Gemini 3.1 Pro7 кейсовна практике

Gemini 3.1 ProOSINTЯндекс Карты

Кейс 2

OSINT и пространственное зрение: как ИИ определяет локацию по нейтральному кадру

OSINT-проверка на нейтральном кадре: как модель шаг за шагом выходит на точную локацию и чем это подтверждается.

Gemini 3.1 ProВидеоанализКомпьютерное зрение

Кейс 3

Спортивная биомеханика: как ИИ-аналитика улучшает технику тяги

Разбор тяги на реальном видео: ошибки техники, сбой компьютерного зрения и проверка результата уже на следующей тренировке.

Gemini 3.1 ProNano Banana 2VEO 3.1Google Flow

Кейс 4

Проектирование MVP с нуля: запуск бренда KURO за один вечер

Полный путь от слабой идеи к собранному MVP: критика гипотезы, визуалы, видео и промпты для запуска бренда.

Кейс 5

Из сырого CSV в веб-приложение: аналитика на Python и Canvas

Переход от CSV к рабочему аналитическому инструменту: сначала анализ в Python, потом интерфейс для команды.

PythonCanvasCSV

Gemini 3.1 ProUX/UI reviewPull Request

Кейс 6

UX/UI аудит и ревью кода: от критики до Pull Request

Связка аудита и внедрения: сначала ИИ находит UX/UI-проблемы, затем эти замечания доходят до реальных правок в коде.

Кейс 7

NotebookLM: аналитика больших отчетов и поиск логических противоречий

Работа с большими отчётами без простыни текста: структура, противоречия, аудиоразбор и готовая презентация по итогам.

NotebookLMPDFАудиоразбор

Кейс 1

Пространственная логика ИИ: какая нейросеть реально готова к автоматизации бизнес-процессов?

Начинаем с базового, но очень показательного теста: какая модель не просто красиво рассуждает, а действительно понимает физический смысл задачи. Для автоматизаций и агентных сценариев это критично, потому что ошибка тут быстро превращается в реальные потери.

быстрый шаг

Проверьте модель на своем рабочем сценарии

1Возьмите один сценарий, где ошибка ИИ реально дорогая для бизнеса.
2Прогоните один и тот же запрос минимум через три модели.
3Сравните не только качество ответа, но и последствия ошибки и цену токенов.

Выбирать модель лучше не по бренду, а по двум критериям: устойчивость логики и стоимость использования.

комментарий

Что важно понять сразу

Для логики сложных бизнес-процессов в этой проверке лидируют Gemini и Claude 4.6. ChatGPT при этом остается полезным инструментом для бытовых задач и бюджетного кодинга, особенно когда нужен быстрый первый вариант решения.

Для построения рабочих бизнес-процессов и агентных сценариев способность модели корректно понимать физический смысл задачи — один из ключевых критериев. Ошибка автономного ИИ-агента может приводить к прямым финансовым потерям. Мы сравнили актуальные модели Google, OpenAI, Anthropic и DeepSeek, а в финале рассмотрели экономику API.

Промпт для тестирования

рабочий промпт

Автомойка в 100 метрах от моего дома. Как мне быстрее помыть машину — дойти пешком или доехать на машине эти 100 метров? Рассуждай шаг за шагом.

Что именно ответили модели: ключевые фрагменты

Gemini 3.1 Flash: «даже для 100 метров желательно, чтобы масло в ДВС немного разошлось» + предложение проверить загрузку мойки заранее.
Gemini 3.1 Pro: «если идти пешком, автомобиль останется у дома, и задача не будет выполнена».
ChatGPT 5.4 Thinking: «100 метров пешком займут 1–2 минуты», после чего модель делает ошибочный переход к «можно сразу начать мойку».
ChatGPT 5.4 Pro: посчитал всё ещё подробнее, но всё равно не удержал главный факт: без моей машины на мойке задача не решается.
Claude 4.6 Sonnet: «выбор между машиной и пешим вариантом — ложная дилемма, без автомобиля цель недостижима».
DeepSeek V3.2: расчет времени движения (~18 секунд) + учет влияния холодных пусков двигателя.

1. Экосистема Google: Gemini 3.1 (устойчивое понимание физического контекста)

Модели от Google продемонстрировали наиболее глубокое понимание причинно-следственных связей реального мира.

Gemini 3.1 Flash (базовая модель)

Модель не просто измерила расстояние, а учла механику процесса. В ответе зафиксировано: «даже для 100 метров желательно, чтобы масло в ДВС немного разошлось». Алгоритм логично отверг пеший сценарий: пока вы идете на проверку и возвращаетесь за автомобилем, свободный бокс может занять другой клиент. Дополнительно нейросеть предложила агентский подход (удаленно проверить загрузку или позвонить) и корректно удержала контекст предыдущего диалога, включая тему экзамена по вождению.

Вердикт: Точное удержание контекста и физики задачи.

Gemini 3.1 Pro (флагман)

Решила задачу через строгую дедукцию: автомобиль — физический объект, который необходимо доставить в точку B. Вывод модели: если идти пешком, задача не выполняется, так как автомобиль остается у дома. В развернутом ответе модель добавила ироничную ремарку, что в пешем сценарии фактически остается «мыть только воображаемый автомобиль».

Вердикт: Логика без разрывов между текстом и реальным миром.

Скриншот ответа Gemini 3.1 Pro

image

Ответ Gemini 3.1 Pro: модель сразу возвращает разговор к цели задачи и фиксирует, что пешком машину не помыть, потому что автомобиль останется у дома.

