Вы, возможно, уже читали историю, где покупатель убедил ИИ-чат дать скидку в 8000 фунтов. И заметьте, пока еще нет никакого массового распространения агентов среди бизнеса и частных лиц. Мы имеем дело только с пионерами, но и они своими факапами и финансовыми расходами показывают остальным пространство возможных угроз.

Проблема ИИ-агентов в том, что они недетерминированы. Их поведение определяется набором шатких правил, но разработчики проектов, которые предлагают сейчас бизнесу агентов-рекрутеров, менеджеров, финансистов, не знают, как агенты работают внутри. И правда в том, что этого не понимают даже люди, которые создали ИИ-модели на основе которых работают агенты. В этом и заключается одна из особенностей современных технологий.

В конечном счете кажется, что всякому рациональному внедрению ИИ-агента требуется стадия предварительного анализа рисков, чтобы хотя бы понять, чем это может грозить.

Если бы у меня стояла задача методологически организовать внедрение ИИ-агентов, я бы, конечно, начал со списка рисков хотя бы от MIT AI Risk, чтобы очертить потенциальные угрозы, с которыми можно столкнуться и которые нужно учитывать.

В таких вопросах я консерватор. Мне нравится семь раз отмерить и никуда не торопиться. Потому что иллюзорный выигрыш в пару недель или месяц на старте может обернуться огромными потерями потом. Хотя мои наблюдения показывают, что сейчас предпочитают скорость осмысленности, обещания быстрых выигрышей — надежности результата. Но это уже тема для другого поста.

А плагин все-таки опубликовали, надо было мне более серьезно подойти к подготовке его описания и иллюстраций к нему https://chromewebstore.google.com/detail/%D0%B8%D1%81%D0%BF%D1%80%D0%B0%D0%B2%D0%B8%D1%82%D1%8C-%D0%BE%D1%80%D1%84%D0%BE%D0%B3%D1%80%D0%B0%D1%84%D0%B8%D1%8E/jmcpbcbcgoaffjdfffnjiaipmlolgojc?authuser=0&hl=ru

В очередном эксперименте с вайбкодингом я попробовал сделать RAG-поиск (Retrieval-Augmented Generation) для своего блога. Чтобы читатели могли задавать вопросы по всем статьям и получать ответы с источниками.

Программирование от меня далеко, но я довольно много занимался системной аналитикой и могу разрезать проект любой сложности на достаточно небольшие кусочки, чтобы его могла переварить ИИ-модель. Я так и поступил.

Вся задача заняла выходные. Я выделил два сервиса: один отвечает за сбор данных и их обработку, второй работает как сервис, к которому можно отправить запрос через API, и он уже занимается поиском.
Разделение на сервисы дает возможность упростить работу, и когда что-то одно готово, начинать делать следующее.

Второй плюс такого подхода в том, что я могу отправлять запросы к OpenAI без страха, что будет блокировка по IP.

Технологии я выбрал самые простые с точки зрения работы с ними, т.е. к ним легко подключаться, у них есть документация, они работают без проблем.

Под капотом: Supabase (векторное хранилище), OpenAI embeddings, GPT-4o mini для генерации ответов, Google Gemini для создания всего кода. Еще я использовал ChatGPT, чтобы получать ответы на непонятные вопросы или работать с непонятными ошибками. Gemini Build очень сильно заточен под написание кода и не склонен объяснять свои решения. Ну и чтобы не тратить лишние токены, вопросы для самообразования я задавал в ChatGPT.

Вместе со всеми настройками отдельно настроил системный промпт для запросов при поиске. Промпт вообще — это великое дело, и через него можно сильно улучшить качество ответов, и что немаловажно, противостоять попыткам взлома через промпты.

Итоги эксперимента: потрачено всего 3 цента за десятки тестов и прогонов (но в пике у меня было в базе всего около 700 страниц, так что низкие затраты определяются размером проекта). RAG-поиск реально собрать «на коленке» одному человеку со средним уровнем подготовки — без огромных бюджетов и команды, качество, может, будет не совершенным, но можно экспериментировать.

