Что будет с AI в ближайшие 5 лет?

Помните, я как-то разбирал нашумевшую статью AI 2027? Ту самую, где авторы предсказывают суперинтеллект и чуть ли не научную фантастику в реальной жизни уже к 2027 году. Их оппоненты из лагеря AI as Normal Technology наоборот, утверждают, что развитие будет постепенным, как с интернетом - без резких взрывов.

И вот, произошло нечто интересное. Авторы обеих статей - сели за один стол и выпустили совместный текст. И не про то, в чем они не согласны, а наоборот - о том, в чем их взгляды на ближайшие 5 лет полностью совпадают.

На мой взгляд, эти точки согласия - самый трезвый прогноз из всего, что я видел за последнее время. Он дает понятную картину того, к чему готовиться. Вот главные выводы авторов.

1. До появления "сильного AGI", AI - это "нормальная" технология
Даже самые ярые сторонники скорого AGI согласны: в ближайшие годы AI будет оставаться инструментом, а не автономным разумом. Его внедрение в экономику будет постепенным. Компании будут медленно передавать ему задачи, строить под него инфраструктуру и перекраивать свои воркфлоу. Прогресс будет сдерживаться не возможностями моделей, а вполне земными вещами: бюрократией, необходимостью обучать людей, интеграцией с легаси-системами.

2. Бенчмарки скоро "насытятся", но это мало что значит
Это, пожалуй, самый важный пункт для всех, кто следит за новостями. Все сходятся во мнении, что к 2027-2028 годам AI обгонит экспертов-людей на большинстве существующих тестов (MMLU, SWE-Bench и т.д.). Но, как мы знаем, бить бенчмарки и решать реальные задачи - это две разные вещи.

Модель может проходить SWE-Bench, но это не значит, что она сможет заменить реального программиста. Это как разница между сдачей экзамена на адвоката и ведением сложного дела в суде. Бенчмарки не учитывают хаос реального мира, неписаные правила и необходимость коммуникации. Рефат у себя в канале делился исследованием по этой теме.

3. AI будет продолжать лажать в простых бытовых задачах
Даже к 2029 году никто из авторов не удивится, если AI так и не научится надежно бронировать вам билет на самолет через обычный сайт, не перепутав Париж с Лондоном.

Причина - проблема "длинного хвоста ошибок". В 95% случаев все будет работать идеально, но в оставшихся 5% агент может выдать такую дичь, которую не допустил бы даже самый неопытный стажер. И пока эта проблема не решена, полное делегирование высокорисковых задач остается фантастикой.

4. Проблема AI Alignment не решена
Авторы обоих статей сошлись во мнении, что текущие модели не согласованы с нашими целями, часто врут или поддакивают, и доверять им управление критическими системами - от дата-центров до госуправления - категорически нельзя.

Обе стороны согласны, что мы должны относиться к любой AI-системе как к потенциально несогласованной и строить механизмы контроля, которые сработают, даже если модель решит схитрить.

Что имеем в итоге?
Главный вывод тут в том, что, несмотря на все споры о далеком будущем, в ближайшие 5 лет стратегия для всех нас одна. Мы будем работать с AI как с невероятно мощным, но при этом ненадежным и местами откровенно "тупым" инструментом.

Это значит, что фокус смещается с ожидания чуда на развитие вполне конкретных навыков:
- Критическое мышление: умение не просто принять ответ AI, а валидировать его, найти слабые места и потенциальные галлюцинации.
- Проектирование систем с учетом ошибок: создавать продукты и процессы, где ошибка AI не станет катастрофой, а будет вовремя перехвачена человеком или другим механизмом.
- Глубокая экспертиза в своей области: именно она позволит вам правильно ставить задачи и оценивать результат, отделяя полезный сигнал от сгенерированного шума.

В общем, ближайшие годы - это не про то, как AI нас заменит, а про то, как мы научимся с ним эффективно коллаборировать, помня о его ограничениях.

А вы в каком лагере? Верите в скорый AGI или считаете, что AI - это просто еще одна технология, пусть и мощная?

Калифорния - это MVP будущего. Почему здесь приживается AI?

Только вернулся из своей поездки в Калифорнии. В этот раз мы посещали Лос Анджелес и Сан Диего. До Сан Франциско не доехали, его оставили на следующий раз.

Лично для меня одной из целей поездки помимо отдыха было еще понять, почему людей тянет именно сюда (помимо, очевидно, климата). Живя в Мичигане за время пребывания в Штатах мы успели посетить из крупных городов Чикаго, Нью Йорк и Детройт.

