Ликбез про кибербез: как не потерять доступ к ИИ-инструментам

Наблюдая за тем, что сейчас происходит в мире и в нашем инфополе в частности, я все больше убеждаюсь в одной вещи: кибербез перестал быть историей исключительно для корпораций айтишников.

Данные утекают по-разному: от отсутствия шифрования в мессенджере, который любит атаковать Дуров, до специфических архитектурных нюансов - уже в мессенджере Max. Отчеты по ИБ показывают, что в подобных приложениях данные и трафик могут маршрутизироваться весьма неочевидным образом, перехватывая и анализируя вашу сетевую активность.

К чему это ведет на практике?
Помимо очевидного риска компрометации данных и IP-адресов, есть и другая проблема: вы можете легко получить бан от зарубежных ИИ-сервисов.

Если в момент работы с Claude ваш трафик будет перехвачен и пущен через российский IP - вы получите бан.

Для доступа к большинству AI сейчас нужны определенные инструменты маршрутизации. Раз вы читаете этот канал, вы и так умеете ими пользоваться. По закону я не могy рассказывать о том, как их настраивать. Но я могу рассказать как защитить свой трафик и не потерять доступ к AI, учитывая, что с 15 апреля подобные функции перехвата трафика появятся во всех российских приложениях.

Что делать?
1. Идеально - Разделение устройств
Самая надежная стратегия - физическая изоляция. Одно устройство вы используете исключительно для ИИ и зарубежных сервисов, к которым важно сохранить доступ. А для российских банков, маркетплейсов и прочих приложений используете отдельный смартфон.

2. Если такой возможности нет:
• На компьютере: Не устанавливайте на компьютер ничего! Старайтесь работать исключительно через веб. В таком случае риски будут ниже.
• На смартфоне: Первое, что нужно сделать - зайти в настройки и жестко ограничить права для всех приложений. Запретите фоновую активность и доступ к геолокации. Если гео все-таки нужно для работы, установите параметр "Только при использовании приложения".

Защита от анализа трафика: iOS vs Android
В СМИ видел много статей о том, что iOS надежнее защищена от перехвата трафика на уровне системы. Я поизучал отчеты по ИБ и оказалось, что это не совсем так.

Если вы пользователь iPhone, изолировать приложения можно только через корпоративные MDM-профили (что недоступно обычному юзеру). Поэтому на iOS остается один рабочий метод: никогда не держать конфликтующие приложения открытыми. Попользовались - закрыли, свайпнув вверх, чтобы предотвратить любую фоновую активность.

А вот у пользователей Android ситуация в этом плане лучше. В системе есть встроенная функция рабочего пространства, которая позволяет изолировать любые приложения друг от друга. Они буквально перестанут видеть активность и трафик друг друга.

Также в Android 15 есть альтернатива - Private Space. Эта функция тоже изолирует трафик и приложения в отдельную среду, но запускать их оттуда не так удобно, как через рабочий профиль. Плюс там нет возможности заморозки. Поэтому для наших целей лучше использовать именно рабочий профиль.

Вот как это настроить с помощью приложения Shelter:

Шаг 1 - Установка F-Droid
• Зайдите на сайт f-droid.org с телефона.
• Скачайте и установите APK, выдав разрешение.

Шаг 2 - Установка Shelter
• Откройте магазин F-Droid, вбейте в поиск "Shelter".
• Нажмите "Установить".

Шаг 3 - Создание рабочего профиля
• Запустите Shelter.
• При первом запуске выберите "Создать рабочий профиль".
• Android автоматически развернет для вас изолированную среду.

Шаг 4 - Изоляция приложений
• В самом Shelter перейдите во вкладку "Рабочий".
• Нажмите "Установить" на всех тех приложениях, которые вам нужно изолировать от остальной системы.

Шаг 5 - Настройка автозаморозки
Если вы хотите глушить изолированные приложения, когда они не нужны.
• В Shelter зайдите в Настройки.
• Включите тумблер "Auto-freeze on shutdown".
• Теперь при сворачивании все приложения из рабочего профиля будут замораживаться и вообще перестанут работать в фоне.

За инструкцию по Shelter можете поблагодарить Артура подпиской.

Берегите свои AI и данные 🙂

🚀 Влад Корнышев про AI и создание AI-продуктов

Google и Perplexity радуют свежими релизами

Редко пишу про конкретные новости и релизы, но сегодня захотелось, так как пользуюсь обоими продуктами.

Perplexity Personal Computer
По сути это аналог OpenClaw, только обёрнутый в сторону бизнес-кейсов. Схема та же: ставите агента на свою машину, и он доступен откуда угодно. Вы ставите цель - агент сам планирует шаги, поднимает саб-агентов, ходит в сеть, дёргает интеграции, работает с локальными файлами и возвращает готовый результат. Ключевое отличие от классического OpenClaw - более высокая степень упаковки под корпоративный сценарий: меньше возни с инфрой, больше управляемости из коробки.

Сейчас доступен только по вейтлисту или для подписчиков Max.

Мне в целом нравится, как Perplexity за несколько месяцев пивотнулись из AI-поиска в агентную историю. Меньше конкуренции с гуглом, более понятный вэлью и продавать энтерпрайзам значительно проще. Чуть позже сделаю отдельный пост - разберу этот мув со стороны бизнеса и со стороны фич, потому что сейчас довольно плотно гоняю разные агентские системы, есть чем поделиться

Gemini для Mac
Наконец-то гугл снизошли и релизнули апку, которую было давно пора сделать. На фоне того, что ChatGPT и Claude уже давно живут как нативные приложения на macOS, держаться только за браузер - это реально странная история. Приложение бесплатное, требует macOS 15 и выше, как и конкуренты - может открываться поверх окон через шорткат Option + Space.

Мобильное приложение, да и вебку они очень сильно допилили за последние несколько месяцев. Поймал себя на том, что AI-studio теперь использую только для определенных кейсов с обработкой информации. В остальном - в апке все есть: и Canvas, и интеграция с Google Docs, и память реализована неплохо. Теперь то же самое, но на десктопе.

P.S. Вижу, что апка у гемини, конечно, навайбкожена 😅 Фотки грузить нельзя, часть UX-элементов прямо видно, что делал сам Gemini 😁

Ссылки:
Вейтлист Perplexity Personal Computer
Скачать Gemini для Mac

🚀 Влад Корнышев про AI и создание AI-продуктов

Как AI помог вернуть нам $1000+ и наказать Spirit Airlines: Perplexity как персональный юрист

На этот Новый год мы с женой решили слетать отдохнуть в Доминикану. Все было супер, пока не настало время лететь обратно. В итоге наш перелет с 1 пересадкой общей длительностью 6 часов превратился в ад с 3 пересадками и 2 суток в пути.

