Автоматизация или ИИ-агент? На прошлой неделе у меня был звонок с агентством, внедряющим ИИ в компаниях. Серьёзные ребята: больше двадцати сотрудников, много клиентов. Обсуждали форматы сотрудничества. Но спустя тридцать минут общения меня стало смущать, что все свои кейсы они называли «внедрением ИИ-агентов». Предложил притормозить и сверить карты: спросил, различают ли они понятия «автоматизация» и «агент»?

В ответ услышал: «Клиенту всё равно, агент это или автоматизация; главное, чтобы работало». Согласен: тому, кто не строит систему, разницы может и нет. Хотя звучит это как: «Пациенту без разницы, какое лекарство выписал врач — лишь бы помогло. Но если доктор не знает, что именно лечит, будут осложнения». Поэтому давайте разберёмся, в чём главные отличия между автоматизацией и агентами.

Что такое автоматизация?
Это когда вы явно прописываете каждый шаг, а система лишь исполняет инструкции. Пришёл лид — сохрани данные, отправь письмо, обнови CRM, сообщи отделу продаж. Даже если внутри вы дёргаете GPT для классификации текста, это всё ещё автоматизация: логику контролируете вы.

Подходит, когда задачи повторяются, данные структурированы, а вам нужна предсказуемость. Дёшево, быстро, стабильно — так работает подавляющее большинство бизнес-процессов.

Что такое агент?
Агент нужен, когда процесс нельзя полностью расписать заранее. Вы задаёте цель, а система сама решает, какие инструменты и данные ей потребуются. Она рассуждает, запрашивает информацию, по ходу создаёт подзадачи. Это необходимо, когда данные неструктурированы, проблема открыта и вариантов много.

Например, если нужно не просто занести лида в CRM, а проанализировать бизнес-процессы компании, оценить соответствие продукту и только потом решить, назначать ли созвон или просто добавить запись в CRM — правилами не обойтись, нужен агент.
То же в саппорте: если все вопросы укладываются в скрипты — автоматизация. Если система читает профиль клиента, ищет ответы в базе знаний, формулирует ответ и решает, куда закинуть запрос — это уже агент.

Хотя обычно сочетают оба подхода: сначала автоматизация отрабатывает шаблонные случаи; при неоднозначности управление передаётся агенту. Или наоборот: агент планирует, автоматизация исполняет. Такая архитектура более устойчива и масштабируема.

Если вы создаёте простые воркфлоу на n8n для заказчиков, ваша задача — не «строить агентов любой ценой», а понимать, когда нужен агент, когда достаточно автоматизации и как их комбинировать. Это экономит ресурсы, время и деньги, то есть помогает подобрать правильное «лекарство». Не болейте. А с ребятами мы, кстати, так и не договорились.

И не забывайте, что у нас за пару месяцев самоорганизовалось большое комьюнити из 2500 человек, которые нехило так шарят в ИИ! Настоятельно рекомендую запрыгивать в наш чат @prompt_chat — он бесплатный и максимально полезный.

Я никогда не просил о таком, но хочу попробовать. Если у вас есть аккаунт в Threads — поддержите мой пост о нашем комьюнити (чате) - можно лайк или комментарий поставит. Очень хочу, чтобы к нам больше людей присоединилось.

Apple меня немного расстраивает текущей презентацией https://www.youtube.com/live/0_DjDdfqtUE?si=8Ujt3Ckj0HlVvx9y — революции в интеграции искусственного интеллекта в iOS не случилось. Немного «локальных» моделей. Сделали, что-то типа ИИ-Агента, управляющего некоторыми процессами на телефоне. Я расстроен.

Я уже знаю, как буду дорабатывать свой «шлепатель»

В 2025 году зарелизили: o3, Veo 3, Llama 4, Gemma 3, GPT-4.1, o4-mini, Gemma 3n, Grok 3, Imagen 4, DeepSeek R1, gpt-image-1, OpenAI Codex, Flux Kontext, Qwen 2.5 Omni, Midjourney v7, Gemini 2.5 Pro, Gemini 2.5 Flash, Claude 4

А еще только июнь...

Сэм Альтам написал новый пост о том, что нас ждет в будущем (если будем платить 20 баксов за ChatGPT). А именно о старте "мягкой сингулярности" и робо-строителей, которые возведут дата-центры по всему миру, чтобы сделать доступ к ИИ почти (!) бесплатным. Сделал перевод основных тезисов: https://teletype.in/@prompt_design/The-Gentle-Singularity

Решил привести все ниши заработка на n8n, которые знаю, в один структурированный список. Вышло не так много, всего 11. Если у вас есть ещё какие-то интересные способы, про которые я не знаю, поделитесь в комментариях нашего чата @prompt_chat — я добавлю.

