ИИ и на моих программах. Причин обычно 3: неверный выбор модели, примитивный промптинг и слепое делегирование вместо коллаборации.

Про модели: Запомните, нет универсальной модели. GPT-5 не решит все ваши проблемы. По моему опыту, для маркетинга и креатива лучше всего подходит Claude. Для работы с документацией и продуктовых задач - Gemini. А вот GPT хорош для быстрых правок и когда нужно оперативно набросать черновик.
Про промпты: Главное правило - общайтесь с LLM как с вашим новым коллегой: очень начитанным, но абсолютно бестолковым. Давайте максимум релевантного контекста, приводите примеры того, что хотите получить, и не ленитесь давать обратную связь на результат.
Про коллаборацию: Работа, сделанная вместе с AI, всегда будет на порядок лучше работы, которую AI сделал за вас. У модели нет вашего контекста и опыта. Потратьте лишние 5-10 минут на итерации и уточнения. Вы и так уже сэкономили час, так зачем из-за лени получать посредственный результат вместо отличного?

Ошибка №2: Ждать идеальную модель
“Я попробовал, работает так себе, вот выйдет следующая версия, которая будет лучше, тогда и начну разбираться". Почему-то некоторые верят, что скоро промпты станут не нужны, а модели начнут волшебным образом читать мысли.

Спойлер: не начнут. Посмотрите на ажиотаж вокруг GPT-5 и на то, что вышло по факту - минорное обновление. Возможности LLM ограничены множеством факторов, от архитектуры до банального количества электричества для ее работы.

Те, кто начал разбираться с AI до 2022 года, сейчас отлично монетизируют свои навыки: запускают продукты, создают курсы, или просто кайфуют в освободившееся от работы время. Когда вы учитесь на более сложных инструментах, вы наступаете на все грабли и учитесь выжимать из технологии максимум. И когда появляются более совершенные модели, вы используете их на порядок эффективнее. Ждать - значит терять время и, возможно, работу в перспективе 1-2 лет, о чем я говорил на эфире про ИИ-тренды.

Ошибка №3: Избегать сложных инструментов
Часто вижу, как вместо того, чтобы написать пару строк кода в Cursor, люди часами мучаются с конструкторами вроде n8n. Или используют мобильное приложение ChatGPT там, где нужен функционал Google AI Studio.

Используя инструменты "для всех", вы добровольно отказываетесь от львиной доли возможностей AI. Да, иногда решение в два клика - это то, что нужно. Но для получения максимальной пользы нужно копать глубже. Не бойтесь кода или сложных интерфейсов. У LLM есть удивительное свойство - они умеют объяснять. Попросите AI не просто написать код, а пошагово объяснить логику его работы. Так вы не только решите задачу, но и научитесь новому.

Ошибка №4: Пытаться решить все проблемы в одиночку
Вчера у 2 команд из 5 боты на n8n просто не завелись. На вопрос, что случилось, ребята ответили: "Мы ковырялись, но не получилось". И знаете что? Это абсолютно нормальная ситуация.

AI-инструменты часто работают не так, как ожидается. Но вместо того, чтобы часами биться головой о стену, сделайте две вещи: во-первых, позовите на помощь сам AI, а во-вторых, просто попробуйте еще раз.

Навык траблшутинга с помощью AI - это то, что обеспечит вам стабильность в будущем. Задайте модели вопрос о вашей проблеме. Опишите ошибку. Это работает намного эффективнее, чем форумы и разделы FAQ. Пользуйтесь этим!

Как я использовал SGR, не подозревая об этом, и почему советую вам

Сколько бы ты ни работал в какой-либо сфере, уследить за всем просто нереально. В AI буквально каждый день появляются новые инструменты и методы работы с моделями, в частности с LLM. И иногда так бывает, что ты самостоятельно приходишь к чему-то, гордишься этим, а оказывается - про это уже написаны статьи. Так случилось и со мной.

Поле применения LLM довольно широкое, но одной из самых частых задач я бы назвал ускорение производства текстового результата: от оптимизации продуктового ресерча с анализом рыночных и пользовательских данных до частичной автоматизации с помощью AI-ассистентов.

Глобально у нас есть несколько стратегий достижения результата:
- можно просто задать задачу LLM, применяя базовый промптинг или продвинутые техники типа CoT;
- можно использовать RAG, чтобы доставать релевантный контекст из базы знаний;
- можно вдохнуть в LLM агентское поведение, добавив инструменты, и аппрувить промежуточные результаты.

У всех этих методов есть серьезные недостатки. Простой промптинг часто порождает нерепродуцируемость и разброс результатов. RAG и тулы могут упустить важные детали, значимые именно для вашей задачи, потому что модель не всегда полностью понимает, что важно именно вам как специалисту.

Снижение температуры модели помогает, но не решает проблему полностью. Работая с комплексными задачами, когда нужно поэтапно извлечь данные, структурировать и принять решения в рамках одного диалога, я нашёл метод, который позволяет “придушить” модель и получать более релевантный, контролируемый результат.

Как это сделать?
Метод прост - в системных промптах я включаю не только описание задачи, но и детальное описание процесса и критериев результата. Потом даю LLM не просто произвольный текст, а чётко типизированный шаблон вывода, например, в формате JSON Schema, где указываю строгое поле для каждого шага.

Далее этот структурированный вывод я использую как вход в следующий шаг в цепочке. То есть вместо свободного CoT я задаю схему рассуждений - последовательность этапов, типы и формат данных, которые модель должна сгенерировать на каждом этапе. Эта схема заставляет модель придерживаться логики и правил, помогает избежать ошибок и галлюцинаций.

То есть мы получаем метод, в котором вся логика вывода, переходы и схемы валидации жёстко заданы с помощью схем данных. Всё, что вам нужно - это спроектировать качественные схемы и описать логику шагов. Тогда финальные документы и результаты практически не требуют правок.

Это называется SRG
Так я радовался своему “открытию”, пока у Валеры в канале @neuraldeep не наткнулся на аббривеатуру SGR, которая обещала все то же самое 😄 Оказалось, что Schema-Guided Reasoning изобрели еще до меня 😁 Более того, про него еще статейки написали и есть куча холивара на тему того, тру это или не тру 😄 У метода есть сторонники и критики, но на мой взгляд, если нужна предсказуемость, воспроизводимость и контроль над качеством вывода LLM, это лучший подход.

Плюс SGR играет хорошо с RAG и агентскими инструментами: схема помогает управлять, когда и какой контекст доставать, как валидировать промежуточные шаги и принимать решения о следующем действии. Это снижает пропуск важного контекста и улучшает общую надежность.

Если вам надо системно и стабильно получать результат от LLM, рекомендую обратить внимание на SGR. Это не просто продвинутый промптинг - это работа с моделью на уровне структурированных данных и схем рассуждений, что кардинально повышает качество и удобство работы.