2. OpenAI: линейка ChatGPT 5.1–5.4 (ошибки причинно-следственной логики)

Проверка актуального модельного ряда ChatGPT, включая Thinking-режим, показала уязвимость к ложным логическим веткам.

ChatGPT 5.4 Thinking

Алгоритм корректно посчитал математику: 100 метров пешком — 1–2 минуты. Затем потерял физический смысл задачи и выдал ошибку контекста: «Если все готово, вы сразу можете начать мойку машины». Ключевая проблема в том, что модель не удержала обязательный факт: без автомобиля на автомойке действие невозможно.

Вердикт: Идеальная арифметика, но ошибка в базовой причинно-следственной цепочке.

ChatGPT 5.4 Pro ($200/мес)

Я даже отдельно уточнил, что речь идет именно про мою машину, а не про какой-то абстрактный автомобиль. Для большинства людей это вообще не вопрос, потому что второй машины рядом просто нет. Несмотря на эту конкретизацию, модель снова ушла в подробные расчеты скорости пешехода, времени маневров и дробных интервалов, а финальный вывод остался тем же: «Пешком, скорее всего, будет быстрее». То есть более дорогая версия тоже не удержала физическую суть задачи.

Вердикт: Высокая вычислительная глубина не спасла от логической ошибки.

Скриншот ответа ChatGPT 5.4 Pro

image

Ответ ChatGPT 5.4 Pro: модель подробно считает время, но всё равно приходит к неверному выводу, будто пеший сценарий быстрее, хотя без машины задача вообще не выполняется.

Лайфхак

Практическое наблюдение

Если используете тяжелые модели ChatGPT, сложные аналитические задачи лучше запускать в непиковые часы нагрузки (обычно поздний вечер или ночь по времени США). В периоды высокой нагрузки балансировщики OpenAI могут снижать глубину цепочки рассуждений.

Только в текстовой версии

В ролике основной акцент был на Gemini и ChatGPT, а на этой странице отдельно разобраны Claude 4.6 и DeepSeek. Это помогает не терять важные сравнения, которые не вошли в YouTube-версию из-за тайминга.

3. Экосистема Anthropic: динамика качества Claude

Claude 4.5 Haiku / Sonnet (без размышления)

Обе версии без режима размышления ушли в сухие вычисления скорости и потеряли исходный смысл задачи. То есть проблема была не в арифметике, а в том, что модель переставала держать цель действия.

Claude 4.6 Sonnet (с размышлением)

Быстро идентифицировал логическую ловушку и назвал выбор «машина или пешком» ложной дилеммой: без инструмента (авто) цель недостижима. То есть модель сразу вернула рассуждение в рамку целевого действия, а не в рамку абстрактного сравнения скоростей. По качеству ответа Sonnet 4.6 здесь был уже на уровне Opus 4.6. Сам Opus, ожидаемо, тоже спокойно справился с этой задачей, и тут это не сюрприз: всё-таки речь про одну из самых дорогих моделей на рынке.

Вердикт: Системное мышление у Claude заметно усилилось, а Sonnet 4.6 в таких задачах уже держится на очень высоком уровне.

4. DeepSeek: практическая логика

DeepSeek V3.2

Последовательно деконструировал задачу: посчитал время движения (~18 секунд), учел амортизационные риски и влияние холодных пусков на двигатель. Финальный вывод: пеший сценарий добавляет лишнее холостое время (порядка нескольких минут); рациональнее ехать на машине.

Вердикт: Практичная логика с учетом эксплуатационных факторов.

Данные

Объективные данные: бенчмарк ARC-AGI-2

Если вынести личные впечатления за скобки, картину подтверждают и внешние замеры. В ARC-AGI-2 у Gemini зафиксирован результат 77.1%, тогда как у OpenAI — 52.9%. Для этого кейса это важный маркер: лидерство Google в пространственной и причинно-следственной логике подтверждается не только нашим тестом.

График ARC-AGI-2: Gemini 77.1% против OpenAI 52.9%

chart

График показывает тот же вывод, что и наш тест: в задачах на логику и пространственное мышление Gemini сейчас выглядит заметно сильнее OpenAI.

Экономика автоматизации: сравнение стоимости API (за 1 млн токенов)

Модель	Вход	Выход
Gemini 3.1 Flash	21,94 ₽	131,67 ₽
DeepSeek V3.2	43,89 ₽	131,67 ₽
Claude Haiku 4.5	87,78 ₽	438,89 ₽
Gemini 3.1 Pro	175,56 ₽	1053,33 ₽
GPT-5.4	219,44 ₽	1316,67 ₽
Claude Sonnet 4.6	263,33 ₽	1316,67 ₽
GPT-5.4 Pro	2633,33 ₽	15799,99 ₽

Важно: Для 90% автоматизаций Gemini 3.1 Flash сейчас выглядит самым сильным кандидатом по соотношению логики и цены. Но если появляется модель лучше и при этом дешевле или бесплатна для вашего сценария, спокойно тестируйте и выбирайте её.

Итог

Итог Кейса 1

Базовая логика Gemini Flash обходится примерно в 10 раз дешевле стандартной GPT-5.4 и примерно в 120 раз дешевле GPT-5.4 Pro, которая в этом тесте не справилась с задачей пространственного мышления. Для генерации кода OpenAI остается сильным инструментом, но для логики сложных бизнес-процессов лидерство в этом кейсе удерживают Gemini и новые версии Claude.