1) Абонентская «ИИ-автоматизация-как-сервис» (ретейнер)
≈ 1000-2000 баксов/мес за постоянный аудит, построение, оптимизацию и поддержку воркфлоу (контракт минимум 3 месяца).

2) Разовый set-up / onboarding-платёж
≈ $800 - 2000 единовременно за быструю первоначальную настройку и обучение команды.

3) Почасовой консалтинг
≈ $30-70/час — удобно стартовать, но сложно масштабировать: клиенты считают часы, а не ценность.

4) White-label-партнёрство с маркетинговыми агентствами
Агентство продаёт автоматизацию под своим брендом, вы строите воркфлоу; получаете поток тёплых лидов без собственных продаж.

5) Хостинг и техподдержка n8n
Разворачиваете инстанс, предоставляете SLA, бэкапы, мониторинг. Доход — подписка или тариф за каждое исполнение.

6) Партнёрские программы / реферал-доход
Клиентов регистрируют по вашим ссылкам (n8n Affiliate, OpenAI, ElevenLabs, Twilio и др.) — получаете 5 – 30 % их платежей.

7) SaaS-продукты поверх n8n
Пример — FlowMetr для мониторинга воркфлоу, либо готовые решения (ИИ-рецепционист, генератор лидов, агрегатор вакансий). Доход — подписка или лицензия.

8) Обучение и коучинг
Курсы, мастер-майнды, наставничество «Как выйти на ≈ млн с n8n» и другой инфобиз.

9) Discovery-аудиты процессов
Однодневное обследование, карта зон автоматизации, бизнес-кейсы. Обычно фикс-прайс ≈ 900 – 5000 долларов, хорошая конверсия в ретейнер.

10) Фриланс / субподряд
Upwork, FL.ru, Telegram-чаты — берёте узко-технические задания; оплата по рыночной ставке.

11) Готовые workflow-темплейты и кастом-узлы
Продаёте пакеты готовых сценариев или собственные ноды для n8n. Типичный чек — 50 – 1000 баксов за комплект.

Моё любимое занятие — расспрашивать людей о том, какие ИИ‑автоматизации они применяют в работе. За последний год я собрал более сотни реальных кейсов, экономящих десятки часов. Вот некоторые из них:

1) Производственный календарь (Google Sheets + QUERY/ARRAYFORMULA) – отдельный лист строит горизонтальный таймлайн на 50 × N строк: каждая колонка – день, строки сгруппированы по 5 линиям. Формулы читают статус из основного плана, перекрашивают ячейку в красный, если в связанном листе «Shortages» указана нехватка сырья.

2) Sheet → «Daily Flow» (Apps Script trigger «onEdit») – при изменении плана заказ автоматически «спускается» по столбцам -8/-7/-6 дней и помечает, что именно должно быть сделано к каждой дате (печать, сборка, контроль качества).

3) Кросс-постинг контента (n8n + Puppeteer + Buffer API) – узел получает Markdown-пост, генерирует карусель-изображения (Canva API), формирует текст/хэштеги, кладёт задачи в очередь Buffer; дочерние узлы публикуют в X/Threads/BlueSky и т.д. по расписанию.

4) PRD-бот в Telegram (Telegram API → Runbear → OpenAI → Notion API) – когда в чате #ideas появляется цепочка ≥ N сообщений, бот извлекает контекст, просит GPT-4 составить PRD по шаблону, пишет файл в Notion и шлёт ссылку инициатору.

5) Напоминания + эскалация (Power Automate + SharePoint List) – каждая задача в списке содержит «due date»; за 24 ч отправляется Teams-алерт исполнителю, по истечении срока – сообщение в чат руководителю.

6) Фоллоу-ап по e-mail (Gmail API + Python + OpenAI) – скрипт каждые 15 мин сканирует входящие, ищет открытые вопросы и если нет ответа > 48 ч; LLM формулирует короткое напоминание-черновик и помечает письмо звездой.

7) SERP-отчёт (Make/Integromat + Google Custom Search API) – модуль берёт ключи из Google Sheets, вызывает API, парсит позиции в выдаче, пишет обратно и генерирует PDF через Google Docs API, отправляя клиенту на e-mail.