Видео на ютюбе: https://youtu.be/9Q_HHl02VHE

Немного запарился и сделал для блога новую страницу с услугами. Давно ее откладывал, а теперь она есть.

Под капотом WordPress, Foundation CSS, GSAP. GSAP MotionPathPlugin взял специально, чтобы страница запомнилась, а не просто информировала. Получилось или нет — посмотрим. Еще добавил котика, специально, чтобы создать эмоциональный якорь, иногда эмоции важнее правильной типографики.

Работал с помощью ИИ, и без него честно не справился бы. Код вышел не идеальным, легаси существующего сайта дает о себе знать, да и много нюансов, которые мне сложно отследить. Но страница живет, и это уже что-то.

Сделать детальные страницы под услуги будет следующим шагом. Пока буду считать это экспериментом и смотреть, к чему он приведет.

Вы наверняка знаете фразу: «Дай человеку рыбу, и он будет сыт один день. Научи его ловить рыбу, и он будет сыт всю жизнь», которую приписывают Лао-цзы или Конфуцию. Я и сам не раз ее повторял. Красивая фраза, и, казалось бы, в ней не может быть подвоха.

Но если посмотреть на рандомизированные исследования влияния денежных грантов для предпринимателей в сравнении с образовательными программами, то окажется, что образовательные программы значительно слабее влияют на благополучие людей.

Это подтверждается и исследованиями домохозяйств (Кения, Индия), которым либо давали деньги, либо проводили образовательные программы — обучение почти всегда оказывалось значительно менее эффективным и в краткосрочной, и в долгосрочной перспективе.

Только не подумайте, что обучение вообще не влияет. Влияет. Но, похоже, это не панацея. Его эффект невелик.

Правда, те же рандомизированные исследования в Кении под эгидой World Bank показали, что даже небольшой тренинг для предпринимателей дал +15% к росту по сравнению со средним по рынку. То есть обучение позволяет быть чуть лучше соседа, который не учился, более конкурентоспособным. Но, похоже, оно не может сделать человека богатым, для этого нужно что-то другое.

Очередной эксперимент с вайб-кодингом, и в этом ролике рассказ не о том, как все получилось, а о том, как зашел в тупик. Начиналось все банально: нужно было согласовать время со студентами дизайн-лаборатории. Сделал простой интерфейс на V0, людям понравилось, мне понравилось и я начал его улучшать. 53 промпта спустя у меня есть система с авторизацией, PIN-кодами, личным кабинетом, админ-панелью и даже с подлюченнием Grafana. Но что-то пошло не так.

Система внешне выглядит рабочей, но внутренняя логика поведения не поддается точному контролю — сценарии использования ломаются, ошибки воспроизводятся вне зависимости от того, используется легкая или reasoning-модель при кодировании. И не хочется прибегать к ручному кодированию, чтобы не переходить границу между вайб-подходом и традиционным методом создания проектов.

Что я попробовал?

Вначале попробовал формализация логики через flow-диаграммы (Mermaid) и sequence-диаграммы. При этом прогнал их через Claude для доводки. И в конце концов, перенес проекта в другой инструмент (Google Gemini) с передачей логики через диаграммы, чтобы проверить как ИИ следует логики диаграмм.
Пока окончательных выводов и результатов по эффективному использовании диаграмм для управления логикой вайб-кодирования у меня нет. Экспериментирую и пробую разные подходы.

Технологии в ролике: V0, Claude (Anthropic), Google Gemini, Mermaid, Sequencediagram.org, Grafana, внешний email-сендер Resend (для PIN-кодов), Supabase в качестве базы данных.

Видео на Ютюбе https://youtu.be/kk9ahzcdgT8

Я не раз наблюдал ситуацию, когда владельцы бизнеса или диджитал-продукта инициируют смену дизайна с аргументом, что устали от текущей версии. Иногда это подкрепляется какими-то другими аргументами, но ключевой триггер — это то, что дизайн надоел.