Рейс отменили буквально за пару часов до вылета. Причина - "недоступность экипажа". Наши попытки связаться с авиакомпанией на протяжении 8 часов, чтобы заменить рейс, не увенчались успехом - нас тупо игнорили. В итоге нам пришлось на месте покупать новые билеты из Майами за $1000+, чтобы успеть вернуться. Spirit Airlines вышли на связь, только когда мы были на очередной пересадке: было уже слишком поздно.

Мы не могли ждать ответа компании вечно, находясь в аэропорту. Настя - врач-резидент, и на тот момент она работала в отделении с очень тяжелыми маленькими пациентами. Замены на бэкапе не было, и от ее присутствия в больнице реально зависели жизни детей.

Во всей этой истории нам помог Perplexity. Систему выбрали не случайно: нужно было работать с огромным количеством внешних источников, искать реальные законы и ссылаться на документы. Этот инструмент полностью окупил свою подписку за один вечер.

Один важный момент, который помог нам не влететь в финансовый разрыв.
Мы знали это правило еще до кейса: в США платите за крупные покупки только кредиткой. Если вы платите дебетовой картой - вы один на один с продавцом. Если кредитной - банк защищает свои деньги и решает проблемы за вас. Это база, которая дает реальный рычаг давления.

Стена отказов
Вот вроде есть правила, есть сервис-посредник в виде Booking, который вас типа “защищает”. Однако нам отказывались возвращать деньги и авиакомпания Spirit, и Booking. Обе компании твердили: "вы часть пути пролетели, так что никаких полных возвратов".

С этим контекстом мы пошли в Perplexity и сервис помог нам в следующем:
• Юридическая база: Мы промтили AI, чтобы найти конкретные правила DOT (Департамента транспорта США). Выяснили, что "crew availability" - это controllable event. По закону авиакомпания обязана вернуть деньги в полном объеме, если пассажир отказывается от перебронирования.
• Диспут с Affirm: Билеты были в рассрочке через сервис Affirm. AI помог составить настолько обоснованную претензию, что Affirm практически сразу встал на нашу сторону и заморозил займ, увидев аргументы, которые Booking пытался игнорировать.
• Ведение переговоров в переписке: AI генерировал официальные письма со ссылками на пункты политики Spirit. А когда они пытались отделаться ваучерами по $30 - мы ссылались на законодательную базу и их же внутренние правила, написанные мелким шрифтом.
• Подготовка к суду: Perplexity нашел релевантные судебные дела в США, расписал линию защиты и подготовил документы. В США можно представлять себя в суде самому, но авиакомпании ненавидят тратить на это время. Так как сумма была небольшая, мы рассчитывали, что либо они нам сразу вернут деньги, потому что платить юристу невыгодно, либо проиграют суд и потеряют еще больше.

Кстати, делал это все не я, а Настя. Я лишь советовал как лучше работать с промптами и контекстом.

Итог истории 
Мы заранее отправили Spirit все наши аргументы и подготовленную линию защиты для суда. Естественно, они нам не отвечали до последнего дня обозначенного собой же срока, однако в итоге посчитали издержки и решили не доводить до судебного процесса.

Буквально вчера нам подтвердили: наши деньги нам вернут.

По итогу Perplexity:
• отработал роль юриста на 10/10
• помог перевести нашу фрустрированную речь, которая может показаться грубой американцам, в нормальные аргументы
• снизил уровень стресса на протяжении всего процесса, давая нам ощущение уверенности в результате

🚀 Влад Корнышев про AI и создание AI-продуктов

Claude vs Perplexity vs Manus: кто - лучший агент?

Вы могли заметить, что последние мои несколько постов так или иначе крутятся вокруг Perplexity. И это не потому, что я внезапно решил стать их амбасадором, напротив - не так давно я их ругал за бардак с ценами на подписку, а теперь приходится хвалить :)

Почему? Во-первых, ребята действительно очень заметно прокачали продукт за последние месяцы. А во-вторых, последние пару месяцев я плотно тестировал автономных агентов для рабочих задач, и Perplexity просто начал выполнять мои задачи лучше и дешевле своих конкурентов.

Сейчас у меня в работе три подписки.
- Claude я взял на месяц чисто под эксперимент.
- Perplexity у меня куплен на год.
- Manus идёт в паке от Ленни.

И я осознанно решил погонять их на своих рабочих задачах: ресёрч, работа с документами, структурирование материалов, сборка отчётов, сравнение вариантов и всё такое.

По моим ощущениям, Perplexity Computer сейчас как минимум не хуже Claude, а в некоторых сценариях я бы вообще поставил его выше. Особенно хорошо Perplexity показывает себя там, где нужно что-то найти, собрать из разных источников, понять, вытащить суть и превратить в готовый артефакт. Поиск по документам, работа с уже готовой информацией, ресёрч, сборка выводов, оборачивание всего этого в внятный результат - вот здесь он у меня прям регулярно в топе.

Claude, как и раньше, очень хорош в задачах, где важна подача. Особенно с выходом Opus 4.7 и Claude Design. Если нужно сделать что-то более аккуратное, визуальное, структурно красивое - презентацию, логику подачи, оформление мысли - он часто ощущается сильнее. То есть если Perplexity - это история про добыть и собрать, то Claude чаще про оформить и подать.

Manus на этом фоне в среднем у меня выглядел слабее. Он дольше работает, чаще даёт странный результат и ощутимо хуже по экономике использования. Но при этом я бы не сказал, что он совсем бесполезен. У него есть понятный класс задач, где он реально норм. Это сценарии, когда ты скармливаешь ему несколько исходников и просишь на их основе собрать сравнение, выводы или отчёт. То есть не просто “пойди найди что-нибудь в интернете”, а “вот тебе набор материалов, теперь сведи это в осмысленный документ”.

Например, я использовал Manus, чтобы подготовить отчёт на основании байкфита Насти и сравнить между собой два велосипеда, которые нам рекомендовал байкфитер и которые мы рассматриваем к покупке. Вот в такой логике он был вполне уместен.

Когда есть несколько документов, несколько вводных, несколько вариантов, и тебе нужно не творчество, а именно аккуратное сведение и сравнение, Manus может быть полезен.