Но ни один из этих городов меня не впечатлил:
- Детройт - заброшенный, промышленный, полупустой.
- Чикаго - застрявший в начале 2000-х мегаполис.
- Нью Йорк - очень контрастный: здесь по соседству вы увидите бомжа, душащего крысу (мое самое яркое воспоминание), а следом - чуваков в костюмах, заключающих сделку на миллионы долларов.
У всех них есть нечто общее - лично для меня они ассоциируются с Америкой, которая разочаровывает. Твои ожидания, сформированные блогерами и массовой культурой восприятия США как великой страны рушатся о стену реальности.

Но знаете, как говорят, что Москва - это не Россия, так и Калифорния - это не США.
Здесь другая атмосфера, другие люди, свои законы и порядки. Здесь все пропитано атмосферой качества жизни и успеха:
- люди очень ухоженные, спортивные, стильно одеваются и следят за собой;
- ты видишь бизнес-переговоры буквально в каждом заведении, куда мы заглядывали;
- Вокруг куча домов, стоимостью в несколько миллионов $;
- идеальные дороги, на которых ездят дорогие тачки, где большинство людей водят очень акуратно (в отличие от Мичигана);
- в магазинах другие продукты (больше вариантов для ПП);
- по улицам ездят роботакси с ИИ (те самые Waymo);
- велодорожки везде, даже на шестиполосных трассах, и велосипедистам уступают!

Видишь все это и думаешь "Блин, я хочу так же!". По уровню развития - это, наверное, самое прогрессивное место, в котором я был. ЛА очень похож на тот город будущего, который нам регулярно рисуют. И если где и возможен AI-адопшн, то это здесь.

Этому способствует как общий вайб (то, что я описал выше), так и в целом, системность. Ведь чтобы тот же Waymo работал, нужно свести к минимуму нестандартные ситуации на дорогах, а это работа с ПДД, людьми, инфраструктурой и качеством дорог.

По сути, Калифорния - это целая страна, где эта система уже выстроена. И чтобы вести речь о каком-то реальном адпшене ИИ в мире - весь мир должен стать как Калифорния.

При этом даже здесь есть проблемы, и все не так гладко. Муж подруги моей жены как раз работает в компании разработчике беспилотных автомобилей и говорит, что реальный мир и те же велосипедисты для них до сих пор реальный челлендж. Так что даже в самой прогрессивной точке планеты технологиям еще есть куда расти.

Про ИИ на смартфонах

Пару лет назад я выбрал Google Pixel 7 Pro. Андроид использую всю жизнь, но пиксели всегда привлекали своей умностью. Недавно взял жене Pixel 10 Pro и кайфанул: за 3 года произошел огромный скачок в мобильном AI.

Гугл уже 5 лет делает свои процессоры. Они не про рекордную мощность в бенчмарках (тут они слабее Snapdragon и Apple Silicon), а про нейронный движок. И вот где это реально работает.

ИИ на пикселях есть два вида: локальный и облачный. Облачный применяется для фонового распознавания музыки, редактирования видео (отдельный клауд) и частично фото, остальные фишечки происходят локально.

Умный диктофон
Наверное - это лучшее применение локального AI. Что для меня, что для моей жены. И мой, и ее Пиксели офигенно работают с транскрибацией, причем делают это в реальном времени, с лейбелингом говорящих. Лично меня эта функция неоднократно спасала во время проведения интервью с неносителями языка (особенно индусами), для Насти, которая работает в сфере медицины - это также незаменимый инструмент. Здесь есть чувствительные данные, которые никуда не должны попасть, но при этом хочется применить AI для ускорения обработки информации, например, обсуждения с коллегами (с их предварительного разрешения, конечно). И вот в этом кейсе диктофон также тащит. Плюсом ко всему, на 10 пикселе добавили функционал суммаризации транскрипта с помощью Gemini Nano и делает он это довольно четко.

Magic Cue
Функция, которая проявляет себя на дистанции, особенно круто проявила себя в путешествии. Просто несколько примеров. Мы хотели узнать у авиакомпании условия провоза велосипедов. При звонке туда - пиксель показывает детали рейса и номер бронирования. У нас рейс на самолет, подтверждение покупки билетов пришло в Gmail, в день поездки мы открываем гугл-карты - карты автоматически предлагают адрес аэропорта. В AirBnb при вопросе хоста о дате нашего прибытия - предлагает предзаполненные ответы на основе информации.