В принципе, есть хорошие исследования, которые говорят о том, что эффектный дизайн действительно работает на все поведенческие метрики. Но я тут сформулировал гипотезу, что эффект новизны от дизайна у владельцев и у пользователей пропадает с разной скоростью, потому что он зависит от частоты контакта с дизайном.

Это не такая уж и новая мысль. Начиная с 1966 года (Thompson, R. F., & Spencer, W. A. (1966). Habituation: A model phenomenon for the study of neuronal substrates of behavior) существует идея о том, что частота и привыкание связаны. Я фактически только предлагаю переложить это в прикладную область диджитал-продуктов.

Иными словами, бизнес склонен нести лишние издержки, связанные с редизайном продуктов, исходя из субъективной оценки устаревания дизайна, когда объективных причин для этого может не быть.
Но вообще редизайн — это любимый ответ на любую непонятную ситуацию. Особенно когда компания достигла потолка роста, потолка эффективности или потолка идей.

Хорошая статья Дэниела Растона из Google «The Rise of the Orchestrated User Interface (OUI)» про подход к созданию новых типов интерфейсов, рассчитанных на использование с ИИ. Он называет их Orchestrated User Interface (OUI).

По большому счету, ИИ создает вызов в проектировании интерфейсов и всего пользовательского пути, потому что результаты не детерминированы. В традиционном интерфейсе все было предсказуемо, и можно было гарантированно пройти один и тот же путь два раза. Но с интерфейсами, которые подстраиваются под запросы пользователей, этого уже нельзя ожидать. Все интерфейсы с внедренными ИИ-инструментами движутся в сторону персонализированной выдачи и персонализированного контента.

Дэниел пишет о подходах к созданию генеративных интерфейсов. Он предлагает несколько принципов и точек зрения, которые помогут качественнее спроектировать его.

Из нового для меня, понравилась концепция порогового значения достоверности, когда система возвращает разные интерфейсы в зависимости от того, насколько она уверена в ответе. Никогда не думал в этом ключе, но идея кажется очень полезной.

1. Низкий уровень уверенности (<60%): система запрашивает у пользователя уточнения.
2. Средний уровень уверенности (60–90%): система выдаёт предварительное предложение.
3. Высокий уровень уверенности (>90%): система действует и информирует пользователя.

Остальные рекомендации и идеи, в принципе, ожидаемы и вполне вписываются в подход, о котором многие говорят и который я предлагал в докладе 2025 года, когда выступал в рамках Sreda Summer Summit. Там ключевой идеей была мысль о том, что, хотя ИИ привнес много нового, но эвристики Нильсена не устарели и вполне адаптируются под современные технологии. В докладе я, правда, оставил только четыре из них: ясный статус системы, контроль и свобода действий, предотвращение ошибок, понятность и предсказуемость интерфейса. Но этого как раз достаточно для структурирования подхода к созданию OUI.

Сегодня не про один конкретный инструмент, а про целый набор вещей, которые я делаю для учебного проекта со студентами.

Мы разрабатываем студенческий портал, и я захотел сразу сделать все с редакционной политикой и tone of voice. Но просто написать документ в стол — это не так интересно. Интересно заставить его работать и интегрировать в ИИ инструменты, чтобы помогать всем писать в едином стиле.

Для этого проекта я выбрал Qwen от Alibaba. Китайские модели сейчас остаются открытыми и доступными без VPN, и при этом они хорошо работают. Внутри Qwen настроил проект с навыками: «оценить», «отредактировать», «переписать» и загрузил туда черновик редполитики. Кстати, забавный баг, слово «политика» китайский ИИ просто не дает сохранить, пришлось писать с опечаткой.

Еще, давайте посмотрим, как я использую для работы свой старый проект AI Prompt Testing System. Этот инструмент, который я навайбкодил, чтобы сравнивать, как разные модели отвечают на одни и те же промпты. Потому что иногда одно слово меняет все. Запустил эксперимент с текстами для портала на шести моделях и получилось интересно.