Но как универсальный агент он у меня пока всё равно аутсайдер. На одной из задач по обновлению материалов лекции на основе старых материалов и нового транскрипта он умудрился съесть около 6000 кредитов при месячном лимите 4000 (эквивалент $30). Perplexity на ту же задачу потратил примерно 200 кредитов (2$). Claude просто упёрся в лимиты по времени, пришлось ждать отката, но с точки зрения денег это выглядело почти бесплатным сценарием.

Если коротко, мой текущий расклад такой.
1. Perplexity - лучший на задачах формата "найти, понять, собрать, обернуть".
2. Claude - очень хорош там, где важны структура, подача и визуал, но для полного опыта я бы рекомендовал подписку за $100.
3. Manus - рабочий вариант для задач на сравнительный анализ по нескольким исходникам, но пока слабый универсальный агент. За свои деньги я бы его не брал

И, честно говоря, самое интересное во всей этой истории даже не само сравнение, а то, что Perplexity в какой-то момент перестал быть просто “AI-поиском” и начал восприниматься как реально полезный агентный инструмент. А это уже отдельная тема - про нее будет следующий пост.

🚀 Влад Корнышев про AI и создание AI-продуктов

Как пивот в AI‑агентов и смена бизнес‑модели вытащили Perplexity к $450M+ ARR. Разбор кейса

В прошлом посте я сравнивал функционал 3 агентских ИИ, которыми пользуюсь сейчас, отдельно выделяя Perplexity. Сегодня, как и обещал, разбираю что команда стартапа сделала на уровне стратегии и бизнес‑модели - и почему это один из самых сильных продуктовых и бизнес мувов в AI на сегодня.

(Не) убийца Google
Изначально Perplexity позиционировались как AI‑поиск: задаёшь вопрос - получаешь готовый ответ, ссылки, саммари. Умнее и удобнее, чем классический Google, но по сути это все один сегмент: ты конкурируешь с поиском, где у людей в голове уже встроен один доминирующий бренд (не берем локальные примеры типа Яндекса).

И подобное позиционирование было недолговечным. Веб-поиск и Deep Research стали встроены в ЛЛМ, а гугл запустил AI overview. Год назад многие писали, что Perplexity конец, но команда уже предпринимала действия.

Первым шагом стали Perplexity Labs в мае 2025
Про новый режим я писал сразу после анонса. Это уже был шаг от поиска к инструменту, который создаёт артефакты - отчёты, презентации, дашборды. Но было ощущение сырости: экспериментальная фича, позиционирование размыто, качество нестабильное. Казалось, что вектор правильный, но чего‑то явно не хватает.

Чуть меньше чем через год появился Computer
Фичу релизнули в марте 2026. И это уже не “ещё один режим”, а отдельный продукт‑оркестратор: под капотом он гоняет около 19 моделей, сам планирует шаги, ходит в сеть, дёргает интеграции и в фоне доводит задачу до результата.

Отдельное внимание хочется обратить на позиционирование - его не продавали как цифрового сотрудника (коих на рынке сейчас полно). Напротив, в позиционировании очень чётко проговаривается, что это инструмент для специалистов, усилитель, который делает часть работы в фоне, пока ты занимаешься другим.

И людям и бизнесу это понравилось!
Нарратив не в стиле “мы уволим людей, поставим ИИ”, а “сделаем так, чтобы текущие люди могли закрывать в Х раз больше задач за те же часы” сработал. А в связке с токен‑бейс моделью это дает очень понятную логику для бизнеса: мы платим за задачу, получаем результат, не ломая оргструктуру, нам не надо учиться работать в коллективе человек + машина, а риск саботажа внедрения ИИ - ниже.

Вы можете сказать "Красиво стелишь, Влад". Да, но посмотрите на цифры!
По данным Sacra, в 2023 году у Perplexity было около $7M ARR, к концу 2024 - уже $63M ARR. После выкатки Computer и смещения фокуса на агентов FT пишут про $450M+ ARR и рост выручки на ~50% всего за один месяц. Sacra сейчас рисуют траекторию к $500M ARR+ и росту больше чем в 7 раз за два года. Рынок голосует деньгами за эту концепцию.

Оркестратор - это топ
Отдельно мне нравится, что они пошли по пути создания оркестратора, а не “ещё одного вендора с собственной моделью”. Perplexity не гоняются за бенчмарками, стоя убийцу GPT, не тратят кучу бабла на компьют, не привязываются к одной модели, повышая вероятность вендор-лока.

Вместо этого они собирают слой, который умеет:
- понимать, какие задачи выполняют пользователи;
- выбирать под них лучшую модель/комбинацию моделей;
- со временем учиться на этом трафике и улучшать оркестратор.

Это открывает им очень интересный апсайд на будущее.
Собирая данные о типах задач, паттернах использования и качестве результата, они могут со временем либо дообучать свои модели, либо всё лучше подстраивать роутинг и пайплайны. И при этом они уже сейчас показывают, что в 2026 году можно строить мощный AI‑бизнес без собственной LLM, просто грамотно упаковав существующие модели в продукт, который решает реальные задачи. Люди готовы за это платить, а инвесторы - вкладывать.

Вместо разговоров про AGI, безусловный доход и замену людей Perplexity пошли не по пути абстракций, а по понятному для большинства людей здесь и сейчас сценарию. И за это им хочется поаплодировать.

🚀 Влад Корнышев про AI и создание AI-продуктов

Локальные модели для простых смертных: что выбрать, если у вас нет супер-компьютера

В последнее время вижу у людей рост интереса к локальным моделям. Часто ко мне приходят клиенты, у которых уже что-то развернуто в локальном контуре через OpenWebUI - они либо хотят улучшений, либо целятся в масштабирование, но сейчас не об этом.

Свою личную LLM хотят не только корпы, но и простые пользователи. Однако одно дело - уровень компании, а совсем другое - на своем компьютере.

Глобально, мак с 64 ГБ под условную GPT OSS 20B - это лучший вариант. Но будем честны: большинство ими не обладают. В лучшем случае у вас MacBook Pro на 16 ГБ, а чаще всего - Air с 8 ГБ. И этот пост как раз для большинства.

Я использую для локалок два устройства: MacBook Pro (M2 PRO, 16 ГБ) и iPad Pro (M2, 8 ГБ - считай, эквивалент Air). И под них у меня собрался следующий зоопарк.