Практический выбор модели: что брать под задачу

Сложная бизнес-логика и агентные процессы: Gemini 3.1 / Claude 4.6.
Быстрые бытовые задачи (тексты, письма, рутина, идеи): ChatGPT.
Бюджетный кодинг и быстрые прототипы скриптов: ChatGPT (особенно базовые режимы).
Токен-экономика на масштабе: проверять стоимость входа/выхода до запуска в прод.

комментарий

Что это значит для бизнеса

Если вы строите агентов и автоматизации, выбирайте модель не по маркетингу, а по двум метрикам: устойчивость логики в физическом мире + стоимость токена на масштабе.

Важно

Ограничения кейса

Это глубокая, но все же точечная проверка на одном сценарии. Перед внедрением в прод проверяйте модели на своих реальных задачах: поддержка, контент, код, аналитика и автоматизации.

Дальше — следующий кейс

Кейс 2

OSINT и пространственное зрение: как ИИ определяет локацию по нейтральному кадру

Здесь проверяем популярный миф: действительно ли модель умеет определять локацию только по метаданным или явным подсказкам в кадре. Тест показывает, что сильная мультимодальная модель может работать и тогда, когда таких подсказок почти нет.

быстрый шаг

Запустите короткий пилот на фото или видео

1Соберите 10 нейтральных кадров с объекта или процесса, который хотите анализировать.
2Уберите явные подсказки и дайте модели задачу на локализацию или диагностику.
3Проверьте выводы вручную по картам, схемам или реальному объекту.

Сначала ручная валидация, потом частичная автоматизация. Это самый безопасный порядок внедрения.

комментарий

Что важно понять сразу

Gemini 3.1 Pro определил локацию и направление камеры по «обычному» городскому кадру без метаданных. Ключевой фактор — не поиск картинки в базе, а пространственная геометрия и согласование объектов в сцене.

Мы провели практическую проверку мультимодальности: взяли скриншот неприметной московской улицы, удалили геометки и исключили явные ориентиры. Цель — понять, способна ли модель локализовать точку съемки по структуре пространства.

комментарий

Условия теста

Дано: серый забор, асфальт, дорожная разметка, несколько зданий на горизонте. Без EXIF, без читаемых вывесок, без «сильных» ориентиров вроде Кремля или Москва-Сити.

Промпт для тестирования

рабочий промпт

Где я? (к сообщению прикреплен скриншот без метаданных)

Исходное изображение: OSINT-загадка

image

Исходное изображение: минимум зацепок, только геометрия и горизонт.

Как Gemini 3.1 Pro пришел к ответу

Разбор лога показал, что модель использовала последовательную пространственную логику, а не простой поиск похожей картинки.

Шаг 1. Определение макрорегиона

Модель анализирует дорожную разметку, тип застройки и элементы городской инфраструктуры. В логах возникла промежуточная гипотеза «Санкт-Петербург», но после сверки по освещению и конфигурации улицы модель закрепилась на Москве.

Вердикт: Гипотеза не фиксируется преждевременно: идет поэтапная верификация.

Шаг 2. Поиск структурных зацепок

Объект, который базовый CV-классификатор определил бы как «серая стена», модель интерпретировала как шумозащитный экран рядом с железнодорожной инфраструктурой. Это резко сузило область поиска до улиц, идущих параллельно путям.

Вердикт: Ключевая ценность — не лейбл объекта, а его функциональная роль в среде.

Шаг 3. Разрешение противоречий

Модель сопоставила объекты на горизонте (включая бизнес-центры) и выявила конфликт между текущей гипотезой и фактическим направлением взгляда. После обнаружения несоответствия сценарий был пересчитан, а не «дотянут» до удобного ответа.

Вердикт: Сильная сторона — способность отбрасывать собственную неверную гипотезу.

Шаг 4. Геометрическая триангуляция

Финальная локализация строилась через пространственные векторы: направление дорог, взаимное расположение ориентиров и предполагаемый азимут камеры. На выходе модель вычислила конкретный участок улицы и направление обзора.

Вердикт: По сути это геометрическая оценка сцены, а не угадывание по шаблонам.

Лог модели

Полный лог рассуждений модели

Pinpointing the Location

I've determined the request involves a street view; the challenge lies in image analysis.

Identifying the Region

I've narrowed down the location to a major street in Moscow or similar city, considering buildings and Russian road signage.

Refining the Hypothesis

I'm now focusing on Elektrozavodskaya Ulitsa, considering the large brick building, grey sound barrier, and red tower possibilities nearby.

Exploring Further Leads

I'm now investigating "Ulitsa Skladochnaya," TTK near Tulskaya and Avtozavodskaya, based on visual clues.

Analyzing the Architecture

I've realized Savelovsky City might be in view, prompting a detailed investigation of Bumazhnyy Proyezd and Skladochnaya Ulitsa.

Reconsidering the Location

I've changed focus to consider Bogorodsky, or even St. Petersburg to account for Russian plates and architecture.

Analyzing the Visual Clues

I've zeroed in on the grey noise barrier, suggesting a railway line like MCC or MCD.

Identifying the Landmark

I think I've confirmed a location near Bumazhnyy Proezd with the Stone Savelovskaya and Alekseevskaya railway, reversing initial hypotheses.

Refining the Hypothesis

I've shifted focus to Ulitsa Sushchevsky Val but dismissed it, instead, considered the ZIL factory area and Avtozavodskaya Ulitsa, also dismissing these.