Инструменты из этого выпуска

- Qwen (Alibaba) для автоматизированной работы с редполитикой через проекты (навыки) https://chat.qwen.ai/
- AI Prompt Testing System для тестирования промтов https://ai-test.podluzny.com/
- Vercel AI Gateway шлюз для подключения большого количества LLM моделей https://vercel.com/ai-gateway
- V0 для вайбкодинга https://v0.dev/
- Google Gemini для анимации SVG иллюстрации на главной странице AI Prompt Testing System https://aistudio.google.com/

Видео на Ютюбе https://youtu.be/UjJM1qj51LY

Не знаю, удивит ли вас, но недавнее исследование, опубликованное в Harvard Business Review, показывает, что ИИ не уменьшает нагрузку на сотрудника, а в перспективе это может грозить быстрым выгоранием и спадом производительности.

Результаты восьмимесячного исследования опубликованы в статье «AI Doesn’t Reduce Work—It Intensifies It».

Внедрение генеративных инструментов повышает производительность сотрудников: они работают быстрее, выполняют большее число задач в более широком круге. Берут на себя задачи, которые раньше передали бы коллегам или не брали бы вообще. Чаще начинают использовать время, которое раньше было отдыхом, чтобы выполнять какие-то задачи через ИИ. Например, перед уходом на перерыв отправляют задание агенту, чтобы, вернувшись, уже видеть результат выполненной работы.

Общение в чате с ИИ меньше напоминает работу, поэтому границы между рабочим и нерабочим пространством размываются. Люди чаще склонны в нерабочее время проверять чаты и продолжать оставаться включенными в рабочий процесс.

Появилась новая многозадачность, когда разным агентам выдаются разные задачи. И это стало возможным потому, что возникает пауза ожидания между постановкой задачи и получением результата и она воспринимается, как ресурс времени, который можно занять.

Все это складывается в новое ожидание относительно скорости выполнения задач. Многие сотрудники отмечали, что им приходится делать больше дел одновременно и испытывать большее давление, чем до внедрения ИИ.
Получается такая петля зависимостей: чем больше мы используем ИИ, тем выше скорость выполнения задач и их количество, тем шире круг задач, которые мы получаем, и тем выше ожидания скорости, с которой мы должны их выполнить. В итоге рост продуктивности выполнения задач не трансформируется в меньшую занятость.

Я помню хороший термин, который использовал один технический директор относительно программистов, — утилизация ресурсов. Он честно говорил, что задача компании в том, чтобы продать 100% времени сотрудника и чтобы сотрудник на 100% времени был занят.

Что же делать, чтобы не загнать себя, как лошадь?

В статье авторы выступают за внедрение практик, которые бы противодействовали потенциальным когнитивным перегрузкам, возникающим за счет увеличения количества выполняемых работ. Они предлагают делать запланированные перерывы, контролировать уведомления, чтобы не отвлекаться лишний раз, структурировать время работы с ИИ вместо постоянного нахождения в рабочем процессе.
Фактически речь идет о том, чтобы более активно планировать не рабочее время, а время на подумать и отдых.

Но, к сожалению, мне представляется маловероятным, что эти идеи, нацеленные на приоритет качества над количеством, и приоритет work-life баланса над валовой эффективностью, найдут поддержку в нашем бизнесе.

Некоторые команды уже месяцами не открывают Figma, чтобы делать дизайн. Например, Robin Bonduelle пишет, что они в компании перешли на прототипирование в Claude Code, а Figma осталась только источником дизайн-системы. Больше никаких макетов, только вайб-кодинг и продуктовые прототипы. И это похоже на тенденцию, потому что публикаций об этом становится все больше.

Ловушка убедительности

В этом тренде меня кое-что настораживает. ИИ-инструменты создают убедительные артефакты, и возникает впечатление, будто они заменяют процесс мышления. Недавняя статья «Which AI Tools Are Worth It for UX Designers in 2026?» добротно описывает подход с использованием ИИ на всем пути разработки дизайна продукта, но если вглядеться в отдельные артефакты, создаваемые ИИ, то везде есть недочеты, которые накапливаются и ведут к плохому результату. В итоге, все по форме выглядит убедительно, но содержание слабое.