Лучшая с текстами по соотношению затрачиваемых ресурсов: Gemma 4 E4B
Здесь Google круто пошаманили с архитектурой модели. В результате модель требует железа как 4B, а работает как модель с 12-14B параметров. Не буду вдаваться в технические детали, но скажу следующее. На мой взгляд, сейчас это модель, которая лучше всего справляется с преобразованием текстов в артефакты. Саммари звонков, заполнение документов, анонимизация текстов - все делает очень хорошо, благодаря в том числе появившемуся ризонингу. С русским языком справляется неплохо, хотя иногда проскальзывают косяки и видно, что модель мыслит на английском. Отдельная прелесть - модель не так требовательна к промптам и многие задачи может выполнить сама, без необходимости промптить ее по SGR. Минуса два. Во-первых, моделька хоть и заявлена как Vision, картинки распознает так себе. Во-вторых, очень любит спамить эмодзи по умолчанию.

Для устройств на 8 ГБ: Gemma 4 E2B
Если же у вас 8 гигов - ее сестричка Gemma 4 E2B станет отличным вариантом. Все, что я сказал про старшую модель, также относится к младшей, кроме требований к промптам. Здесь SGR необходим для большинства задач.

Лучшая для работы с русским языком: Gemma 3 12b QAT
Моделька, которой уже год, которую дообучали при квантизации, чтобы она не теряла в качестве. Вариант для тех, у кого есть 16 гигов памяти. За больше чем год ее использования я могу сказать, что модель актуальна до сих пор. В задачах, где нужно не обработать, а именно составить текст - эта моделька лучшая. Русский язык у нее из всего, что я пробовал, самый естественный и приятный, за ней нужно минимум правок. Для задач обработки и трансформации текстов моделька подходит меньше, но SGR решает ее проблемы.

Лучшая вижн-модель: Qwen 3.5 4B
Периодически бывают задачки, когда нужно скинуть документ или какой-то объект модельке и позадавать вопросы. И здесь в моих тестах лучше всего показала себя Qwen. Однако я не советовал бы эту модель использовать именно для обсуждений. Исключительно как распознавалку, потому что русский язык у нее максимально поганый и очень кривой. А еще моделька очень склонна излишне долго рассуждать и тратить токены, пожирая и так ограниченное для локальных моделей контекстное окно.
Понятно, что для большинства задач, связанных именно с распознаванием текста, лучше всего будет использовать отдельную OCR, например вот эту, но сейчас речь именно про LLM.

Что еще можно попробовать:
• Privacy Filter от OpenAI - свежая модель для анонимизации корп данных. С английским отлично, русский пока не пробовал;
• Nemotron OCR - свежая распознавалка текста от NVIDIA
• Файн-тюны от huihui-ai (я не ругаюсь, это ник разраба) - есть разное. Модели без цензуры, которые генерят вообще все, дистилляции опуса и.т.д. Свое точно найдете.

Что я не рекомендую:
• YandexGPT - максимально тупая модель на моих задачах, ну и не всем нравится Яндекс;
• DeepSeek - косячит с инструкциями, до сих пор лезет китайщина на малых размерах, ризонинг очень много жрет

Для запуска моделей я использую: LM Studio на Mac (нужен MLX-формат) и Locally AI на iPad (убедитесь, что регион App Store - США).

Делитесь, чем пользуетесь вы и для каких кейсов

🚀 Влад Корнышев про AI и создание AI-продуктов

Как избавиться от AI FOMO: мой подход к ознакомлению с кейсами, новостями и новыми инструментами

AI-сфера развивается с такой скоростью, что попытка уследить за всем превращается в полноценную работу. Раньше я старался пробовать больше новых инструментов, читать каждую статью из рассылки, тестировать каждую модель. И вроде ты находишься на переднем крае прогресса, но вся эта суета только вгоняет в какую-то лишнюю тревогу и постоянные сомнения.

Ты больше тратишь времени на поиск и на анализ, чем на формирование навыков. Кроме того, каждый день инструментов умирает едва ли не больше, чем появляется. Поэтому необходимость знать все и вся - просто отпадает.

Я практически не читаю русскоязычные каналы. Проблема новостников в том, что они часто опаздывают и редко выдают то, что мне действительно интересно, а вы знаете, как я люблю почитать всякие статейки, необычные кейсы и лонгриды.

Поэтому в РЯ-пространстве я слежу только за практиками, их кейсами и мыслями. Что касается новостей, но здесь мои источники на 100% англоязычные: рассылки (TLDR AI, The Rundown), блоги компаний, Arxiv.

Однако часть из этого идет в формате рассылок, часть - надо искать, а часть - скакать по куче вкладок. В то время как я:
• терпеть не могу почту и рассылки как формат;
• не люблю скакать между вкладками;
• при ручном поиске могу провалиться на часы, открыть 100 статей и не прочитать ни одну;

Поэтому я делегировал эту задачу ИИ-агенту
Вот мой воркфлоу, который вы можете повторить в Perplexity, Claude, Manus либо в любом другом AI, где есть запланированные задачи.

1. Настройка коннекторов
В настройках Perplexity я подключил Google Drive и Gmail. Это позволяет агенту читать мою почту, а результаты каких-то ресерчей я могу сохранять сразу себе в облако.

2. Источники
В настройках поиска я выбираю Web, Gmail и Academic (чтобы цеплять свежие научные статьи с Arxiv).

3. Режим поиска
Использую Deep Research для максимального погружения. Но Sonnet/Gemini тоже подойдет. Выбираю модель и нужное мне расписание. Результаты сохраняю в отдельном пространстве Perplexity.

4. Промпт
В промпте я указываю четкий порядок поиска, нужные мне источники (чтобы избежать попадания в подборку всякого мусора, который оптимизировали под GEO) и правила оформления в маркдауне (для читаемости). Мой промпт в первом комментарии.

Главный совет
Формируя свой информационный фон - идите от своих задач. Выберите свой стек (например, Claude, Gemini, Perplexity) и следите за ними максимально глубоко. А все остальное пусть фильтрует ваш агент. Если там появится что-то действительно прорывное - вы об этом узнаете из своего утреннего дайджеста.
Главное - не сколько инструментов вы знаете, а какие задачи вы умеете решать с помощью них.

🚀 Влад Корнышев про AI и создание AI-продуктов

Уже довольно длительное время занимаюсь подбором для себя Executive программы, чтобы максимизировать свою пользу от пребывания в Штатах.

После долгих ресерчей и анализа выбор свёл к двум вариантам, между которыми буду в итоге выбирать.

Вариант 1 - программа Digital Business от MIT, которая включает 4 курса по выбору. И там есть интересующие меня очные AI-Driven Organization и Transforming Healthcare with AI.

