🌐 Бесплатный курс «Сигнал. Как сделать ИИ полезным в ежедневной работе.» → https://vk.cc/cWmkdH
«Личный опыт становится тем, что позволяет получать более качественный результат от модели. У модели этого опыта нет. У нее есть общий, генерализованный опыт и представление о том, что такое хорошо.»
«Запреты — это очень сильный инструмент для работы с моделями. Они очень хорошо фреймят и ChatGPT, и Claude код. Важно не перегибать, потому что можно отбить всю креативность.»
«Нам нужно знать, как выглядит хорошо. Если мы не знаем, то нам нужно спросить о том, как это хорошо выглядит, либо поискать, либо посоветоваться с кем-то из людей, может быть, с кем-то из более умных моделей или провести дип-ресерч.»
</code>
Ведущий:
Юра Агеев, основатель ProductSense
Конференция PeopleSense, 4–5 июня 2026 года, Москва
Сайт конференции: https://vk.cc/cWmki0
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
00:00 — Введение
01:22 — Cценарии применения ИИ: отказ, слепое доверие, магические промпты
04:34 — Живой пример, как пять строчек меняют всё
07:34 — Причины генерации бесполезных ответов
10:09 — Опыт как суперсила при работе с моделью
11:40 — Инструмент «контракт»: описание результата до старта генерации
12:55 — Пять элементов контракта с моделью
15:20 — Модель врет и не проверяет себя: пример с исследованием конкурентов
16:34 — Поддакивание моделей и эксперимент с шестью циклами
19:02 — ИИ только генерирует, но не верифицирует
21:46 — Якорение модели на случайных данных из контекста
23:01 — Почему проверка должна быть внешней и перекрестной?
24:30 — «Рваная» граница компетенций модели
28:31 — Ловушки доверия: от скепсиса до полной автоматизации
29:43 — Ответственность всегда остается за человеком
30:41 — Анонс бесплатного курса «Сигнал» от ProductSense
В подкасте упоминается:
— Исследование «Менеджмент продуктов 2025»: https://productsense.io/research25/
Словарь терминов:
— Якорение — фиксация модели на ранее упомянутых цифрах или решениях
— «Рваная граница» — невидимая и непредсказуемая граница между тем, что модель делает хорошо, и тем, где ошибается
