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.

ТЗ для кодингового агента: как написать так, чтобы создать результат, а не косячный код

Разработка с ИИ при неправильном подходе может превратиться в головную боль, особенно если вы не умеете читать код: вас засыпет кучей ошибок, вы начнете их править, создавая новые, и так по кругу. На воркшопе по ИИ-прототипированию в следующий вторник я буду показывать, что и как делать во время взаимодействия с агентом, но для хорошего результата также важно, что происходит до этого.

Чтобы сократить количество ситуаций, когда агент косячит (убрать их полностью пока невозможно), важен не только сам процесс, но и то, что предшествует ему. И тут мне хочется отметить роль правильно написанного ТЗ. По моему опыту, хорошо описанное ТЗ и работа с ним закрывают 80% проблем, которые возникают у кодинговых агентов. Сегодня делюсь тем, как надо и как не надо его писать.

Выбирайте стек и формат реализации сами
Даже если не шарите за языки программирования - погуглите, что и для чего используется. Ваша цель - выбрать более популярный язык и формат реализации. Почему? Потому что в нем больше примеров, на которых ИИ обучался. Например, реализовать что-то на React будет гораздо проще, чем пилить условный Telegram Mini-App, т.к. последние появились не так давно.

Продумайте UJM
Как минимум - базовые сценарии. Да, можно в процессе подправить, но у LLM есть один недостаток - они часто не убирают старую логику при добавлении новой. Результат - сломанный код и кривой User Journey.

Потратьте время на продумывание состояний
LLM неплохо продумывают стейты, но неидеально. Особенно в контексте ТЗ. Мой совет - нарисовать себе заранее схему возможных, критичных для вас состояний создаваемого приложения, а затем убедиться, что все они включены в ТЗ.

Разбейте ТЗ на этапы
Самое простое - сделать в соответствии с UJM. Цель - чтобы после каждого этапа вы могли потрогать результат. Так мы обеспечиваем себе больше контроля и отлавливаем ошибки на самом раннем этапе.

Не отдавайте задачу ИИ втупую
Если делать в формате одного сообщения - получите ТЗ с кучей недочетов. Ваша задача - коллаборировать, а не делегировать. 1 этап - всегда сетап окружения, 2 и последующие - в соответствии с вашим UJM.

На хорошее ТЗ, набив руку, вы потратите максимум час, без него - AI агент сожрет десятки ваших часов, а месячный лимит токенов вы потратите за один вечер.

Не забудьте залететь на эфир по ИИ прототипированию в следующий вторник, мой бот напомнит об эфире, а также пришлет вам ссылку и запись, если не сможете быть онлайн.

👉🏻 Записаться на эфир

Инсайты об AI, продуктах, команде и жизни: что я вынес из интервью Павла Дурова Лексу Фридману

Редко слушаю подкасты, но для интервью Дурова Фридману были причины: сильный интервьюер и очень интересный гость. Получился ценный разговор двух интеллектуалов. Восхищение, которое Фридман не скрывал по отношению к Павлу, ничуть не портит интервью - оно и правда заслуженно.

Своими ответами Дуров с самого начала выглядит как "сын маминой подруги". Не знаю, насколько он действительно придерживается того образа жизни, о котором говорит, а насколько это часть PR, но транслируемые им идеи и ценности мне очень резонируют. Их хочется внедрять в свою жизнь и рабочие процессы.

Вот, что я для себя подчерпнул

Про создание пользовательского опыта
Дуров явно следует принципам Джобса, делая акцент на отточенных интерфейсах и продуманных анимациях. Его перфекционизм проявляется в желании вызывать положительные эмоции у пользователя даже от банальной анимации удаления сообщения. При этом дизайн и инженерия работают в связке: нарисованное должно быть эффективно реализовано кодом. Это показывает глубокое понимание влияния даже мельчайших деталей на глобальный пользовательский опыт и производительность.

Про команду
Дуров подробно объясняет, почему команда Telegram такая небольшая. Он утверждает, что количество сотрудников ≠ качество продукта. Большая команда чаще приводит к проблемам с координацией и демотивации.

Его подход строится на трёх принципах:
- Догфудинг. Нанимать только активных пользователей Telegram, которые понимают продукт изнутри.
- Конкурсный отбор. Талант доказывается победами в кодинг-конкурсах, а не резюме из корпораций. По словам Дурова, работа в корпорации “учит системности, но не учит решать проблемы”.
- Никаких “игроков класса Б”. Один слабый сотрудник тормозит и демотивирует всю команду “А-игроков”. Вместо того чтобы раздувать штат, Дуров предпочитает применять автоматизацию.