Вариант 2 - залететь в Stanford но не на программу, а на 2 отдельных курса: Stanford The AI-Powered Organization + Stanford Medicine AI in Healthcare.

Пока сижу на очередной пересадке - решил сделать табличку с кучей критериев и весами, один из которых - "Воспринимаемая сила бренда в СНГ".

Так вот, вопрос к аудитории: для вас кто круче: MIT или Stanford?

❤️ - MIT
🔥 - Stanford

Как нейросети уберегли меня от ненужной операции и почему LLM как второе мнение - это уже реальность

Давние подписчики канала знают, что я активно увлекаюсь велоспортом. Однако любой спорт сопряжен с травмами, что и произошло со мной

Предыстория
Прошлым летом из-за работы я начал сезон только августе и к январю накрутил больше 5000 км. Все было круто: новый велосипед, профессионально выставленная посадка, физические показатели росли. Но в январе я сильно заболел. Хоть организм и ослаб, я решил не сбавлять обороты и перегрузил ноги на интервалах и силовых.

Острой травмы или падений не было. Просто левая нога стала ощущаться постоянно забитой, а баланс мощности между ногами предательски съехал на 46/54. Левая нога почему-то перестала тянуть. Я перешел в легкий режим тренировок, решив дождаться поездки в Россию.

Мнение первое: Российская клиника
Пока был в поездке в России, решил проверить колено. Сделал МРТ, нашел центр со спортивным ортопедом и реабилитологом и записался туда. Но прямо перед приемом профильного врача заменяют на обычного ортопеда (который на спортсменах не специализируется), а реабилитолога отменяют по итогам приема.

Почему?
Посмотрев на снимки врач заявила мне, что у меня вылетел мениск (комплексный дегенеративный разрыв). Назначила жесткий тутор на ногу на 6 недель (полная иммобилизация!), и предупредила о возможной операции, выписав пить антикоагулянты. А это очень серьезные таблетки, у которых куча побочек. При этом официальное заключение рентгенолога гласило: "Мениски не изменены". Времени искать другого специалиста в РФ уже не было, пора было улетать. Я записался в центр спортивной медицины в Мичигане, но до приема оставалось время.

Мнение второе: ИИ-консилиум
Сидеть в неведении (и тем более в туторе) не хотелось. Сразу оговорюсь: у меня не было цели использовать ИИ для постановки диагноза. Я просто хотел получить независимую оценку, не воспринимая ее как истину в последней инстанции.

Я вытащил снимки МРТ с диска и начал эксперимент. Использовал изоляцию контекста: загружал снимки по отдельности в Opus 4.7, GPT-5.4, Gemini 3.1 Pro и Muse Spark от компании Цукерберга (Meta, признана в РФ экстремистской организацией и запрещена). Ни одной из моделей я не рассказывал про выводы других.

Отдельно прогнал свой анамнез и снимки МРТ через OpenEvidence (это специальная LLM для врачей в США, работающая на базах доказательной медицины). А затем собрал все в мастер-промпт и попросил ИИ провести "консилиум".

Кстати, интересный инсайт: модель от Meta в процессе анализа снимков показала себя наиболее адекватной и точной.

Итог: модели не увидели ничего серьезного. Все они сошлись на том, что разрывов нет. То, что врач принял за травму, оказалось просто нагрузочной дегенерацией (абсолютный вариант нормы для велосипедистов). Причина забитости крылась в банальном воспалении сухожилия от перетрена, из-за которого мозг программно "отключил" силу левой ноги.

Мнение третье: Спортивный врач в США
И вот сегодня я, наконец, дошел до профильного спортивного врача в Штатах. И знаете что?

Вердикт: ноги абсолютно здоровы! Никаких разрывов мениска, никаких туторов на полтора месяца и тем более операций. Мне разрешили продолжать тренировки в нормальном режиме и просто направили к спортивному реабилитологу, чтобы работать с тем самым дисбалансом сил и слабостью левой ноги, из-за которой всё и началось.

Вывод
Понятно, что LLM широкого профиля не являются сертифицированными медицинскими инструментами. Но в моем случае грамотный промптинг и использование профильной OpenEvidence дали взвешенное второе мнение.

Это помогло мне не поддаться панике, не пить тяжелые таблетки, не заковать здоровую ногу ортез на 6 недель (что привело бы к атрофии мышц) и спокойно дождаться приема нормального специалиста.

А вы доверяете ИИ анализ своих медицинских данных или пока относитесь со скепсисом? Пишите в комменты

🚀 Влад Корнышев про AI и создание AI-продуктов

Быстрый старт - быстрые похороны: как вайбкодинг убивает продукты

Уже больше года мы живем в мире, где существует вайбкодинг. За это время многие начали экспериментировать с новыми инструментами, пытаться внедрить их в свои процессы, а кто-то даже благодаря им смог построить свой бизнес. Буквально недавно натыкался на подборку стартапов, которые сделали свои MVP в Lovable. И это действительно круто.

Однако, как это обычно бывает, успешным инструментам начинают приписывать чудотворные свойства. На том же YouTube и промо к курсам по AI часто можно встретить истории в стиле: “Я навайбкодил стартап, заработал $100k”.

Отдает какой-то Бизнес Молодостью, приправленной AI. Продвигается нарратив, что любой человек может навайбкодить приложение, которое станет масштабируемым бизнесом.

И действительно, если раньше нужно было уметь кодить или иметь деньги на разработку. То сейчас за 20 баксов ты можешь собрать полноценное приложение. И да, рынок сейчас в такой фазе, что можно на коленке собрать сервис, который в моменте решит чью-то микро-боль и даже принесет первые деньги. Но навайбкодить продукт ≠ сделать хороший продукт.

И вот почему
1. Продуктовая пустота. Многие идут в разработку без нормально проработанного ТЗ, без CJM и понимания болей ЦА. Пишут абстрактное: “Сделай мне приложение для Х”. В итоге получается дизайн ради дизайна. LLM собирает интерфейс, но она не исходит из первоначальных болей. Крутые продукты получаются либо у тех, кто умеет проектировать UX и понимать аудиторию, либо у тех, кто шарит в определенной теме, например, в формате хобби.

Допустим, я увлекаюсь велоспортом и знаю как тут все устроено на любительском уровне. Поэтому если я пойду делать продукт под эту нишу, у меня есть неплохие шансы сделать годноту. Но отнимите у меня это хобби, а лучше - заберите продуктовое мышление и попробуйте придти с запросом на приложение для велосипедистов к AI. Без контекста LLM выдаст средненький трекер, который и так есть в смарт-часах. Итог - мы получим продукт, лишь создающий видимость решения проблемы. Масштабируйте это на количество идей у людей, и таких поделок станут тысячи.