8) Автосборка статьи (Python pipeline + OpenAI + CMS API) – скрипт делает keyword research, кластеризацию (scikit-learn), просит GPT-4 написать черновик, добавляет meta-теги и JSON-LD, затем через API планирует публикацию в WordPress.

9) Отраслевые новости (Python + Newspaper3k + SMTP) – cron-job обходит список URL, извлекает новые статьи, формирует digest-html и шлёт команде.

10) Telegram/SMS → Notion task (Zapier webhook) – любое сообщение, начинающееся с «todo:», создаёт новую карточку в базе «Tasks» с дедлайном T+1 день.

11) ИИ-автоответчик поддержки (Flask API + OpenAI + PostgreSQL KB) – входящие письма через IMAP, классификация тематики, поиск ответа в базе знаний, генерация ответа GPT-4, отправка SMTP; логи хранятся для обучения.

12) LinkedIn outreach (Reachy.ai SaaS) – сервис ищет «тёплые» сигналы (смена должности, лайк поста), формирует персональное сообщение и запускает цепочку follow-ups с паузами 3-5-7 дней.

Как ИИ-челноки перевозят терабайты датасетов самолетами

Недавно журналисты WSJ раскрыли схему, как китайцы обучают свои модели на чипах Nvidia.

С 2022 года США постепенно ужесточают экспорт высокопроизводительных ИИ-чипов (Nvidia H100 и др.) в Китай, и разработчики из Поднебесной ищут «лазейки», чтобы всё-таки использовать американское «железо».

Например, в марте этого года четыре инженера из Пекина прилетели в Малайзию с 80 ТБ данных (по 15 дисков в каждом чемодане). Там они залили данные на ≈ 300 арендованных серверов с чипами Nvidia, обучили модель и вернули уже готовые веса обратно в Китай.

Кстати, если бы они решили сделать всё онлайн, передача десятков терабайт заняла бы месяцы, а к тому же можно было бы попасться на проверке трансграничного трафика. А так — несколько часов в самолёте, пара недель на обучение модели, и можно возвращаться домой с флешкой на сотню гигабайт весов.

Весь этот бизнес неплохо подпитывает местную экономику: китайские фирмы оформляют сингапурские и малайзийские «дочки», чтобы арендовать вычислительную мощность без прямого упоминания китайского бенефициара. В Сингапуре, Малайзии, Таиланде и Индонезии уже ≈ 2 ГВт ёмкости ЦОД — сопоставимо с мощностями Лондона и Франкфурта вместе взятых. Импорт ИИ-чипов в Малайзию из Тайваня в марте–апреле 2025 г. составил $3,4 млрд, превысив весь 2024 год. Частные фонды ЮВА уже вкладывают миллионы в покупку ИИ-серверов «под сдачу в аренду китайцам»: ребята рубят реальные деньги, пока мы ждём очередного обновления DeepSeek.

Совсем забыл, теперь вы можете меня читать не только в Телеграм и Тредс, но и на VC.ru — редакция платформы предложила транслировать к ним ленту канала.

Давно не писал о NotebookLM, между тем использую его каждый день в работе. Помните, я сравнивал LLM с экзоскелетом для мозга? Так вот, NotebookLM справляется с этой задачей лучше любого из коммерческих ИИ-продуктов. Хочу поделиться кейсами, которые применяю ежедневно:

1) Репетитор — два раза в неделю у меня занятия испанским по Zoom. Записываю уроки, загружаю транскрипт и прошу: «Суммируй занятие и составь 30-минутные практики на 7 дней (каждое следующее строится на предыдущем), объясни непонятные правила и задай контрольные вопросы».

2) Писательский Masterbook — уже давно пишу книгу об истории своего стартапа (в ленивом режиме) и веду Google-док с главами, персонажами и темами; добавил публикации и видеоинтервью в СМИ. Прошу LM искать несостыковки и связи между историческими событиями и сюжетом; после правок жму «Sync with Drive», и база обновляется.

3) Инструкции по детям — у меня трое детей разных возрастов, и часто возникают вопросы вроде «как поддержать подростка?» или «как мотивировать школьника больше читать?». Поэтому закинул в блокнот PDF-версии книг по детской психологии и воспитанию. Когда не знаю, что делать, просто спрашиваю NotebookLM — он сразу даёт ответ с ссылку на конкретную главу.

4) Обслуживание автомобиля — запросил у дилера PDF с полной историей сервиса. Notebook строит mind-map: вижу каждую замену детали, могу спросить «Когда меняли масло?» и распланировать следующий визит.