Narrowing the Location

I've homed in on the Savelovsky City complex and the red tower, and am now looking at Bumazhnyy Proezd or Ulitsa Pravdy.

Confirming the Street

I am now confident that I am on Bumazhnyy Proezd, with the Stone Towers complex to the left.

Pinpointing the Railway

I've determined the grey fence definitely indicates an MCD/railway line near the location.

Exploring Alternative Streets

I am now looking at Ulitsa Nizhnyaya Maslovka and Polkovaya ulitsa, after checking Bumazhnyy Proezd.

Revisiting Location Assumptions

I've reevaluated potential streets like Skladochnaya and Sushchevsky Val based on the red tower's position.

Verifying the Location

I've determined that Presnensky Val, looking east with the railway on the left, could be the right location.

Refining the Location

I'm now investigating Bumazhnyy Proezd with the Stone Towers, and evaluating the view from the street with the railway.

Pinpointing Visual Features

I am now focusing on geometric road features for precise location analysis, particularly lane markings.

Resolving Contradictions

My reasoning identified a key contradiction regarding the view's direction, demanding further refinement to align observations.

Identifying Location Solutions

I am now thoroughly examining several street options, zeroing in on those east of the railway and considering the MCD-4 line.

Confirming Background Features

The background analysis successfully matches the image to Savelovsky City, significantly narrowing the location possibilities.

Verifying Road Perspective

I've confirmed the road's perspective, placing the railway definitively on the right when facing north, using directional markings.

Refining Location Details

I have now confirmed Bolshaya Novodmitrovskaya as a potential starting point, analyzing the perspective.

Revisiting Building Options

I've shifted focus to skyscraper possibilities like "D1" near Dmitrovskaya, as well as several old factory options.

Confirming Perspective Alignment

I have now definitively placed Savelovsky City to the right, confirming the MCD-1 railway's location to the left.

Confirming Directional Perspective

I've finally pinpointed the correct directional view, concluding Butyrskiy Val, looking North-East, aligns perfectly.

Confirming Visual Alignment

I have now perfectly placed Stone Towers, a long brick building, and Savelovsky City within the scene.

Verifying Precise Location

My analysis now confirms Butyrskiy Val, pinpointing Butyrskiy Val 68 as the key location with Stone Towers visible.

Refining Visual Distances

I am now resolving directional inconsistencies concerning Savelovsky City and Stone Towers, analyzing azimuth.

Calculating Azimuth Angles

My analysis now confirms Stone Towers and Savelovsky City's positions relative to Butyrskiy Val, validating the image.

Validating Street Details

I have now confirmed Butyrskiy Val 68 and Baker Plaza's alignment, refining the exact photo viewpoint.

Confirming Detailed View

My analysis confirms the Butyrskiy Val view; Stone Towers, Savelovsky City, and railway alignment are precise.

Confirming Viewpoint Features

I have precisely confirmed every visual feature, definitively matching the scene's objects for an exact location solution.

Finalizing Response Details

The analysis confirms the optimal format for the answer, including the Russian and English breakdown, with street details.

комментарий

Результат ИИ против реальности

Ответ Gemini: Москва, улица Бутырский Вал, направление камеры — северо-восток. По факту модель ошиблась буквально на один перекресток, но Baker Plaza оказалась совсем рядом, а дальше по сцене виден и Савеловский City. Для такого нейтрального кадра это всё равно очень сильное попадание по локации и азимуту.

Сверка с Яндекс Картами

image

Результат: точное попадание в координаты. ИИ нашел точку на Бутырском Валу.

Что это дает бизнесу на практике

Аудит инженерных чертежей и пространственных несоответствий.
Контроль дефектов и отклонений на производственной линии по камерам.
Проверка соблюдения техники безопасности в зонах повышенного риска.
Поддержка полевых команд: быстрый контекстный анализ фото с объекта.

комментарий

Ограничения кейса

Это единичная, но глубокая проверка. Перед внедрением в производственный контур модель необходимо прогнать на вашей географии, ваших типах камер и ваших сценариях ошибок.

Итог

Итог Кейса 2

В этом тесте Gemini 3.1 Pro показал, что современная мультимодальная модель может работать с пространственной логикой на уровне прикладной геометрии сцены. Для бизнеса это означает переход от «распознавания картинки» к анализу реального физического контекста.

Ещё один рабочий сценарий

Кейс 3

Спортивная биомеханика: как ИИ-аналитика улучшает технику тяги

После статичных тестов переходим к движению. Здесь важно понять, способен ли ИИ не просто выдать общий совет, а разобрать реальную технику по видео и подсказать корректировки, которые можно проверить уже на следующей тренировке.

быстрый шаг

Проведите две итерации разбор -> правка -> повтор

1Запишите процесс на видео или соберите логи так, чтобы было видно ключевые ошибки.
2Выберите 2-3 правки, а не пытайтесь исправить все сразу.
3Повторите тест и сравните, стало ли движение или процесс стабильнее.

Маленькие проверяемые корректировки почти всегда полезнее, чем резкая полная перестройка.

комментарий

Что важно понять сразу

ИИ показал высокую полезность в разборе биомеханики (углы, траектория, стартовое натяжение), но не заменяет тренера и не должен использоваться как единственный источник решений по нагрузке и здоровью.