2. Архитектурный тупик. Помимо того, чтобы сделать что-то востребованное и юзабельное есть еще задача, чтобы это работало нормально. И здесь у вайб-кодинга есть очень четкие границы применимости. Это отличный инструмент, чтобы быстро собрать прототип, проверить гипотезу, получить первый трекшн и найти PMF. Но не будучи техническим специалистом, ты никогда не сможешь заложить масштабируемую архитектуру. Ты не продумаешь устойчивость и безопасность и много других аспектов.

3. Проблема масштабирования. Проистекает из предыдущего. Для полноценного запуска на скейле и поддержки требуется нормальная доработка. Если ты хочешь 1000 DAU полагаться на LLM для проектирование инфраструктуры и правильной архитектуры работы с данными уже не надежно. Как работать с пользовательскими данными? Как обеспечить соответствие вашего приложения требованиям регуляторов? Как правильно разделить тестовую среду от продакшена? Большинство людей даже не задумываются об этих вещах, а нативно AI закладывает далеко не все. Здесь нужен уже не вайбкодинг, а AI-assisted-кодинг и люди, которые покажут AI что и как делать, давая ему ОС.

Глобальная идея о том, что вайб-кодинг позволит абсолютно всем штамповать крутые продукты - это утопия. Инструмент снизил порог входа в написание кода, но не в проектирование систем и смыслов. Без этого нас ждут поломанные CJM, проблемы с производительностью, дыры в безопасности и прочие прелести.

Причем самое интересное, что вайбкодинг - лишь одно из проявлений AI в нашей жизни, просто самое хайповое. Самих же направлений его влияния намного больше, и каждое имеет свою специфику и подводные камни.

Сейчас с коллегами собираем камерную лабу по этой тематике. Разложим, как на нас влияет AI с разных сторон и что с этим делать.

Анонс уже скоро, а пока давайте вернемся к теме поста: с какими проблемами сталкивались вы, пытаясь сделать продукт чисто на вайбе?

🚀 Влад Корнышев про AI и создание AI-продуктов

Как не потерять продукт и архитектуру мышления, когда половину работы делает AI

Вижу, что последний пост очень вам откликнулся - в комментариях развернулось активное обсуждение, где вы делились своими мыслями и кейсами.

Но проблема, которую мы затронули, лежит далеко за пределами только вайбкодинга. С повсеместным внедрением нейросетей многие столкнулись с примерно таким флоу: ты просишь человека сделать работу, он скармливает задачу в LLM и присылает тебе чистую копипасту. Либо ты сам ловишь себя в ситуации, когда бездумно отправляешь сгенерированный текст дальше по цепочке.

Очень часто я слышу мнение: "Если LLM делает работу на уровне среднестатистического сотрудника, то почему бы не заняться копипастой?".

На мой взгляд, тут огромная пропасть. Есть разница между тем, чтобы работать со среднестатистической командой (и самому быть таким же), и тем, чтобы работать в крутом коллективе, который развивается сам и развивает тебя. И главное отличие здесь кроется в том, кто в итоге принимает решения. Я не раз писал про долгосрочные эффекты от бездумного использования ИИ, которые включают снижение когнитивных функций. Слепая копипаста - это прямой путь к такой деградации.

Чтобы системно разобрать эту проблему, 28 мая мы проводим Decision Lab - мини-конференцию про осознанное партнерство с технологиями.

В фокусе - deep dive в то, как пересобрать операционную модель мышления, когда в цепочке принятия решений появляется AI.

За что отвечаю я:
Я забираю техническую и продуктовую логику. Разберем иллюзию всемогущества ИИ и почему систему сначала нужно спроектировать на бумаге, а только потом отдавать на реализацию алгоритмам.

Но продукт не существует в вакууме. Вместе со мной выступают другие ребята-практики, которые посмотрят на проблему со стороны стратегии, продаж и исследований:

• Виолетта Усанова - Fractional COO, ex 4dev.com, Netology, Skyeng, SberEducation. Разберет, какие решения безопасно отдавать ИИ на уровне стратегии, а где бизнесу критически важно сохранить контроль и маркер авторства.
• Свят Дворецкий - Head of Growth в Inxy.io, серийный предприниматель. Расскажет, почему дешевая "AI-персонализация" в рассылках убивает конверсию, и куда реально применять ИИ, чтобы изменить экономику воронки в B2B.
• Виктор Буто - Head of Research ONY (топ 3 в РФ по брендингу). Объяснит, как ИИ помогает в исследованиях искать паттерны, и в каких случаях делегирование ресерча AI - плохая идея.

Прошлую конференцию мы проводили с условием обязательных подписок на спикеров. В этот раз я не хочу абьюзить эту механику: подписка на ребят крайне приветствуется (ссылки зашил в имена), но сам вход свободный.

Единственное - так как это deep dive сессия, количество мест мы строго ограничили для сохранения кулуарности и комфортной секции Q&A.

📅 Когда: 28 мая, четверг, 19:00 Мск.

👉 Занять место и посмотреть детальную программу можно тут

Сходил на открытую лекцию в MIT по системному мышлению. Делюсь инсайтами.

Помните, я недавно писал пост про выбор программы Executive Education? В рамках этого ресерча решил позалетать на открытые лекции разных универов - благо, и MIT, и Stanford проводят их в огромном количестве.

Цели у меня тут сугубо прагматичные:
1. Посмотреть на лекторов и оценить качество подачи материала.
2. Пошерстить чат и понять, что за люди вообще потенциально присутствуют.
3. Оценить применимость отдельных предметов из больших программ к моим профессиональным целям.

В этот раз слушал профессора Джона Стермана. И вот какие главные выводы сделал в контексте моей специфики.

Иллюзия линейного планирования
Стерман говорит, что классическая модель "определил проблему - собрал данные - внедрил решение" сегодня уже не работает. Процессом сегодня управляют непрерывные петли обратной связи. Со своей стороны хочу заметить, что это очень сильно мэтчится с тем, что я вижу в работе с R&D и AI. Поэтому Agile процессы, циклы обратной связи, быстрое прототипирование, one-on-one с командой - все эти всевозможные штуки, направленные как на продукт, так и на команду, являются системной необходимостью.