Работа с фото и видео Тут AI тоже разгулялся, и сценарии реально жизненные:
⁃ Add Me. Киллер-фича для семейных фото. Сфоткал жену, дал ей телефон, встал в кадр сам - телефон склеил два снимка. Идеально, когда рядом нет никого, кто может нормально сфоткать и не хочется делать пресловутые селфи
⁃ Best Take. Если кто-то моргнул или скривился - можно выбрать лучшее выражение лица из серии кадров.
⁃ Help Me Edit. Если нужно удалить бесячих людей с фото - пиксель делает это через Nano Banana и вуаля - вам не нужно переделывать удачный в остальном кадр.
⁃ Гид по кадру. Телефон подсказывает, как выстроить композицию. Нам с женой не особо пригодилось, но если просишь прохожего сфоткать вас - просто спасение. Даже человек, который первый раз держит камеру, сделает ровный кадр.

Пока функций не так много, но направление мне прямо нравится. Это идеальный пример того, каким должен быть AI: бесшовным и незаметным. Ты просто пользуешься телефоном, а магия происходит сама собой. И главное - для большинства этих фишек не нужны огромные дата-центры и дикие мощности. Всё работает локально, прямо у вас в кармане. По-сути наши смартфоны (и будущие носимые устройства) уже готовы к серьезным AI-задачам без постоянной привязки к облаку. Жду, когда Apple доделают свой “AI”, чтобы остальные компании уже это подхватили.

Корпоративное обучение ИИ: бесплатный тест-драйв и закрытие бюджета-2025

Друзья, как вы знаете, в рамках NGI Academy я веду тренинги по ИИ для личной эффективности и AI Product Management. Знаю, что меня читает много нанимающих менеджеров и L&D-специалистов, поэтому этот пост для вас.

В этом году я провел несколько корпоративных потоков для таких компаний, как НПФ «Газфонд», «Юрспектр» и «Айти Знаменатель». На общие потоки своих сотрудников направляли коллеги из Avito, Owen и ряда других компаний. За этот год накопился большой опыт работы именно с корпоративным сегментом, и я вижу, что системное обучение команд дает кратно больший эффект, чем точечные попытки внедрения технологий.

Поэтому в 2026 году я планирую сделать основной упор именно на корпоративный формат. В связи с этим - два важных анонса.

1. Test-drive для компаний: бесплатные вебинары
Если вы планируете организовать корпоративное обучение, я готов бесплатно провести для вашей команды 1-2 вебинара из релевантной программы.

Зачем это нужно?
Для меня: это возможность лучше понять специфику запросов корпоративного сегмента и откалибровать материал.
Для вас: возможность без рисков оценить качество материала, мой подход к преподаванию и, главное, заинтересовать сотрудников темой ИИ.

Если «химия» случится - мы согласуем индивидуальную программу под вашу группу. Возможны как очные форматы в вашем офисе, так и remote. Я делаю кастомные модули под запрос бизнеса, а само обучение строится не на сухой теории, а на работе над групповым проектом с моим личным трекингом.

2. Освоение бюджета 2025 года
Если вы хотите отправить отдельных сотрудников на обучение и у вас остался нераспределенный бюджет на конец 2025 года - это отличная возможность избежать лишней бюрократии в будущем.
В феврале я запускаю следующие потоки по обоим направлениям (AI Product Management и Личная эффективность).

Все мы знаем, как сложно порой согласовывать новые бюджеты в начале года. Поэтому предлагаю рациональное решение: оплатить обучение из средств текущего года, чтобы ваши сотрудники начали 2026 год с новыми компетенциями, а вы - без лишних кругов согласований.

Если вы хотите обсудить любой из форматов - напишите мне в личку @vladkor97, обсудим детали и подберем лучшее решение для вашей команды.

Black Friday от NGI Academy - скидки по-американски

Как вы знаете, я сейчас живу в Штатах, на родине той самой «Черной пятницы». За полтора года здесь я заметил одну вещь: скидки тут работают иначе, чем мы привыкли. В США Black Friday - это не маркетинговая уловка с предварительным повышением цен, а реальная возможность купить то, что давно хотел, за полцены. Люди здесь часто откладывают крупные покупки именно на этот период, т.к это отличная возможность порадовать себя или близких в ближайшие праздники.