Получается, как фрукт из папье-маше: выглядит красивым, но есть невозможно.

«Просто переделаем»

Можно возразить, что вместе с ИИ можно идти по пути быстрых изменений: быстро делаем, быстро переделываем. О таком подходе говорит Jenny Wen (leads design в Claude, а до этого директор по дизайну в Figma). Она в своем выступлении радикальна, когда заявляет, что пользовательские исследования, CJM, JTBD и т.д. — это булшит, который только отдаляет от реальных проблем пользователей. И надо сразу делать варианты решений.

Мой послужной список сильно проигрывает Дженни Вен, но посмею не согласиться в том, что нужно выбрасывать все предварительные работы. Потому что вариантов сделать что-то неправильно — бесконечно много. Правильных путей — значительно меньше. Итерация без сильной критической оценки - это быстрый путь попасть в тупик. Нужна оправданная фокусировка усилий, которая на чем-то должна стоять.

В прошлом семестре у меня было задание для студентов сделать прототип приложения программы лояльности с элементами геймификации. И студентка принесла прототип из Lovable, перенесенный в Figma. Если оценивать только внешне, задание выполнено. Но если начинать осмысленно рассматривать решение, то это не совсем связанный набор экранов. Но в чем она не права, принося такую работу? Со всех сторон транслируется, что форма важнее содержания, главное — выглядеть вменяемо. И в такой ситуации очень легко попасться в ловушку убедительности ИИ и перестать критически оценивать то, что тебе предлагается в качестве результата.

Что с этим делать

Angele Lenglemetz хорошо формулирует большую проблему продуктового дизайна в статье «When building is free, what's worth building?» https://uxdesign.cc/when-anyone-can-build-anything-6c8a0059ed0e Если немного перефразировать, то “Если стоимость разработки стремится к нулю, то что вообще стоит делать?”

ИИ дал нам возможности и скорость разработки. Но не снял ответственность за выбор, что внедрять.

Я пока не придумал, как встроить медленный процесс рациональной индивидуальной оценки в быстрый ИИ-процесс. Вариант, с перекладыванием оценки на других ИИ-агентов — это значит создавать иллюзию решений с той же пустотой внутри.

Единственное, что кажется мне устойчивым ответом на текущие вызовы, это внедрение практик совместного дизайна (participatory design). Потому что, когда воплотить идею легко, важнее всего становится умение качественно эти идеи создавать и детализировать. А это легко сделать в рамках совместной работы. По опыту преподавания и проведения Moscow Service Jam могу сказать, что практически нет людей, которые не готовы включаться в организованный процесс совместной работы. А результат и эмоциональная удовлетворенность участников такой работы всегда на высоком уровне.

Осталось связать методологию совместного дизайна с возможностями ИИ. А для этого нужно просто пробовать такие подходы. И наверняка кто-то уже пробовал и может об этом рассказать. Я же пока с этим экспериментирую в рамках студенческой дизайн-лаборатории. Кто уже пробовал системно совмещать совместный дизайн с ИИ, что сработало?

Сегодня в качестве примера вайб-кодинга выступает визуальный калькулятор, который я построил на нодах, чтобы анализировать процессы, например, юнит-экономику или бизнес-процессы. Это экспериментальный проект, который я сделал за несколько дней. При этом моим фокусом было не столько создание сервиса, сколько продолжение поиска надежного метода работы с языковыми моделями, чтобы получать предсказуемый результат в кодировании.

Все началось с простой потребности: в Miro удобно думать схемами, но невозможно считать. Хотелось соединить визуальное мышление и простую математику, так появился этот инструмент.

В видео я пытаюсь объяснить, как устроен нодовый граф и как происходит передача значений между узлами. Показываю, как работают формулы, переменные и глобальные параметры, а также как работа с контентом помогает сделать ноды понятнее.