"Побочных эффектов" не бывает
То, что менеджеры часто называют "непредвиденными побочными эффектами" - это просто результаты слишком узкой ментальной модели. Ускорение разработки - отличный эффект от генерации кода нейросетями. Но если выпустить такой код в коммерческий продукт без проверки, критические баги будут прямой закономерностью. Именно поэтому ревью со стороны разработчиков - это обязательный балансирующий цикл.

Роль "симуляторов полета" в инновациях
Людям бесполезно показывать правильные исследования - они не изменят свои подходы, пока не попробуют сами. В нашей практике роль такого симулятора играет процесс сборки POC. Мы прогоняем логику продукта дешево и тестируем гипотезы в безопасной среде, прежде чем переходить к полноценной сборке приложения.

Спираль переделок
Одной из штук, которую показали на лекции, был симулятор управления организацией. Они очень прикольно показали, что попытки в микроменеджмент и постоянное давление на команду ради скорости - что сегодня вообще очень актуально - приводят к лавине переделок и провалу качества. Системный подход требует прозрачности и работы по четким майлстоунам, а частые запросы промежуточных технических артефактов только создают системное сопротивление.

Вывод из всего этого следующий. Сегодня мы, по сути, находимся в моменте, когда у нас с одной стороны есть хаос внутри и хаос извне. С другой стороны, есть острая необходимость все систематизировать, потому что система - это то, что позволяет нам грамотно управлять рисками, правильно планировать работу и обеспечивать итоговое качество.

В контексте сегодняшнего рынка и сегодняшних продуктов концепция управляемого хаоса становится нормой. Но при этом этот хаос должен быть жестко ограничен рамками инженерного контроля.

🚀 Влад Корнышев про AI и создание AI-продуктов

Продажи vs Продукт. Почему я позвал хардкорного B2B-сейлза на нашу Лабу

За долгое время работы как в корпорациях, так и в бизнесе, у меня образовался слой задач, которые я люблю и которые ненавижу. Я всегда позиционировал себя как человек с продуктовым мышлением. Мне по кайфу прочувствовать боль аудитории, продумывать бизнес-стратегию, собирать классные продукты и находить какие-то неочевидные решения.

Но вот что я не люблю - так это продажи.

Работая в найме, я очень часто видел огромный разрыв между тем, какой продукт делаем мы, и тем, как его преподносят клиенту. Скажу честно: я недолюбливаю маркетологов и продажников. Потому что часто это история вообще не про продукт. Я по своей сути терпеть не могу приукрашать действительность и пускать пыль в глаза. Я люблю говорить честно, откровенно и прямо. И в классических продажах у меня с этим случался жесткий дисматч.

Однако я не могу не признать, что продажи - это двигатель бизнеса. Без них не будет ничего другого. Сильнее всего я столкнулся с этим, когда начал развивать собственное агентство и образовательные продукты. Мне пришлось самому выступать в роли сейлза. И я могу точно сказать: это нифига не просто.

Продажи требуют очень тонкой связки с самим продуктом. И как человек, который прошел через это, я понимаю, насколько ценен реально хороший специалист.

Сейчас, когда все выстроено вокруг ИИ, на рынке я вижу две крайности, которые убивают любой продукт:
1. Продажа магии. Это когда сейлзы не погружены в продукт и просто приукрашают его, чтобы закрыть сделку. Клиент покупает розовые очки, а затем сталкивается с реальностью, и продуктовая команда вынуждена разгребать негатив.
2. Иллюзия ИИ-аутрича. Многие решили, что лидген можно тупо делегировать нейронке. Закинул ЦА, попросил сгенерить скрипты - и ждешь деньги. Это полный булшит. Получаются сухие, однотипные тексты, которые вообще не цепляют. У аудитории наступает баннерная слепота, потому что отличить норм оффер от ИИ-спама становится невозможно.

Хороший спец по продажам должен быть не только грамотным и погруженным в продукт, но и не подаваться всему этому шуму вокруг AI-сейлзов.

Именно поэтому 28 мая на нашей Decision Lab к нам присоединится Свят Дворецкий.

Свят - Head of Growth и отвечает в своей компании за B2B-коммуникацию. И он как никто другой понимает, что в 2026 году сила ИИ в продажах не в спаме 1000 одинаковых писем, а в том, как он меняет подход к самим продажам: от первичного ресерча до адаптации под конкретного клиента.

Например, мне нереально зашел вот этот пост про проблему читаемости холодных рассылок и как здесь может быть полезен ИИ. И подобных материалов у Свята очень много, поэтому кто интересуется темой продаж - рекомендую подписаться.

А на нашей лабе Свят подробнее расскажет о том, как не потерять человеческую логику на этапе продажи продукта.

Напомню, что зарегаться можно по ссылке.

Учеба в США - почему я не выбрал MBA

Образование в США - наверное, одна из немногих вещей, за которой стоит сюда ехать. Ведущие лабы и близость Силиконовой долины делают учебу здесь привлекательной не только с точки зрения шильдика, но и крутого нетворкинга, а также возможности узнавать инфу про AI из первых рук.

Тема интересная, а достать по ней что-то часто бывает сложно, поэтому в решил в канале подробнее освещать вопросы обучения и своего выбора.

На момент принятия решения о переезде я все еще работал в Pearson и должен был получить американский контракт сразу по прибытии в США. Исходя из этой логики, у меня был план: запросить у работодателя спонсорство MBA для меня, попутно пройдя пару Executive-программ (про них напишу отдельно).

Однако жизнь вносит свои коррективы: в Pearson ограничили бюджеты и заморозили найм в Штатах, а другую работу в США я решил не искать. При этом уехать отсюда, не проучившись, было бы опрометчиво. Поэтому пришлось продумывать новый план и посмотреть на MBA под другим углом.

Цена вопроса
Первое, что отталкивает от местного МВА - жирная стоимость. Фулл-тайм программы легко выходят за $120к за 2 года. В Michigan Ross (которые одними из первых проинвестировали в OpenAI) была гибридная программа (являющаяся одной из лучших в США и включающая обучение в Европе), но и она стоила около $90к. При желании суммы собрать можно, но когда ты живешь не один, находишься в иммиграции, и весь первый год уходит на адаптацию - делать такие инвестиции без предсказуемого и быстрого ROI из своего кармана довольно рискованно.

Релевантность нетворкинга
Подавляющее большинство ребят, обучающихся на МВА - это бывшие технари либо смежные сотрудники, которых поставили на управленческую позицию и отправили учиться управленческим компетенциям. Для меня основная цель нетворкинга - найти потенциальных клиентов, бизнес-партнеров и просто интересных людей. Нетворк же, который дает MBA, часто даст тебе возможность куда-то зарефералиться, а вот все остальное - гораздо реже.