Мы с партнерами обсудили это и решили: почему бы не перенять эту практику? Никаких накруток «до», чтобы сделать скидку «после».

Поэтому с 28 ноября по 5 декабря мы объявляем Black Friday в NGI Academy. Мы даем скидку до 25% на все наши буткемпы. Следующие потоки стартуют уже в феврале 2026 года (точную дату сообщу позже), и сейчас лучший момент, чтобы забронировать место по самой низкой цене и стартануть новый год с новыми и актуальными знаниями, а не просто с обещания себе сделать это.

На выбор доступно два трека, в зависимости от ваших целей:
1. ИИ для личной эффективности. Этот трек - про переход от «поиграться с чат-ботом» к системному инженерному подходу. Мы не будем просто генерировать картинки или просить AI сделать что-то простое. Мы разберем, как LLM работают «под капотом», чтобы вы перестали действовать наугад. Вы научитесь управлять контекстом и строить сложные промпты на уровне логики модели, а не магии. Главный упор - на практику: даже без навыков программирования вы сможете накодить первые проекты с AI (лендинг, Telegram-бота или веб-приложение) и запустите автономных AI-агентов, в том числе, на базе локальных моделей. Это фундамент, который останется с вами, как бы не менялись тренды.

2. AI продакт менеджмент. Моя принципиальная позиция: сегодня каждый продакт обязан быть AI-продактом. ИИ в продукте перестает быть «вау-фичей» и становится гигиеническим минимумом. Здесь мы идем дальше личной эффективности. Я передам вам методологию AI-дизайна, которую мы оттачивали в Skyeng, Pearson и EAI. Мы разберем, как нанимать и строить AI-команды, как проводить исследования с помощью нейросетей и, самое главное, - создадим прототип вашего собственного AI-продукта. Будь то рабочая задача или пет-проект - вы пройдете путь от идеи до реализации под моим менторством.

Промокод BLACKFRIDAY применять на сайте в корзине. Скидка действует ограниченное время и только при оплате на сайте.

Как я стал реже смотреть Youtube для получения знаний и больше для удовольствия

Сегодня хочется поделиться максимально простой, но очень полезной штукой.

YouTube - это, наверное, самый большой кладезь полезных знаний. Там можно научиться практически чему угодно по любой теме на любом языке. Но очень частая лично для меня проблема - это вода в роликах. Порой, чтобы получить ответ на свой вопрос, мне нужно просмотреть 15 минут 30-минутного ролика, чтобы добраться до нужного момента. И подобная штука очень неэффективна. В некоторых случаях я предпочитаю короткий текстовый контент просмотру полноценного ролика.

Ситуация стала лучше с появлением NotebookLM, куда можно закинуть несколько видео и позадавать по ним вопросы, но все-таки, NotebookLM - это скорее история про более объемные исследования. А вот когда дело до анализа какого-то конкретного ролика, например, когда я хочу покопать вглубь и получить конкретные таймкоды - веб-версия Gemini справляется куда лучше.

Воркфлоу простой:
1. Копируем ссылку на нужное видео
2. Отправляем ее со следующим промптом

Просмотри вот это видео и дай мне следующую информацию о нем:

Краткое содержание видео (коротко, в формате 3-4 предложений, опиши о чем это видео, основные мысли и посыл автора)

Основные моменты: разбей видео на смысловые сегменты, после чего, дай мне список всех этих сегментов в следующем формате: Название смыслового сегмента, таймкод начала, описание в 2-3 предложениях, о чем там идет речь.

Полезные референсы: если автор видео ссылается на какие-то сайты или источники - выпиши их здесь, дай ссылку на источник, его название и описание в контексте чего он может быть полезен.

Одно из преимуществ этого метода заключается в том, что авторы видео не теряют в монетизации. Как я понял, Google засчитывает данные видео в вашу историю просмотров на Youtube, а авторы получают свои деньги. Получается, win-win ситуация, когда и вы экономите время и автор получает вознаграждение за свой труд. При этом, благодаря таймкодам я могу все равно провалиться на нужный момент в видео, в Gemini таймкоды кликабельны.

Мои юзкейсы для данного воркфлоу:
- получение саммари из видео с различного рода новостями;
- поиск ответов на вопросы в стиле “как сделать Х в программе У”;
- изучение обзоров и сравнений продуктов;
- подбор образовательных материалов, включая подкасты по бизнесу, где вместо кликбейтного превью я могу быстро просканировать глазами, стоит ли тратить на это время;
- извлечение рецептов для готовки 😁

Делитесь, делаете ли так же и если да, то в каких сценариях :)

LLM + Носимые устройства = Свой собственный тренер?