Про AI разработку
Дуров не говорил об AI напрямую, но его философия разработки - лучший ответ на вопрос о будущем программистов. Большая часть кода Telegram написана с нуля, без стандартных библиотек с их уязвимостями, - вплоть до собственного языка для бэкенда.
Для меня главный вывод: AI не заменит разработчиков. Скорее, он сформирует новый “элитный” слой креативных инженеров, способных создавать по-настоящему инновационные и безопасные системы с нуля.

Про AI и идею изобилия
Очень интересный фрагмент интервью посвящен "мышиному раю" - эксперименту, где мыши жили в условиях изобилия, что привело к коллапсу общества и вымиранию. Дуров проводит параллель с человеческим обществом, говоря, что AI, предоставляя всеобщее изобилие, может лишить людей цели и смысла. Этот эксперимент ставит под сомнение идею Сэма Альтмана о безусловном базовом доходе от AI, предполагая, что нехватка и ограничения могут быть необходимы для развития и самореализации человека. Дуров верит, что ограничения должны исходить изнутри (самоограничение) для создания цели и смысла в жизни.

Про цифровую гигиену (и AI в ней)
Дуров придерживается строгой цифровой гигиены, не пользуясь телефоном для социальных сетей, чтобы не позволять другим определять, о чем ему думать. Он считает, что необходимо активно фильтровать источники информации, чтобы не стать "рабом алгоритмических лент", которые кормят всех одинаковым контентом . Он проводит много времени в тишине, размышляя, и рекомендует избегать телефона утром, чтобы сохранить ясность ума и не быть "существом, которому говорят, о чем думать”. Этот подход особенно важен в эпоху AI-управляемых рекомендательных систем, которые могут незаметно формировать наше мировоззрение, о чем я также писал ранее.

Про вдохновение
Здесь было много про то, как важно проводить время наедине с собой, влияние спорта на креативность, а также про близких. То, как тепло Павел отзывается о своем брате и насколько благодарен ему - вызывает улыбку и лишний раз напоминает о том, как важно иметь вдохновляющих тебя людей в своем кругу общения

Очень рекомендую подкаст к прослушиванию. Включите на тренировке, как это сделал я, скорость можно ставить минимум 1.5.

Google выкатили новый инструмент для персонализированного обучения

Кто знает про Google Labs - в курсе того, что туда обычно выкладывают ранние версии продуктов. Именно оттуда вышли Stitch и NotebookLM, которые я так люблю. И вот, около месяца назад компания представила очередной AI-тул.

Называется он Learn Your Way и предназначен для создания персонализированного образовательного опыта. История очень похожа на то, что я пытался сделать в Pearson в формате Teaching Pal (писал про него тут: 1, 2). По-сути он отличается от Teaching Pal во-первых тем, что предназначен для нескольких предметов, а во-вторых, его цель - это адаптация существующих материалов, а не генережка с нуля (как было у нас). Сейчас доступ к тулу дают только через Waitlist и если вы изучаете много нового - я очень рекомендую вам записаться (подавайте от лица образовательного учреждения, лучше с .edu почтой, я получал на домен NGI Academy).

Что крутого в Learn Your Way?
Если коротко, Learn Your Way - это не очередная умная тетрадка, коих дофига. При разработке гугл коллаборировали с экспертами по педагогике и даже выпустили про это отдельную статейку на arxiv. Цель этого всего - максимальная персонализация и интерактивность в процессе обучения.

Инструмент берет учебный материал и адаптирует его под тебя. Все, что нужно - иметь исходник контента, например, в pdf. Далее, я задаю контекст о себе, что я AI-продакт, который любит кататься на велосипеде. И система будет объяснять мне сложные концепции, вроде структур данных в программировании, на примерах из моей профессии и увлечений. В целом, такое несложно запромптить, но когда работает из коробки - это приятнее.

Однако помимо персонализации, Learn Your Way работает еще и с разными форматами, на выбор их четыре:

1. Immersive Text: Материал разбивается на небольшие разделы с картинками, встроенными вопросами и теми самыми персонализированными примерами. Ты не просто читаешь, а постоянно взаимодействуешь с контентом, можешь потыкать подсказки, ответить на мини-вопросы и получить пояснение, почему ты прав или не прав.
2. Slides & Narration: Система генерирует видео-лекцию (пока из слайдов). Причем, в отличие от NotebookLM, который надо еще запромптить правильно (здесь писал как), здесь мы получаем глубокий разбор материала с различными активностями и вопросами к аудитории.
3. Audio Lesson: Формат подкаста, где AI-учитель и AI-студент обсуждают тему. В целом, особых отличий от NotebookLM не заметил. Просто переиспользовали то, что уже работает
4.Mind Maps: Этот модуль также взяли из NotebookLM без изменений. Хороший инструмент, которым я пользуюсь регулярно/

Кому будет полезно?
⁃ Если вы много учитесь ищите для себя новые способы поглощения информации.
⁃ Если вы пилите образовательный продукт - берите и копируйте, сделать такую же штуку довольно несложно на той же API-шке гугла.