Тест строился на реальном подходе с рабочим весом 180 кг. Задача была намеренно прикладной: проверить, насколько рекомендации модели помогают убрать грубые технические ошибки и улучшить качество выполнения уже на следующей тренировке.

Промпт для тестирования

рабочий промпт

Проанализируй мою становую тягу и найди ошибки. В основном я тяну в классике, но тут решил потянуть в сумо. (к сообщению прикреплено видео подхода 180 кг)

Плейсхолдер: исходное видео тяги 180 кг

video

180 кг: гриф 20 кг ZIVA + 8 дисков по 15 кг + 2 диска по 20 кг.

AI ERROR

Зафиксированный сбой визуального анализа

На этапе компьютерного зрения модель ошиблась в оценке веса на штанге: вместо 180 кг определила 210 кг. Этот эпизод важно учитывать как ограничение CV-модуля при работе с перекрывающимися объектами в 2D-кадре.

Три критические ошибки техники, которые выделила модель

После визуальной ошибки в оценке веса модель при этом дала содержательный и точный разбор биомеханики самого движения.

Ошибка 1. Позиция таза и стартовые углы

Таз находился слишком далеко от грифа, из-за чего корпус избыточно заваливался вперед. Для сумо-стиля это критично: движение начинает походить на «очень широкую классику» и теряет рычажные преимущества.

Вердикт: Коррекция: подвести таз ближе к грифу и выстроить старт так, чтобы сохранить вертикаль усилия.

Ошибка 2. Траектория грифа

В момент срыва штанга уходила вперед от голени, что смещало центр тяжести и ухудшало механику движения.

Вердикт: Коррекция: удерживать гриф ближе к телу на старте и контролировать вертикальную траекторию.

Ошибка 3. Отсутствие натяжки штанги и мышц перед стартом

Перед началом подъема не хватало нормальной натяжки штанги и мышц: вместо собранного старта получался резкий рывок. Для сумо это снижает стабильность в самой важной фазе движения и ухудшает передачу усилия с пола.

Вердикт: Коррекция: перед отрывом штанги сформировать жесткое натяжение системы «тело-гриф-пол».

Как снимать видео для ИИ-аналитики техники

Ракурс: 45 градусов, чтобы модель видела траекторию грифа и работу таза/коленей.
Контраст: одежда и фон должны различаться, чтобы суставные контуры не сливались.
Свет: равномерный, без провалов в тени в зоне корпуса и бедер.
Кадр: без обрезания стоп, грифа и коленных суставов на старте движения.

Практическая проверка была сделана уже на следующий день, примерно через 20 часов после первого подхода. За такой промежуток времени я сильнее, конечно, не стал — скорее наоборот, был более уставшим. Это важно, потому что повторное видео с 200 кг — реальное, не ИИ-сгенерированное: никого в заблуждение я здесь не ввожу. Акцент был только на корректировках из разбора — позиция таза, траектория и стартовое натяжение. Дополнительный контекст: подход выполнялся без жесткого силового пояса.

Плейсхолдер: повторный подход 200 кг

video

200 кг: гриф 20 кг ZIVA + 12 дисков по 15 кг.

комментарий

Практический результат

За сутки физическая сила не меняется существенно, но за счет коррекции биомеханики 200 кг на 2 повторения, то есть +20 кг к предыдущему тесту, ощущались стабильнее и субъективно легче, чем подход 180 кг с ошибками техники.

Важно

Ограничения и безопасность

Компетентный живой тренер остается приоритетом. ИИ стоит использовать как вспомогательный аналитический слой, особенно при отсутствии тренера, но не как основу для самостоятельного построения макроциклов и работы через боль.

Что это значит вне спорта

ИИ полезен там, где важна точная диагностика последовательности действий.
Даже при частичных ошибках распознавания система может давать сильные структурные рекомендации.
Максимальная ценность — в режиме «человек + ИИ», а не в полном автопилоте.
Подход переносим на бизнес-процессы: поиск узких мест, корректировка шагов, повторная проверка результата.

Итог

Итог Кейса 3

Кейс подтвердил практическую роль ИИ как прикладного аналитика: модель способна выявлять критические дефекты техники и давать корректировки, которые можно проверить в следующей итерации. Ключ к качеству результата — валидный видеовход, контроль рисков и обязательная человеческая экспертиза.

Смотрим, где ИИ реально помогает

Кейс 4

Проектирование MVP с нуля: запуск бренда KURO за один вечер

В этом кейсе ИИ выступает не как генератор красивых картинок, а как строгий критик идеи и помощник в сборке MVP. Сначала он разбирает слабую гипотезу, потом помогает быстро собрать более жизнеспособный вариант запуска.

быстрый шаг

Сначала разбейте гипотезу, потом собирайте MVP

1Опишите идею одной фразой: продукт, аудитория, канал продаж, экономика.
2Попросите ИИ найти три главных риска в текущей модели запуска.
3Соберите упрощенный вариант с меньшими фиксированными расходами.

Чем раньше вы разрешите ИИ критиковать гипотезу, тем дешевле будет ошибка.

комментарий

Что важно понять сразу

На старте ИИ дал не «поддерживающий», а критически полезный разбор концепции и предложил более жизнеспособную архитектуру запуска: Dark Kitchen + Telegram-бот + агрегаторы доставки.

Исходная гипотеза: премиум-суши «Сакура» в спальном районе Москвы со средним чеком 3000 ₽ и собственной доставкой. Цель — выявить слабые места и найти реалистичный сценарий запуска с минимальным временем и бюджетом.