Отдельно стоит отметить аналитические возможности инструмента. Там есть сценарный анализ, анализ чувствительности (tornado diagram) и симуляция Монте-Карло для работы с реальными данными.

Пока делал этот проект, выработал подход с постепенным дополнением функций. Текущая реализация Gemini довольно стабильно поддерживает код системы, не пытаясь удалить то, что уже сделано. Но я все равно использую внешние модели для формулировки сложных задач. Но основные идеи рождаются не в ИИ, а в процессе тестирования того, что получается. И это в очередной раз убеждает меня в полезности вайб-подхода для создания продуктов.

Для меня вайб-кодинг — это не промышленный инструмент, а способ исследования. Хотя иногда получаются вот такие вполне интересные инструменты.

Ссылка на проект
Node Flow: https://nodeflow.podluzny.com/

Инструменты, которые упоминались
- Miro
- Google Gemini
- V0
- Claude

Видео на Юьюбе https://youtu.be/YCmKlskfh_o

Мы, наверное, уже привыкли говорить о том, что корпоративная культура важна. И что хорошая культура позволяет компаниям расти быстрее конкурентов. Каждый из нас много раз слышал об этом. Эти слова всегда убедительно звучат в устах владельцев, CEO и HR-директоров. По крайней мере, до тех пор, пока кто-то из них неожиданно не скажет вам, что сегодня ваш последний день в компании.

Тем интереснее читать про случаи, когда корпоративная культура становится драйвером роста. В этом плане Anthropic — пример такой компании.
Она выросла с 2023 по 2026 год в 87 раз. И заслуга в этом не только передовых инноваций, которые представляет компания, но и корпоративной культуры.

«Компания работает на основе атмосферы, а не традиционной корпоративной структуры. Здесь нет отделов, изолированных друг от друга в обычном смысле. Нет политических войн за сферы влияния» — это я взял из статьи «Anthropic Is Running a Different Race».

Компания Anthropic не разрабатывает оперативный план на срок более 90 дней. Их максимальный цикл планирования составляет три месяца. Все остальное может поменяться. Это позволяет менять стратегический фокус быстрее, чем у некоторых компаний получится согласовать время для совещания руководства.

Каждая идея приветствуется, рассматривается и оценивается коллективом.
Claude Cowork прошел путь от первоначальной идеи до публичного запуска всего за 10 дней. От идеи до запуска!

И в основе всего этого — совместная работа и полная прозрачность. В то время как в большинстве компаний мы можем увидеть четкую иерархию, выстроенные границы и разделенную ответственность.

Можно ли это повторить?

Учитывая, что в Anthropic работают лучшие из лучших, проблемы уже начнутся на стадии подбора людей. Но еще большую проблему, думаю, будет составлять отсутствие культуры совместной работы.

В принципе, я об этом писал уже не раз, но в нашей атомизированной культуре (смотрите Карту культурных ценностей Инглхарта) сложно обеспечить совместную работу. Это возможно, все практики совместного дизайна показывают, что при правильной постановке задачи можно создать эффективно работающие группы. Но для этого нужна фасилитация и нужно поддерживать культуру, в которой такой подход в принципе возможен. Иначе все будет распадаться и возвращаться к привычным сепарированным процессам.

Но я подозреваю, что где-то и у нас есть те самые 2% команд или 0.2%, у которых интегрированы совместные практики построения работы.

Мы все вводим пароли чуть ли не каждый день и регулярно придумываем их. И смею предположить, что и для вас это, как и для меня, сплошная боль. А как человек, который уже вечность занимается UX, могу уверенно сказать, что «боль» — это просто отражение когнитивных сложностей, которые создают для нас разработчики сервисов. И часть из этих сложностей, честно говоря, просто отражение их инертности и лени.

Вообще, почему я решил написать этот пост? А потому, что, регистрируясь в кабинете «Ресо-страхование», я столкнулся с тем, что не все символы принимаются в качестве пароля. И как раз то, что я обычно использую, не прошло. К тому же сообщение об ошибке неинформативное, из него нельзя понять причину. Но это уже другая проблема, о которой Нильсен писал еще с 1994 года.