В большинстве современных фитнес-приложений сейчас появляется AI-ассистент. Нам часто продают это как некую революционную технологию, кастомного тренера, который знает о физиологии все. Но если посмотреть на это с точки зрения разработки продукта, реальность прозаичнее.

Имея отношение к разработке не одного такого приложения, могу точно сказать: в подавляющем большинстве случаев под капотом этих "умных коучей" - обычная LLM. В лучшем случае, там прикручен tool-use или доступ к узкой базе знаний через RAG. Даже если взять распиаренные сервисы вроде Whoop, которые славятся своими алгоритмами, их диалоговые интерфейсы, скорее всего, работают по той же схеме.

Возникает вопрос: есть ли смысл переплачивать за подписку на "AI-тренера" внутри приложения, если у него нет доступа к какой-то уникальной, закрытой научной базе?

Я считаю, что нет. В своей подготовке я использую связку: Мощная публичная LLM + Данные с моих носимых устройств (в моем случае Gemini + Garmin).

Как это работает на практике
Буквально на выходных я почувствовал легкое недомогание в форме насморка и странные ощущения в носоглотке, при этом я продолжал тренироваться. Часы показывали парадокс: пульс покоя (RHR) снижается, а вариабельность сердечного ритма (HRV) растет. Обычно при болезни у меня всегда все в точности наоборот.

Я загрузил в чат с Gemini скриншоты текущих графиков и описал самочувствие. Плюс я добавил данные о предыдущих тренировках, чтобы у модели было системное понимание того, как мой организм реагирует на нагрузку. Модель сопоставила данные, объяснила, почему это не похоже на системный вирус, и дала добро на тренировку с конкретными условиями по пульсу. И она оказалась права - тренировка прошла отлично, организм был в фазе суперкомпенсации.

Но есть важное "НО". Этот метод не для новичков
Чтобы LLM стала хорошим тренером, у самого пользователя должна быть база. Вы не можете просто слепо доверять алгоритму, если не понимаете, что он анализирует.

Мой алгоритм работы с LLM-тренером выглядит так:

1. Изучить матчасть. Вы должны понимать, что означают показатели вашего гаджета. Что такое HRV, RHR, Intensity Factor, зоны мощности. Если вы не понимаете входные данные, вы не сможете оценить качество ответа.

2. Использовать здравый смысл и опыт. Получив совет от нейросети, я прогоняю его через фильтр RPE (Rate of Perceived Exertion - уровень воспринимаемого усилия). Это старый, но проверенный метод.

3. Калибровка. Я задаю себе вопрос: "Совпадает ли рекомендация модели с тем, как я себя чувствую?". Если LLM говорит "жми", а я едва встаю с кровати - я игнорирую совет. Если ощущения и анализ данных совпадают (как в моем случае с насморком, где я чувствовал себя бодро вопреки симптому) - я следую плану.

Вывод: Обычная подписка на любую нравящуюся вам LLM, будь то ChatGPT, Gemini или Claude, в связке с хорошими спортивными часами может заменить большинство платных AI-фитнес аддонов. Но только при условии, что вы сами выступаете квалифицированным оператором для этой нейросети.

Как мы множим свою некомпетентность с помощью LLM (и как этого избежать)

В последние 6 месяцев я, мои коллеги, да и, наверное, вы тоже, могли заметить одну особенность при общении с LLM. В процессе дискуссии модель слишком часто скатывается в похвалу. Фразы вроде "Вы совершенно правы", "Это абсолютно гениальная мысль" или "Отличное замечание" сыплются даже тогда, когда мы пишем совершенно очевидные вещи 😁

И это та зона, где мы рискуем попасть в ловушку, если не будем подходить к вопросу использования LLM ответственно. Вместо того чтобы использовать ИИ для получения объективной картины, мы используем его, чтобы потешить свое эго.

Почему так происходит?
Всему виной пресловутый Reinforcement Learning, который активно используют все разработчики LLM. Да, он дает буст в обучении, но имеет свои последствия. Если упростить: модель любой ценой пытается дать ответ, который будет считаться "правильным”, чтобы получить за него свой “пряник”.

Я уже неоднократно писал про это явление, оно называется сикофантия: склонность модели поддакивать пользователю, даже если он неправ. И из-за этого мы часто попадаем в две ситуации, которые множат нашу некомпетентность.