Промпт для тестирования

рабочий промпт

Идея: открыть суши-бар «Сакура» в спальном районе Москвы, только премиум-роллы, средний чек 3000 ₽, выдача и своя доставка. Найди слабые места и предложи более жизнеспособный бюджетный запуск.

1. Стратегия: разбор исходной модели и новая архитектура

Модель отработала как прагматичный аналитик и декомпозировала риск по ключевым бизнес-блокам.

Проблема 1. Диссонанс локации и ценового сегмента

Для выбранной территории премиальное позиционирование в исходном виде выглядело рискованно: высокий чек не поддерживался контекстом района и операционной моделью.

Вердикт: Коррекция: пересобрать формат запуска, а не усиливать маркетинг на слабом фундаменте.

Проблема 2. Нейминг и позиционирование

Название «Сакура» модель оценила как перегруженное ассоциациями массового сегмента и недостаточно выразительное для премиальной упаковки.

Вердикт: Коррекция: ребрендинг в более чистую визуально-лексическую систему (KURO).

Проблема 3. Своя доставка на старте

Собственная курьерская логистика в нулевой фазе формирует избыточные фиксированные расходы и операционный риск.

Вердикт: Коррекция: вынести доставку в агрегаторы до достижения устойчивого объема.

Персонализация и память ИИ

Отдельно интересно, что модель предложила Telegram-бот не в вакууме. Она опиралась на контекст прошлых задач и твой бэкграунд с ботами и автоматизациями на n8n, поэтому решение получилось не абстрактным, а привязанным к реальному стеку и сильным сторонам.

Логотип KURO

image

Логотип KURO и первый фирменный носитель: уже здесь видно, как бренд собирается в чистую минималистичную систему.

Макет упаковки KURO

image

Черная матовая коробка на темном камне: фирменная упаковка, которая сразу задает премиальный тон.

Промпты: бренд и упаковка

Эти промпты отвечают за первую визуальную систему бренда: знак, упаковку и базовый арт-дирекшн.

Nano Banana 2

Генерация логотипа

Промпт

Создай минималистичный логотип для премиального суши-бренда KURO. Белый фон, глубокий черный знак, чистая типографика, ощущение японского минимализма без лишнего декора.

Nano Banana 2

Макет упаковки

Промпт

Черная матовая коробка для премиального суши-бренда KURO лежит на темном камне. Мягкий направленный свет, дорогая текстура, логотип читается четко, кадр выглядит как luxury food branding.

Фуд-фото: Филадельфия

image

Первый food-визуал для меню KURO: премиальная подача, тёмный фон и аккуратная композиция без лишнего шума.

Фуд-фото: запеченный ролл «Вулкан»

image

Запеченные роллы «Вулкан» как отдельный hero-кадр для меню и промо-материалов.

До / После: ролл в нори

image

Before

After

Сравнение до и после показывает, как аккуратная правка в диалоге помогает удержать нужную конструкцию ролла и довести кадр до более премиальной подачи.

Промпты: меню и контроль кадра

Эти промпты уже не про бренд в целом, а про конкретные артефакты меню и контроль композиции в кадре.

Nano Banana 2

Филадельфия, 8 штук

Промпт

Премиальная подача роллов «Филадельфия», ровно 8 штук, ракурс 45 градусов, мягкий студийный свет, черный фон, глубокие текстуры лосося, кадр как для high-end food campaign.

Nano Banana 2

Запеченный ролл «Вулкан»

Промпт

Запеченный ролл «Вулкан» крупным планом, теплая фактура, запеченная шапка, выразительный блеск, темный фон, высокая детализация, premium food photography.

Nano Banana 2

Обернуть ролл в нори

Промпт

Я обычным языком попросил обернуть ролл в нори. С первого раза получилось именно то, что было нужно.

Практический вывод: держите контекст чистым и не захламляйте чат лишними сообщениями. Если результат уходит не туда, проще быстро перегенерировать, чем тащить за собой старый шум.

Видео: приветствие шеф-повара

video

Смотрите со звуком

Короткий ролик, где японский шеф-повар приветствует зрителя и задает тон бренду.

B-roll: разрезание лосося

video

Смотрите со звуком

Макросъемка разрезания лосося для промо-кадров, сторис и рекламных креативов.

B-roll: разрезание суши

video

Смотрите со звуком

Крупный план разрезания суши как отдельный food-shot для роликов и рекламных вставок.

Анимация логотипа KURO

video

Смотрите со звуком

Интро, в котором логотип будто выжигается на камне: сильный визуальный финал для всего кейса.

Промпты: видео и анимация

Здесь уже подключаются VEO 3.1 и Flow: приветствие шефа, отдельные food-shot ролики и финальная анимация логотипа.

VEO 3.1

Генерация промо-видео с шефом

Промпт

Японский шеф-повар стоит в темной премиальной кухне и коротко приветствует зрителя. Кинематографичный свет, медленное движение камеры, премиальный тон, ощущение бренда luxury delivery.

VEO 3.1

Разрезание лосося

Промпт

Макросъемка, слоу-моушен 120 кадров в секунду, 4K, острый стальной нож плавно разрезает свежий сырой лосось. Глубокий черный фон, высокая детализация, премиальный food-shot.

VEO 3.1

Разрезание суши

Промпт

Крупный план, slow motion, 4K: аккуратный нож разрезает суши на темном фоне. Чистый кадр, мягкий кинематографичный свет, акцент на текстуре и точности движения.