5) Путеводитель — загружаю маршрут, брони, YouTube-ролики с обзорами; в дороге спрашиваю: «Где перекусить между Владимиром и Казанью?»

6) Подкаст о клиенте — перед консультациями клиенты присылают кипу материалов. Делаю из них 10-минутный подкаст, чтобы послушать по дороге. После встречи загружаю транскрипт диалога — иногда всплывает много интересного.

7) ИИ-ассистент — подгружаю пачку свежих статей по узкой теме, прошу краткие инсайты, сравнение методик и список нерешённых вопросов. Обычно делаю это перед планированием публикаций в телеграм-канал.

8) Работа над ошибками — загружаю все транскрипты Zoom-сессий с клиентами за неделю, прошу найти часто повторяющиеся вопросы и общие паттерны — полезно для подготовки к следующим консультациям.

9) Генеалогические изыскания — сделал отдельный «ноутбук», куда в «источники» загрузил всё, что нашёл по истории семьи: справки, выписки, опросы родственников.

10) Работа с Deep Research — особое удовольствие — закинуть в NotebookLM пачку исследований из ChatGPT (Deep Research) или Perplexity (Research) по одной теме и наконец погрузиться в материал.

Я намеренно сконцентрировался на личных сценариях, а не рабочих, потому что там кейсов ещё больше. Если интересно — ставьте 🔥 — сделаю то же самое и для применения в рабочих процессах.

Скоро нас будет 3 000 участников в сообществе @prompt_chat — напоминаю ещё раз: если у вас есть вопросы про ИИ-агентов, сервисы или вы просто не понимаете, что здесь происходит, не стесняйтесь — спрашивайте, мы не кусаемся. Лучше вам про ИИ участники чата расскажут, чем какие-то непонятные личности в подворотне.

Только сегодня добрался до обновленного раздела «Projects» в ChatGPT и я впечатлен

Вы же помните все эти обновления от OpenAI в начале июня:
4 июня: подключили GitHub и Drive в Deep Research
7 июня: Voice Mode нехило так прокачали, очень «живой» голос стал
10 июня: запустили o3-pro (для Pro акаунтов)
12 июня: добавили все это в Projects

Что теперь можно делать в Projects:
⁃ Переносить любой чат в «Проект»
⁃ Загружать PDF-файлы, таблицы, изображения
⁃ Задавать инструкции для проекта («Веди себя как мой CFO», «Суммируй эту презентацию» и т. д.)
⁃ Нажать «Deep Research» → получить отчёт с ссылками, объединяющий ваши файлы + чат + веб-источники
⁃ Говорить, а не печатать (Voice Mode для Projects!)
⁃ Генерация изображений
⁃ Память на весь проект (для Plus/Pro)

Короче ChatGPT превращается в гибрид Notion с голосовым помощником и исследовательской системой.

Как я использую новую функцию «Tasks» в Perplexity

Наконец-то они услышали мои молитвы и добавили этот функционал в инструментарий.

Итак, что это такое?
Tasks позволяет задавать отложенные действия — искать и анализировать информацию по расписанию.

Например, каждое утро я делал подборку новостей и обсуждаемых топиков на Reddit. Руками вставлял ссылки на нужные сабреддиты и просил Perplexity дать краткое саммари по всем.

Теперь это делается автоматически: указываешь промпт с ссылками, выбираешь «ежедневно в 09:00» — и каждое утро тебя ждёт свежий отчёт.

Небольшой лайфхак, как вытаскивать аналитику из сабреддитов. Если просто дать прямую ссылку на нужный раздел, Perplexity выдаёт ошибку («Не могу получить информацию»).
Добавь к концу каждой ссылки «.rss» — сервис заберёт всё в RSS-формате, даже из закрытых разделов.

Я уже решил, что даже если вся эта акция с промокодами за пять баксов в год накроется, продлю подписку хоть за 200 — потому что она экономит мне уйму времени.

5 Июня писал про новый поиск по базам SEC/EDGAR (финансовым отчётам публичных компаний) в Perplexity.

Я тогда использовал его (Finance) в Labs, чтобы проанализировать ИИ-компании в которые можно инвестировать.

Результатом была рекомендация обратить внимание на компанию Palantir (и еще пару).

Сегодня зашел посмотреть, как она себя чувствует. Оказалось +18% за 12 дней.

Люди тупеют, используя ChatGPT — правда, пока лишь в рамках исследования MIT. Прочёл я эту нашумевшую работу на 150 страниц, и, знаете, Америку они, конечно, не открыли, но есть о чём задуматься.

