О тупиках при работе с моделями, управлении результатом генераций и личной ответственности

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 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.»

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