Ситуация №1: "Скажи, что я прав"
Классический кейс: у нас спорная ситуация (например, с коллегой или заказчиком). Мы копируем кусок переписки в ChatGPT и спрашиваем: "Кто здесь прав?" или "Подтверди, что мой аргумент верный".

Что мы делаем не так?
1. Обрубаем контекст. Модель не видит всей картины и, скорее всего, выдаст решение в пользу того, чей текст ей показали (то есть вас), просто потому что у нее недостаточно данных для защиты оппонента.
2. Склоняем промптом. Формулировки в духе "Ну я же прав?" изначально байясят модель в вашу сторону.

Ситуация №2: Спор с самой моделью
Допустим, вы задаете вопрос LLM, но ее ответ вас не устраивает, потому что у вас есть свое сформиованное мнение по этому вопросу. Вы начинаете спорить: "Нет, я не согласен, потому что...".

И снова мы попадаем в ситуацию, когда модели проще согласиться с вами и извиниться, чем отстаивать истину. В итоге вы получаете подтверждение своей неправоты, довольны собой, но по факту - стали чуть менее компетентны, закрепившись в заблуждении.

Как с этим бороться?
Чтобы ИИ был ментором и критиком, а не удобным собеседником, нужно менять подход к промптингу. Вот несколько рабочих приемов.

1. Для анализа споров и ситуаций
Не просите сразу судить. Попросите модель сначала оценить полноту данных.

Я дам тебе лог чата / описание ситуации. Я хочу, чтобы ты это проанализировал. Но прежде чем выносить суждение, спроси меня, есть ли какие-то дополнительные вводные, контекст или информация об участниках, которая может повлиять на вывод. Убедись, что у тебя есть все предпосылки для объективной оценки.

2. Для проверки своих гипотез
Если вы хотите оспорить ответ модели или проверить свою точку зрения, не пишите "Я считаю так-то". Используйте нейтральный заход от третьего лица.

Работай как эксперт, который учитывает разные точки зрения. По данному вопросу существует также мнение, что [ваше мнение]. Я хочу, чтобы ты критически проанализировал эту позицию, сопоставил со своим ответом и дал объективную оценку, указав на слабые и сильные стороны обоих подходов.

3. Выносите мнение “на суд”
Самая надежная практика - вынести спор в чистый чат, чтобы контекст вашей перепалки не влиял на ответ. Вы берете ответ модели с которым не согласны и свое мнение, и просите "судью" рассудить вас.

Лучше всего прогонять это через разные LLM, чтобы нивелировать факт того, что они могли обучаться на одних и тех же данных.

Промпт для этого:

Есть проблема: [описание проблемы]. По этой проблеме есть два мнения. Мнение 1: [аргумент модели/оппонента]. Мнение 2: [ваш аргумент]. Выступи в роли независимого эксперта, оцени объективно оба мнения и скажи, какое из них является более корректным и почему.

Не давайте ИИ просто поддакивать вам. Используйте его, чтобы искать истину, а не самоутверждаться.

Последний день скидок в NGI Academy

На прошлой неделе запустили Black Friday со скидками на февральский поток буткемпов по AI. Подробнее об акции писал тут.

Сегодня последний день, когда скидки активны, цен ниже уже точно не будет :) Поэтому кто хотел прокачаться в AI, но откладывал - купить место можно по ссылке.

При чекауте используйте промокод BLACKFRIDAY. Мест не так много, пропустите - локти кусать будете 😁

Сбор рекомендаций подкастов по AI, бизнесу и продакт менеджменту

Друзья, за окном у многих уже зима, а это значит, что время, которое мы можем проводить на улице - сокращается.

Для меня, как для велосипедиста, это время тренировок на станке в помещении: занятие однообразное и не самое интересное. Хочется совместить мои плановые 8-12 часов тренировок тела с поиском каких-то профессиональных инсайтов. И лучший способ это сделать - послушать какие-то подкасты/посмотреть видео. Однако в подкастах я полный 0, так как больше работаю с текстовым контентом.

И я подумал, что раз вы на меня подписанны, то та информация, что интересна каждому из вас, скорее всего, будет интересна мне и другим подписчикам канала.

Поэтому в комментарии к этому посту призываю скидывать всех полезные подкасты и видео, которые вас особенно впечатлили или дали какую-то пользу по выше обозначенной тематике :)