И вот если мы посмотрим на разные сервисы, то окажется, что можно встретить совершенно разные требования к паролям. Причём сейчас у больших сервисов наподобие Google, X, Amazon, VK требования могут оказаться формально более мягкими, чем у локальных магазинов или в кабинетах банков и страховых компаний. Но это скорее не из-за попытки угодить пользователям, а потому, что у этих компаний хорошо выстроены процессы контроля безопасности и их специалисты не повторяют устаревшие мантры.

Проблема устойчивости пароля к взлому в том, что интуитивно мы ошибаемся, когда считаем сложными для взлома пароли, состоящие из разных символов и знаков. Здесь возникает одна из когнитивных подмен: мы начинаем воспринимать сложность запоминания как эквивалент надёжности пароля. А это совсем не так.

Есть рекомендации NIST SP 800-63B (это специальная публикация Национального института стандартов и технологий США) о том, как следует обеспечивать безопасность. В частности, там есть современные рекомендации по паролям.

- Минимум 8 символов для паролей, а лучше больше,
- Не требовать обязательную сложность (верхний/нижний регистр, цифры, спецсимволы), потому что часто это приводит к худшим паролям,
- Проверять пароль на наличие в списках утечек,
- Разрешать длинные пароли и использование пробелов, эмодзи и т.п.

Основной фактор силы пароля — это его длина, а не набор символов. Потому что увеличение длины пароля увеличивает экспоненциально его сложность, в то время как добавление новых символов дает лишь линейный прирост.
На практике это означает, что пароль из 8 символов с большими и маленькими буквами, цифрами и спецсимволами можно взломать за пару дней. А пароль из 12 букв, состоящий только из строчных символов, придётся взламывать десятилетиями.

Интересно, что большинство случаев ограничений на символы — это не осознанное решение безопасников, а просто унаследованные настройки, которые никто не пересматривал. Иногда удобство начинается с простого вопроса: «А зачем мы вообще это требуем?»

Сейчас инструментов для создания чего-нибудь с ИИ куча, и сложно выделиться, но Omma нашли изящный способ сделать это, добавив возможность генерировать 3D-модели в лендинг. С разным успехом это, в принципе, можно было сделать и раньше, но у них модели просто чуть получше, а взаимодействие — чуть поизящнее прямо из коробки.

Я продолжаю разбирать развитие своего экспериментального проекта NodeFlow — инструмента, который я постепенно вайбкожу, проверяя, как современные ИИ-модели справляются с продуктовой разработкой в таком режиме.

За несколько дней работы проект заметно вырос. Успел сформироваться бэклог, в котором уже можно увидеть: какие задачи становятся приоритетными, какие откладываются, а какие остаются просто идеями «на потом». Это хороший момент, чтобы остановиться и посмотреть на проект со стороны, попробовать понять, куда двигаться дальше.

Одной из ключевых целей было не просто добавить новые функции, а посмотреть, как система ведет себя при росте. Насколько стабильно работает ИИ в процессе доработок, не ломается ли логика, и главное, как выстраивать взаимодействие с моделями, чтобы создавать не разовые решения, а что-то более устойчивоен устойчивое.

Все важнее становятся не технические ограничения, а умение делать выбор. Когда становится возможным реализовать почти любую функцию, главный вопрос звучит: Что действительно стоит делать в первую очередь?

Буду рад вашему фидбеку.

Используемые технологии:
- Google Gemini
- Anthropic Claude
- База данных Turso

Ссылки на проект:
- Пример файла проекта https://nodeflow.podluzny.com/p/qtDYTNgHJdmLNGDLlI1YDF5Z
- Больше примеров https://nodeflow.podluzny.com/examples

Видео на Ютюбе https://youtu.be/bKb-JqAMl4U

История релиза, что было добавлено за последние дни:

20.03
- Добавлена панель метрик.
- Обновлен фон рабочей области в режиме сценариев для более явного визуального переключения.
- Добавлено автосохранение проекта с восстановлением состояния при повторном открытии.
- Добавлено копирование нода при зажатии ALT и перетаскивании курсором.
- Добавлено сохранение в модальных окнах по ENTER и закрытие без сохранения по ESC.
- Переписаны горячие клавиши. Реализована независимость от раскладки клавиатуры.