Демо на мок-данных можете пощупать тут

Продолжаю набор на обучения по ИИ

Друзья, напоминаю, что в данный момент ведется набор на два моих обучения по ИИ в формате буткемпов, старт - 15 октября!

Те, кто давно на меня подписан, знают: я не буду нагонять FOMO и говорить, что те, кто не освоит AI, останутся за бортом. Напротив, я уверен, что умные люди в любом случае придут к этой технологии, как когда-то пришли к компьютерам.

Однако, те, кто делает это сейчас - ускоряют свою работу, расширяют горизонты возможностей и высвобождают время, которое можно потратить на себя, семью или сайд-проекты.

Именно для этого я полностью переработал и усилил обе свои программы. В основе каждой - принцип challenge-based learning: максимум практики, минимум воды, реальные и измеримые результаты на выходе.

📈 AI для личной эффективности
Это фундаментальная программа для тех, кто хочет освоить AI на системном уровне. Мы не просто поиграем с LLM. Мы разберем, как ИИ работает под капотом, научимся инженерному подходу к промптингу и управлению контекстом, и вместе накодим ваш первый AI-проект: лендинг, Telegram-бот или приложение. Вы освоите работу с локальными моделями для полной приватности и научитесь строить своих AI-агентов. В финале составим персональный план развития в сфере AI.

🚀 AI продакт менеджмент
Цель данной программы - научить вас делать AI-продукты, используя для этого AI. Я твердо убежден: каждый продакт должен стать AI-продактом, потому что AI в продуктах - это уже не фича, а гигиенический минимум. Помимо базы из курса по эффективности, мы сосредоточимся на AI-продакт-менеджменте: я поделюсь методологией AI-дизайна продукта, которую мы оттачивали в Skyeng, Pearson и EAI. Мы разберем нюансы формирования AI-команд, вы проведете свои первые исследования с помощью ИИ, создадите и протестируете прототип AI-продукта под моим менторингом, будь это ваш рабочий либо пет-проект.

Почему вам стоит пройти обучение в NGI Academy?

1. Вы получаете опыт из реальных бизнес-задач, которые я решал в ведущих компаниях в РФ и США
Я стоял у истоков R&D в Skyeng еще до хайпа ChatGPT, затем создавал AI-продукты для американского подразделения Pearson (топ-5 EdTech мира). Сейчас в рамках своего агентства я работаю со стартапами из топ-акселераторов вроде Ultra VC;

2. Вы получаете готовую систему, которую научитесь применять
Знания, которые я даю, получены не методом случайного тыка, а основаны на научных статьях, личном опыте работы в полях и обратной связи сотен тысяч пользователей продуктов, разработанных при моем непосредственном участии;

3. Я передаю вам огромный опыт AI-разработки и прототипирования
Вся экосистема NGI Academy, включая самописную LMS из более чем 100 000 строк кода, была создана мной в одиночку с помощью AI при бюджете в $50;

4. Вы учитесь управлять AI, а не слепо делегировать.
Я начал работать с AI задолго до появления однокнопочных агентов. Благодаря этому я знаю как не просто делегировать задачу, а  как управлять процессом ее решения. Вы научитесь понимать, почему AI предлагает именно такой подход, как его скорректировать и как добиться нужного результата экономно и осознанно;

5. Моему подходу доверяют специалисты из ведущих технологических компаний
Мои программы уже прошли более 70 студентов, включая спецов Яндекса, Т-Банка, Flowwow, Flo, Авито и многих других технологических компаний;

6. Вы получаете персональное менторство и регулярную обратную связь
Для меня важны ваши результаты. Поэтому я сознательно ограничиваю группы до 10-15 человек. Это позволяет мне лично проверять ваши домашки и давать персонализированную обратную связь.

7. Ценность останется с вами и после буткемпов
- Вечный доступ и обновления: Все материалы, записи и база ресурсов остаются с вами. Плюс вы всегда можете бесплатно присоединиться к любому будущему потоку;
- NGI Community: доступ к закрытому комьюнити выпускников из ведущих тех-компаний для нетворкинга и обмена опытом;
- Вы попадаете в закрытый пул сертифицированных AI-специалистов на платформе Профессионалы 4.0

Промокод ngi_ru даст скидку на все тарифы и годовую подписку на Perplexity AI стоимостью $200.