В общем, формат исследования был следующий:
MIT решили выяснить, как использование ChatGPT влияет на работу мозга при выполнении интеллектуальных задач. Для этого они пригласили 54 студента из ведущих университетов Бостона и разделили их на три группы.

Первая группа (LLM-группа) использовала только ChatGPT для написания эссе. Вторая группа (Search Engine) могла пользоваться поисковыми системами и интернет-ресурсами, но ChatGPT был запрещён. Третья группа (Brain-only) писала эссе исключительно своими силами.

Каждый участник прошёл через три основные сессии плюс дополнительную четвёртую, где группы поменялись местами. Во время написания эссе учёные записывали активность мозга с помощью электроэнцефалографии (ЭЭГ) — метода, который позволяет отслеживать электрические сигналы в мозге.

Участники, которые писали эссе сами (Brain-only), показали самую высокую мозговую активность — их нейронные сети работали наиболее интенсивно. Группа, использовавшая поисковые системы (Search Engine), демонстрировала промежуточный уровень активности. А вот у тех, кто полагался на ChatGPT (LLM-группа), нейронная связность была значительно слабее. Короче, главный вывод в том, что когда ИИ выполняет за нас часть интеллектуальной работы, наш мозг начинает трудиться менее активно.

Но там ещё кучу всего выявили. Например, когда у студентов из LLM-группы попросили процитировать фрагменты из эссе, 83 % участников вообще ничего не вспомнили. А ещё половина из этой группы сказала, что не ощущает текст своим (чувство авторства). Потом они поменялись местами, и LLM-группа должна была написать эссе без ChatGPT — почти все демонстрировали пониженную нейронную связность: их мозг словно «отвык» от самостоятельной интенсивной работы.

Вот выдержки из исследования, которые мне запомнились:
- В первой сессии 83 % участников LLM-группы не смогли правильно процитировать что-либо из эссе, написанного с помощью ChatGPT всего минуту назад. Ни один из 18 человек не привёл точную цитату — признак отсутствия глубокого запоминания.
- Контраст: в группах Search Engine и Brain-only лишь 11,1 % испытали ту же проблему; к третьей сессии 100 % участников этих групп уже свободно цитировали свои тексты.
- Нейронные связи систематически сокращались с ростом внешней поддержки ChatGPT.
- Brain-only показала самые сильные и обширные связи, Search Engine — среднюю активность, LLM — самое слабое общее связывание.
- Пользователи LLM-группы испытывали на 32 % меньшую когнитивную нагрузку: критическое мышление сменялось пассивным наблюдением. ChatGPT упрощает синтез информации, снижая усилия на построение ментальных схем.
- У участников LLM-группы, перешедших в режим «Brain-only» в четвёртой сессии, проявился эффект когнитивного долга: задания без ИИ они выполняли заметно хуже. Снизились критическое мышление, креативность, выросла уязвимость к манипуляциям.
- LLM-группа делала однообразные, типовые эссе, но ChatGPT их оценивал выше всех (ха-ха).
- Интересно, что полностью удовлетворена своими текстами осталась только группа Search Engine.

Если интересно, ниже выложил вольную интерпретацию исследования, сделанную (конечно!) ChatGPT-o3, и подкаст от NotebookLM.

https://teletype.in/@prompt_design/Brain_on_ChatGPT

Не забывайте, что все самые интересные дискуссии и инсайты, а также инструкции выдаются в нашем сообществе @prompt_chat - надеюсь на этой неделе нас будет 3000! Не знаю почему это важно, но мне нравятся круглые числа.

Как пользоваться Perplexity?

Заметил, что часто в комментариях нашего сообщества спрашивают: «А чем Perplexity лучше ChatGPT?» (вместо последнего можно подставить название любой LLM). Короткий ответ — это вообще не LLM, а инструмент для поиска информации. Длинный ответ ниже.

Что такое Perplexity
Perplexity AI — это поисковая система с ИИ, которая анализирует информацию из множества источников и предоставляет структурированные ответы с цитированием. Плюс — поиск в реальном времени в формате чата. А ещё вы можете выбирать, какая LLM будет «мозгом» вашего диалога (Sonar, GPT-4.1, Claude 4.0 Sonnet, Gemini 2.5 Pro, Grok-3).