Релевантность знаний
Имея за плечами завершенную магистратуру МГУ, я глянул на список предметов, которые предлагают универы, и был удивлен тем, что на 90% набор совпадал с моей магой. Новых предметов - штук 5 от силы. При этом огромное количество старых и абсолютно не нужных мне: типа экономики, финансов и бухучета. 2 года повторять уже изученное, получая минимум новых знаний и минимальный нетворкинг - явно не то, что стоит $100к+.

Время на обучение
MBA здесь - не та история, которую получится легко совмещать с работой, а если ты делаешь свой бизнес, то сложность возрастает кратно. Чтобы спонсировать свое обучение - надо зарабатывать, а чтобы инвестиция не пропала зря - надо учиться. Получается замкнутый круг.

Кстати, проблемы с нетворкингом, графиком и релевантностью знаний решаются, если пойти не просто на MBA, а на Executive MBA. Но тут есть два "но". Во-первых, это еще дороже. Во-вторых, эта история не подходит мне по опыту - у меня просто нет стольких лет опыта в топ-менеджменте корпораций

Вступительные экзамены
Еще один жирный минус любого MBA - нужно сдавать GMAT и вступительные. Да, есть способы пройти какие-то внутренние курсы, и они пойдут в зачет GMAT (например, так можно было сделать в Ross), но все равно подготовка - это еще один слой работы, который отнимает кучу времени.

По итогу, поресерчив и написав паре выпускников, я понял, что я просто не ЦА МВА. Да, МВА звучит круто, этим можно понтоваться, но лично для меня ценность его минимальна.

Кому подойдет этот трек:
• Если за вас платит работодатель;
• Если вы хотите для себя статус Alumni и привилегии, связанные с ним (закрытый нетворк и понты);
• Если у вас нет управленческого образования - вы точно не пожалеете. Много где обучение строится на кейсах крутых компаний, где вам предстоит работать со стартапами и реальными продуктами;
• Если вы хотите строить корпоративную карьеру и получить оффер через MBA. Видел много таких кейсов.

В следующем посте расскажу подробнее про Executive-программы.

🚀 Влад Корнышев про AI и создание AI-продуктов

Так ли хорош Claude за $20?

Давние подписчики канала знают, что моя основная модель и главная подписка - это Gemini. Но периодически под специфические задачи я беру подписки на другие сервисы. В этот раз образовался подходящий пул задач, и я взял Claude за $20, но не просто под эти задачки, а решил еще в фулл-тайм пользовании и посмотреть,сможет ли он заменить Gemini для меня.

Задач было много: собрать несколько кастомных скилов, продуктовую доку, презентации, внести пару правок в код и обновить материалы буткемпа.

Начну с плюсов
Хоть я и не кодил прямо очень много, но где я успел попробовать Opus 4.7 - он был реально хорош. Однако это было понятно и без покупки Claude по тому, как модель работает в том же Cursor. Здесь без откровений.

Второй ощутимый плюс - работа со скиллами и агентские задачи. Если хорошо описать задачу через скилл или иметь готовый workflow, модель справляется на высоком уровне, можно почти не париться за результат.

После пользования сервисом у меня остались смешанные впечатления от выполнения непосредственно рабочих задач.

Самое большое разочарование - это лимиты
Подписка за $20 ощущается просто как демо-версия. У меня есть обкатанный workflow создания презентаций: я собираю их в HTML, а затем конвертирую в PDF. Решил применить этот же подход в Claude, и моментально упирался в лимиты. Собираю презу, вношу один цикл правок, начинаю второй - Claude пишет: "лимиты все, приходите в 11". Возвращаюсь в 11, делаю еще пару правок, добавляю слайд - "приходите в 16". В итоге задача, которая должна занимать пару часов, растянулась на весь день!

Для сравнения: в Gemini на таком же воркфлоу я успеваю сделать 3 полноценные презентации до того, как упрусь в ограничения. И даже если упираюсь, Google оставляет доступ к Flash или Thinking моделям и я могу поделать что-то еще. У Клода же даже Sonnet не дает ничего сделать. Из-за этого мой рабочий процесс свелся к тому, что я начинал задачу в Claude, а потом экспортировал ее и добивал в Gemini, потому что ждать отката лимитов было просто невозможно.

Другие минусы, с которыми я столкнулся
1. Удержание контекста. На длинных транскриптах модель периодически теряет детали. При создании документов из таких исходников часто вылезали косяки: использовались не те слова, не те термины. Приходилось тратить время на правку кучи мелочей.
2. Визуал и верстка. Клод делает прикольные штуки, но, как и любая другая LLM, забывает про симметричность, выравнивание и одинаковость блоков. Чтобы поправить дизайн, модель заново перечитывает весь HTML-код, сжигает кучу токенов, и - снова привет, лимиты.
3. Тексты. Раньше Claude был для меня лучшей моделью для написания текстов. Сейчас же его генерации для документации и постов стали слишком пластиковыми и корпоративными. Мне такая тональность вообще не нравится. В плане creative writing Gemini сейчас справляется гораздо интереснее (ну либо он уже мой стиль изучил).
4. Агентская негибкость. Скиллы работают круто, но я почитал, как Клод мыслит: он часто достигает результата через лишнюю перепроверку самого себя, что жрет токены. При этом в базовом интерфейсе нельзя вмешаться в процесс. Если в Manus или Perplexity Computer ты можешь дослать требование агенту на лету и он его учтет, то в Клоде ты сидишь и смотришь, как модель свернула не туда. Написать "не делай так" в процессе нельзя. Приходится ждать конца, тратить токены на переделку и снова лететь в лимиты по кругу. Мне сейчас гораздо ближе человекоцентричный подход, где я могу рулить процессом и корректировать его.

В общем, ИИ-обвязка и агентские фичи сделаны здорово, но пользоваться этим за $20 - боль. Конкуренты дают гораздо больше свободы. В том же ChatGPT или Gemini я редко упирался в потолок. К тому же подписка за 20 баксов в Google дает облако и кучу других сервисов, плюс я делю ее с женой и мамой без доплат, и у них такие же огромные лимиты. А еще можно создать себе 2 акк и добавить в семью 😁

Хватает ли вам лимитов на Claude за 20 баксов или вы уже перешли на 100, или же вообще используете другие LLM?

🚀 Влад Корнышев про AI и создание AI-продуктов