21.03
- Добавлено сохранение проектов в облачной базе и шаринг по уникальному индексу.
- Реализована возможность делиться проектом по ссылке.
- Добавлена возможность открытия проекта по ID из облака.
- Обновлено отображение переменных с учетом размеров контейнера.
- Скорректировано отображение связей со значением “0”.

22.03
- Добавлена возможность сворачивания левой панели.
- Обновлен стиль выпадающего меню.
- Обновлен стиль Toggle Interactivity.
- Уточнено поведение системы при блокировке интерактивности.
- Добавлена защита от перезаписи проектов, сохраненных в облаке.
- Скорректирована логика переключения между режимами сценариев и редактирования.
- Добавлена поддержка различных распределений в методе Монте-Карло: равномерное, нормальное (гауссово), экспоненциальное, пуассоновское, биномиальное.

23.03
- Добавлена поддержка кастомного CSS.
- Добавлена возможность выбора нескольких целевых узлов в Монте-Карло.
- Добавлена возможность выбора нескольких целевых узлов в сценарном анализе.
- Унифицированы компоненты выбора целевых узлов.
- Добавлена визуализация диаграммы Sankey.

24.03
- Добавлен экспорт аналитики.

Уже появился первый единорог, технология которого основана на использовании ИИ-агентов. В феврале компания по бухгалтерскому сопровождению Basis привлекла 100 миллионов при оценке в 1,15 миллиарда долларов. Ее агенты делают бухгалтерскую работу от начала до конца, оставляя человеку проверку результатов. Ее инструменты уже используют треть ведущих бухгалтерских фирм США для предоставления услуг своим клиентам.

Возникает важный вопрос: как компании, основанной полностью на чужой технологии (все работает на базе моделей OpenAI), защититься от копирования и произвола со стороны поставщика ИИ-услуг?

Менять поставщиков модели — это не вариант, потому что при переходе от модели к модели будет страдать качество. Попросту один и тот же промт в разных условиях будет давать разный результат. И требуется тонкая настройка, чтобы обеспечить точность и качество. А если представить, что для обработки данных используются десятки тысяч запросов, то понятно, что настройка этого механизма может быть нетривиальной задачей.

Мне Олег Ващуков показывал, как в его системе, которая построена на работе ИИ, качество ответов меняется при смене модели. А контроль качества — это кропотливый процесс промт-инжиниринга, когда за счет набора тестов и набора промтов подбираются точные формулировки для работы ИИ.

Защитить свои позиции от произвола поставщика услуг можно хорошим договором. Но что защищает Basis от копирования технологий?

Для меня это вообще ключевой вопрос, потому что всем, кто пробовал вайбкодинг, очевидно, что любой интерфейс можно скопировать, и логику работы можно скопировать. Кажется, что даже сложность интерфейса не является преградой. Это просто вопрос количества токенов и развитости ИИ-модели. Но опыт и компетенции не копируются.

В принципе, мы возвращаемся к ситуации, когда технология в ИТ уже не является конкурентным преимуществом, а им становятся экспертиза, доверие, пользовательский сервис.

Basis не просто делает работу с помощью ИИ, она это делает на основе экспертизы ведущих бухгалтерских компаний, которым доверяют, и дает юридически подкрепленный результат.

Похоже, это пример того, куда будет идти дрейф ИТ-компаний — в сторону экспертизы и того, как компания способна ее поддерживать и транслировать, а также как она выстраивает сервисные отношения со своими клиентами. Количество рабочих рук и умение кодировать становится все меньшим преимуществом в мире, где ИИ берет на себя всю эту рутинную работу.