И как у любого инструмента там есть правила и лайфхаки, например в составлении запросов (промпта):
1. Чёткая инструкция — объясните, что должен сделать Perplexity (проанализировать, сравнить, объяснить и т. д.).
2. Контекстная информация — дайте фон для понимания задачи.
3. Конкретные данные — добавьте специфическую информацию для анализа.
4. Ключевые термины — сфокусируйте модель на важных деталях.
5. Желаемый формат ответа — укажите, как хотите получить результат (отчёт, список и т. п.).
Вместо общего «Как улучшить продажи?» спросите: «Какие методы маркетинга увеличивают продажи в секторе розничной торговли?».

Вообще я делю запросы на три основных типа:
Информационные. «Что такое», «кто такой», «когда произошло».
Пример: «Что такое солнечное затмение?»

Инструкции. Когда ужны пошаговые действия.
Пример: «Напиши инструкцию, как сбросить iPhone до заводских настроек».

Интерактивные. Диалог или ролевая ситуация.
Пример: «Представь, что ты менеджер по найму в IT-компании, а я прохожу собеседование на должность специалиста по контролю качества».

Кстати для факт-чека текста можно использовать такой шаблон:

<text> … </text> оцени точность, источники, бенчмарки, реальную применимость, ясность подачи и этические риски.

И так, какие ключевые функции есть в Perplexity:
• Deep Research. Исследовательский режим с отчётом и источниками.
• Discover. Трендовые темы и персонализированные рекомендации в реальном времени.
• Spaces. Рабочие пространства для проектов; можно делиться, загружать файлы, Можно использовать готовые шаблоны.
• Labs. Создание веб-приложений, анализ данных, генерация файлов (Pro).
• Tasks. Позволяет задавать отложенные действия — искать и анализировать информацию по расписанию.
• Share / Perplexity Pages. Делитесь результатами и превращайте отчёты в веб-страницы.
• Library. Коллекция ваших проектов и тем.

Sources (позволяет искать информацию в определенных источниках)
Web — поиск по всему интернету (по умолчанию).
Academic — научные базы и рецензируемые публикации.
Social — контент из соцсетей и форумов.
Finance — базы SEC/EDGAR и отчёты публичных компаний.

Для каких задач какие LLM использовать:
Sonar. Быстрый поиск, общие запросы (контекст 32 000 токенов).
GPT-4.1. Базовое программирование, точные инструкции (1 000 000 токенов).
Claude 4.0 Sonnet. Сложное программирование, агентские задачи (200 000 токенов).
Gemini 2.5 Pro. Анализ длинных документов (1 000 000 токенов, планируется 2 M).
Grok-3. Креативные задачи, неформальное общение (32 000 токенов).

Есть еще модели рассуждения:
Claude 4.0 Sonnet Thinking. Сложное программирование с демонстрацией логики (200 000 токенов).
OpenAI O3. Математика, сложная логика, PhD-уровень точности в физике и биологии (32 000 токенов).
R1 1776 (Perplexity). Задачи без цензуры, открытые дискуссии (32 000 токенов).

Да, почти все основные функции доступны только в Pro версии Perplexity, но еще можно воспользоваться кодами на годовой аккаунт. А когда эту тему прикроют, лично я перейду на платную версию за 20 баксов в месяц. Так как за год я уже привык к этому инструменту.

Цукерберг и Oakley представили сегодня новые ИИ-очки Oakley HSTN

Дисплей туда не встроили и назвали это Performance AI-очки, да и характеристики особо не улучшили:
(параметры Ray-Ban 2-го поколения указываю в скобках для сравнения)
- Целевая аудитория: спорт, активный lifestyle (lifestyle / создатели контента)
Материал оправы: O-Matter — ≈ 25 % легче и в 2 раза прочнее ацетата (ацетат / пластик)
- Камера: 12 Мп, запись видео 3K (12 Мп, 1080p)
- Автономность очков: ≈ 8 ч (≈ 4 ч)
- Запас в зарядном кейсе: +48 ч, ~8 полных дозарядок (+36 ч, ~6 дозарядок)
- Аудио: открытые динамики + 5 микрофонов (то же сочетание)
- Степень защиты: IPX4 — устойчивость к брызгам и поту (IPX4)
- Вес: точные цифры не раскрыты, но рама легче классической (133 г)
- Линзы: PRIZM, Transitions, спортивная оптика (150+ комбинаций, Polarized, Transitions)
- Цена на запуске: $399, лимитированная серия $499 ($299)
- AI: полный набор функций — голос, live-переводы, стримы (аналогичный функционал)

Я если честно не понял, почему они называют это геймченджером и обещают, что каждый обязательно захочет прикупить себе такие окуляры.