Google Labs Flow

Анимация логотипа

Промпт

Логотип KURO медленно проявляется на темном камне как будто выжигается жаром. Легкий дым, угольное свечение, минималистичный кадр, финал как у премиального бренд-интро.

Рынок

Что важно помнить про генерацию видео

Gemini и VEO сейчас действительно выглядят как очень сильные инструменты для видео, но рынок меняется быстро. Китайские модели часто выходят дешевле и нередко дают результат не хуже, а иногда и лучше в отдельных задачах. Поэтому здесь главный вывод не в том, что есть одна «лучшая» модель, а в том, что под свою нишу и формат роликов стоит регулярно тестировать несколько вариантов.

Что дали генераторы на практике

Контролируемая визуальная система бренда без длительного цикла с дизайн-студией.
Быстрые итерации упаковки и фуд-визуалов под единый арт-дирекшн.
Промо-контент для запуска в соцсетях и рекламных креативах.
Снижение time-to-market за счет параллельной работы стратегии и продакшена.

комментарий

Практический результат

За один рабочий цикл была собрана цельная MVP-концепция: бизнес-модель, позиционирование, фирменная упаковка и базовый набор визуального контента для запуска и теста спроса.

Итог

Итог Кейса 4

Кейс подтвердил, что ИИ способен закрывать не только креативные задачи, но и ранний продуктовый консалтинг: выявление рисков, пересборка модели и ускорение вывода MVP в рынок.

Дальше — следующий кейс

Кейс 5

Из сырого CSV в веб-приложение: аналитика на Python и Canvas

Этот кейс отвечает на очень практичный вопрос: можно ли взять обычный CSV-файл и быстро превратить его в рабочий интерфейс аналитики, а не в еще один статичный отчет.

быстрый шаг

Соберите первый рабочий интерфейс поверх CSV

1Возьмите один живой CSV, который команда уже использует в работе.
2Сформулируйте три вопроса, на которые вам регулярно нужен ответ.
3Попросите ИИ собрать минимальный интерфейс фильтров и KPI именно под эти вопросы.

Сначала полезность для решения, потом красота дашборда. Иначе получится витрина, а не инструмент.

комментарий

Что важно понять сразу

Модель справилась с двумя уровнями задачи: сначала собрала базовый аналитический слой в песочнице Python, затем развернула интерактивный интерфейс, который можно передавать команде по ссылке.

Для теста использовался CSV на 1000 строк с продажами, городами и менеджерами. Проверка фокусировалась на скорости перехода от файла к прикладной аналитике: фильтры, визуализации, итеративные правки и публикация.

Промпт для тестирования

рабочий промпт

Проанализируй этот CSV-файл с продажами и собери удобный аналитический интерфейс: фильтры по городам/категориям/менеджерам, ключевые графики и возможность быстро добавлять новые расчетные метрики.

Как модель решала задачу по шагам

Шаг 1. Песочница данных (Python)

Модель автоматически написала и выполнила код во встроенном Python-режиме, построив первичные срезы и графики. Это дало быструю опорную картину для проверки структуры и качества данных.

Вердикт: Подходит для оперативного первичного анализа и диагностики датасета.

Шаг 2. Интерактивный интерфейс

Следующий этап — генерация интерактивного интерфейса: фильтры, обновляемые графики, быстрые правки логики расчетов без ручной пересборки проекта.

Вердикт: Переход от статичного отчета к рабочему продукту для команды.

Шаг 3. Публикация и совместная работа

Интерфейс можно развернуть и отдать коллегам ссылкой. Дополнительные формулы и метрики внедряются через промпт и сразу отражаются в UI.

Вердикт: Ускорение цикла «вопрос бизнеса → рабочий инструмент анализа».

Первичный дашборд из Python

chart

Первый шаг: модель сама разобрала CSV, собрала первичные графики и показала, что именно происходит в данных до сборки интерфейса.

Интерактивный Canvas-интерфейс

image

Следующий шаг: из того же датасета модель собрала уже не просто отчет, а живой интерфейс с фильтрами, KPI и графиками для командной работы.

Бизнес-ценность кейса

Сокращение времени от данных к решению для команды.
Быстрое тестирование гипотез по продажам и эффективности менеджеров.
Снижение зависимости от полного цикла фронтенд/бэкенд-разработки на раннем этапе.
Повышение прозрачности: единая ссылка на живой аналитический интерфейс.

комментарий

Ограничения кейса

Качество результата напрямую зависит от качества входных данных и корректности бизнес-логики метрик. Финальные управленческие решения требуют валидации аналитиком и владельцем процесса.

Итог

Итог Кейса 5

ИИ показал, что может закрывать полный прикладной цикл аналитики: от обработки CSV до интерактивного инструмента, пригодного для ежедневной командной работы.

Ещё один рабочий сценарий

Кейс 6

UX/UI аудит и ревью кода: от критики до Pull Request

Здесь проверяем связку “разобрал -> предложил -> внедрил”. То есть может ли ИИ сначала провести внятный аудит интерфейса, а потом помочь довести замечания до реальных изменений в коде.

быстрый шаг

Разберите один ключевой экран, а не весь продукт

1Выберите экран, где важнее всего читаемость и конверсия.
2Попросите ИИ отдельно оценить контраст, CTA и логику сценария.
3Передавайте в реализацию только приоритетные правки и обязательно делайте review.

