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

Об эпизоде

🌐 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.» 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