👉 Выбрать программу

Почему нарративы про то, что AI сделает вас “настоящим разработчиком” - маркетинговый буллшит

Еще полгода назад модно было везде кричать про то, что AI заменит разработчиков. Потом до людей дошло, что данный кейс несколько проблематичен в реализации, и даже прогнозы главы Anthropic Дарио Амодеи о том, что 90% кода будет писаться AI - все еще не сбылись.

Проблема здесь очевидна: для того, чтобы что-то реализовать с AI - нужен человек. Минимально - чтобы протестировать и скорректировать результат. В идеале - опытный разработчик, который поправит архитектуру, обеспечит масштабируемость и уберет лишнее из кода. Однако маркетологи по-своему подхватили новые вводные и начали тупо приравнивать минимальные требования к рекомендуемым.

На лендингах и в маркетинговых материалах AI-тулов для вайбкодинга, включая известные вам Bolt и Lovable гордо красуются формулировки “production ready”. Инфобиз тоже тут как тут: вам обешают помочь “стать разработчиком" за пару месяцев. И здесь неясно, что хуже: наивность, с которой они повторяют этот буллшит, или циничное желание нажиться на тех, кто не разбирается в теме. В результате, кому повезет больше и кто копают чуть глубже - что-то строят, в то время как другие получают кривые продукты, слитые API-ключи, дыры в безопасности и теряют деньги.

Самое интересное начинается, если заглянуть этим инструментам под капот
Если зарыться в AI-тулы поглубже, то мы видим, что нам нагло врут. Взять тот же Bolt V2. Готовясь к эфиру на выходных, я решил поковыряться в том, что они называют Bolt Database, который пришел на смену Supabase. Оказалось, что ребята из Bolt сделали свой MCP, который маскирует встроенный Supabase-проект под этим новым именем.

И казалось бы, что в этом плохого? Но здесь два фундаментальных обмана:
- Вас вводят в заблуждение, продавая старую, известную технологию под видом инновации.
- Вас подвергают риску. Маскировка сделана настолько криво, что вчера мне удалось сломать этот самый MCP и вытащить API-ключи для доступа к БД. В грамотных руках это прямое приглашение к атаке на ваш проект.

Вот вам и "production-ready”! Нам продают иллюзию простоты, скрывая под ней дыры в безопасности 🙂

Быстрый результат ≠ освоение навыка
Главная причина, почему такой маркетинг работает - это невероятно крутая кривая обучения на старте. Да, вы быстро получаете первый результат. Да, первые 3-5 проектов вы чувствуете себя гением. Люди вайбкодят сутками напролет, получая новую дозу дофамина. Этого достаточно, чтобы собрать MVP и, возможно, привлечь первых клиентов.

Но дальше вы неизбежно упираетесь в плато, ограниченное возможностями AI. И в этот момент, чтобы двигаться дальше, вам нужна настоящая экспертиза. Нужно понимать, как оптимизировать запросы, как строить архитектуру, как отлаживать код. Быстрый результат - это не освоение навыка, а его MVP.

AI-аугументация: как на самом деле работают разработчики
Вместо того, чтобы бездумно вайбкодить и наивно верить в то, что AI сделает из вас разработчика, я предлагаю посмотреть на то, как его используют те, кто разбирается в коде. 

В моих командах все разработчики используют AI. Вот нескольо кейсов, которые наиболее распространены среди них;
⁃ создание наброска сложной логики по готовому ТЗ, чтобы не писать ее в ручную;
⁃ создание нового кода на основе своего существующего;
⁃ генерация нескольких вариантов фичи для последующего теста в продукте, после - допиливают самостоятельно;
⁃ рефакторинг конкретной функции под личным контролем;
- визуализация требований продакта.

Написать змейку с одного промпта и пилить сложный проект с Legacy - это не одно и то же

Что имеем в итоге?
Я не говорю, что нельзя использовать ИИ для самостоятельно разработки. Напротив - мне хочется видеть больше проектов, у которых что-то получится. Но чтобы это что-то получилось, нужно понимать границы возможностей ИИ и когда не стоит на него возлагать завышенных ожиданий:

⁃ Сделать прототип? Идеально.
⁃ Собрать MVP и проверить гипотезу? Отлично.
⁃ Масштабировать бизнес, который начал приносить прибыль? Лучше наймите команду, это сэкономит вам нервы и ресурсы.

Эфир по AI-прототипировнию вот-вот начнется!

Под этим постом можете задавать вопросы, буду отвечать в процессе.