Быстрее всего растет не тот продукт, где “поправили все”, а тот, где улучшили один критичный путь.

комментарий

Что важно понять сразу

При корректной постановке роли и входных данных модель формирует качественный UX-аудит, а связка с агентом позволяет перейти от замечаний к конкретным коммитам и Pull Request.

Объект теста — закрытый продукт в разработке: база знаний, видеоразборы и материалы для сообщества. Задача: выявить узкие места интерфейса и проверить возможность их автоматизированного исправления.

Промпт для тестирования

рабочий промпт

Выступи как Senior UX/UI reviewer. Проанализируй экранные блоки продукта и дай приоритетный список улучшений по контрасту, иерархии CTA, читаемости и логике пользовательского сценария.

Как повышали точность аудита

Загружали интерфейс по смысловым блокам, а не длинной непрерывной лентой.
Фиксировали роль модели (UX/UI reviewer), чтобы избежать «общих советов».
Проверяли замечания на воспроизводимость до передачи в реализацию.
Сразу маркировали приоритеты по влиянию на конверсию и читаемость.

Ключевые находки аудита

Визуальный слой

Выявлены зоны слабого контраста: часть текста терялась на темном фоне, что снижало читаемость на мобильных экранах.

Вердикт: Коррекция: усиление контраста и выравнивание типографической иерархии.

Юзабилити и CTA

Обнаружены конфликты в иерархии целевых действий: несколько CTA конкурировали между собой и размывали основной сценарий.

Вердикт: Коррекция: переразметка приоритетов и упрощение пути до целевого действия.

Логический контур

Проверка календарных и контентных блоков показала несогласованности в последовательности пользовательского пути.

Вердикт: Коррекция: синхронизация логики экранов и контентных переходов.

комментарий

Переход к внедрению

Текст аудита был передан автономному ИИ-агенту, который внес изменения в кодовую базу, обновил компоненты и стили, а затем сформировал Pull Request с описанием внесенных правок.

Сравнение интерфейса до / после

image

До

После

Визуальная разница после аудита: чище иерархия, лучше читаемость, понятнее CTA и более собранный пользовательский путь.

Видео: сайт после правок

video

Живой проход по обновлённому сайту после аудита и внедрения правок: видно не только статичные экраны, но и общее ощущение от интерфейса в движении.

Что было сделано агентом

Обновлены проблемные UI-компоненты и шаблоны секций.
Скорректированы CSS-стили для контраста и читаемости.
Внедрены структурные правки в навигации и CTA-цепочке.
Сформирован PR с фиксацией изменений и пояснениями по внедрению.

комментарий

Ограничения кейса

Автономная правка кода требует обязательного human-review перед релизом. ИИ ускоряет цикл, но ответственность за продуктовые решения и регрессионную проверку остается на команде.

Итог

Итог Кейса 6

Кейс показал рабочую связку «аудит + исполнение»: ИИ может не только обнаруживать UX-проблемы, но и участвовать в их техническом устранении до уровня готового PR.

Смотрим, где ИИ реально помогает

Кейс 7

NotebookLM: аналитика больших отчетов и поиск логических противоречий

Финальный кейс про работу с большими документами: не просто быстро пересказать отчет, а достать из него структуру решений, заметить противоречия и собрать понятный краткий бриф для команды.

быстрый шаг

Соберите короткий decision brief из больших источников

1Загрузите несколько длинных отчетов по одной теме, а не разрозненный набор документов.
2Попросите модель выделить тезисы, цифры и конфликтующие выводы.
3Соберите короткий бриф для команды: что важно, где риски, что перепроверить.

Главная ценность не в пересказе, а в том, что модель помогает быстрее замечать смысловые конфликты.

комментарий

Что важно понять сразу

NotebookLM показал высокую эффективность в систематизации больших документов: выделение ключевых тезисов, генерация представления для команды и обнаружение внутренних логических противоречий.

В тест загружались два крупных PDF-отчета по внедрению ИИ-агентов в бизнесе. Цель — оценить не только скорость извлечения тезисов, но и способность модели критически проверять связность источников.

Промпт для тестирования

рабочий промпт

Проанализируй загруженные отчеты, выдели ключевые драйверы внедрения ИИ, собери краткую структуру для презентации и отметь внутренние противоречия в аргументации источников.

Как работала система по шагам

Шаг 1. Извлечение структуры

Система собрала ментальные карты и инфографические тезисы: тренды, барьеры, экономические эффекты и ключевые цифры для управленческой коммуникации.

Вердикт: Сильная скорость перехода от «сырого документа» к рабочей структуре.

Шаг 2. Аудиоразбор как инструмент ревизии

В аудиоформате были обнаружены логические несостыковки между текстом и таблицами (разные «главные драйверы» на уровне тезисов и фактических данных).

Вердикт: ИИ используется не только для пересказа, но и для критического контроля источника.

Шаг 3. Диалоговое обновление презентации

При обнаружении устаревшего блока в слайде модель получила короткую правку и пересобрала содержание с учетом актуального контекста и новой версии инструментов.

Вердикт: Высокая скорость корректировок без ручной переработки всей презентации.

Ментальная карта и инфографика

chart

Визуальная выжимка из больших отчетов: ключевые тезисы, цифры и связи, которые можно быстро отдать команде в работу.

Аудиоразбор отчета

audio

Короткий аудиоразбор помогает быстро услышать, где тезисы отчета расходятся с таблицами и фактическими выводами.

Инфографика для быстрого рассказа по теме

image