Иван, 15 марта 2026
GeminiКейс 1. Пространственная логика ИИ
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.
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 входит в число ключевых критериев. Ошибка автономного ИИ-агента может приводить к прямым финансовым потерям. Я сравнил актуальные модели Google, OpenAI, Anthropic и DeepSeek, а в финале рассмотрел экономику API.
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 ответили модели:
- 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
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. Дополнительно нейросеть предложила агентский подход. Вердикт: точное удержание контекста и физики задачи.
Решила задачу через строгую дедукцию: автомобиль это физический объект, который необходимо доставить в точку B. Вывод модели: если идти пешком, задача не выполняется, так как автомобиль остается у дома. Вердикт: логика без разрывов между текстом и реальным миром.
2. OpenAI, линейка ChatGPT 5.1-5.4
Алгоритм корректно посчитал математику: 100 метров пешком это 1–2 минуты. Затем потерял физический смысл задачи. Вердикт: идеальная арифметика, но ошибка в базовой причинно-следственной цепочке.
Более дорогая версия тоже не удержала физическую суть задачи: подробные расчеты скорости пешехода не помогли. Вердикт: высокая вычислительная глубина не спасла от логической ошибки.
Если используете тяжелые модели ChatGPT, сложные аналитические задачи лучше запускать в непиковые часы нагрузки (обычно поздний вечер или ночь по времени США).
3. Экосистема Anthropic, динамика качества Claude
Обе версии без режима размышления ушли в сухие вычисления скорости и потеряли исходный смысл задачи.
Быстро идентифицировал логическую ловушку и назвал выбор «машина или пешком» ложной дилеммой. По качеству ответа Sonnet 4.6 здесь был уже на уровне Opus 4.6. Вердикт: системное мышление у Claude заметно усилилось.
4. DeepSeek, практическая логика
Последовательно деконструировал задачу: посчитал время движения (~18 секунд), учел амортизационные риски и влияние холодных пусков на двигатель. Вердикт: практичная логика с учетом эксплуатационных факторов.
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%.
Экономика автоматизации
Для 90% автоматизаций Gemini 3.1 Flash сейчас выглядит самым сильным кандидатом по соотношению логики и цены.
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. Для генерации кода OpenAI остается сильным инструментом, но для логики сложных бизнес-процессов лидерство удерживают Gemini и новые версии Claude.
Практические рекомендации:
- 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.
- Токен-экономика на масштабе: проверять стоимость входа/выхода до запуска в прод.
Это глубокая, но все же точечная проверка на одном сценарии. Перед внедрением в прод проверяйте модели на своих реальных задачах.
Кейс 2. OSINT и пространственное зрение
Здесь проверяем популярный миф: действительно ли модель умеет определять локацию только по метаданным или явным подсказкам в кадре.
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.
Я провёл практическую проверку мультимодальности: взял скриншот неприметной московской улицы, удалил геометки и исключил явные ориентиры.
Дано: серый забор, асфальт, дорожная разметка, несколько зданий на горизонте. Без EXIF, без читаемых вывесок, без «сильных» ориентиров вроде Кремля или Москва-Сити.
Где я? (к сообщению прикреплен скриншот без метаданных)
Как Gemini 3.1 Pro пришел к ответу
- Определение макрорегиона
Модель анализирует дорожную разметку, тип застройки и элементы городской инфраструктуры. Гипотеза не фиксируется преждевременно: идет поэтапная верификация.
- Поиск структурных зацепок
Объект, который базовый CV-классификатор определил бы как «серая стена», модель интерпретировала как шумозащитный экран рядом с железнодорожной инфраструктурой. Ключевая ценность не в лейбле объекта, а в его функциональной роли в среде.
- Разрешение противоречий
Модель сопоставила объекты на горизонте и выявила конфликт между текущей гипотезой и фактическим направлением взгляда. Сценарий был пересчитан, а не «дотянут» до удобного ответа.
- Геометрическая триангуляция
Финальная локализация строилась через пространственные векторы: направление дорог, взаимное расположение ориентиров и предполагаемый азимут камеры. По сути это геометрическая оценка сцены, а не угадывание по шаблонам.
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.
Ответ Gemini: Москва, улица Бутырский Вал, направление камеры северо-восток. По факту модель ошиблась буквально на один перекресток, но Baker Plaza оказалась совсем рядом. Для такого нейтрального кадра это очень сильное попадание.
Применение в бизнесе:
- 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.
Это единичная, но глубокая проверка. Перед внедрением в производственный контур модель необходимо прогнать на вашей географии, ваших типах камер и ваших сценариях ошибок.
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.
Кейс 3. Спортивная биомеханика
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.
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.
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)
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
Таз находился слишком далеко от грифа, из-за чего корпус избыточно заваливался вперед. Коррекция: подвести таз ближе к грифу и выстроить старт так, чтобы сохранить вертикаль усилия.
В момент срыва штанга уходила вперед от голени, что смещало центр тяжести. Коррекция: удерживать гриф ближе к телу на старте и контролировать вертикальную траекторию.
Перед началом подъема не хватало нормальной натяжки штанги и мышц: вместо собранного старта получался резкий рывок. Коррекция: перед отрывом штанги сформировать жесткое натяжение системы «тело-гриф-пол».
Советы по съемке видео для анализа:
- Ракурс: 45 градусов, чтобы модель видела траекторию грифа и работу таза/коленей.
- Контраст: одежда и фон должны различаться.
- 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.
За сутки физическая сила не меняется существенно, но за счет коррекции биомеханики 200 кг на 2 повторения (+20 кг к предыдущему тесту) ощущались стабильнее и субъективно легче, чем подход 180 кг с ошибками техники.
Компетентный живой тренер остается приоритетом. ИИ стоит использовать как вспомогательный аналитический слой, но не как основу для самостоятельного построения макроциклов и работы через боль.
Применение в бизнесе:
- 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.
Кейс подтвердил практическую роль ИИ как прикладного аналитика: модель способна выявлять критические дефекты техники и давать корректировки, которые можно проверить в следующей итерации.
Кейс 4. Проектирование MVP, 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.
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.
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.
Стратегия, разбор исходной модели
Для выбранной территории премиальное позиционирование в исходном виде выглядело рискованно. Коррекция: пересобрать формат запуска, а не усиливать маркетинг на слабом фундаменте.
Название «Сакура» модель оценила как перегруженное ассоциациями массового сегмента. Коррекция: ребрендинг в более чистую систему (KURO).
Собственная курьерская логистика формирует избыточные фиксированные расходы. Коррекция: вынести доставку в агрегаторы до достижения устойчивого объема.
ИИ предложил формат Dark Kitchen, жесткое позиционирование в азиатский минимализм (KURO), прием заказов через Telegram-бот и интеграции автоматизации через n8n.
Модель предложила Telegram-бот не в вакууме. Она опиралась на контекст прошлых задач и бэкграунд с ботами и автоматизациями на n8n.
Визуальная система бренда
Промпты, бренд и упаковка
Создай минималистичный логотип для премиального суши-бренда KURO. Белый фон, глубокий черный знак, чистая типографика, ощущение японского минимализма без лишнего декора.
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.
Food-визуалы
Промпты, меню и контроль кадра
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.
Запеченный ролл «Вулкан» крупным планом, теплая фактура, запеченная шапка, выразительный блеск, темный фон, высокая детализация, premium food photography.
Промпты, видео и анимация
Японский шеф-повар стоит в темной премиальной кухне и коротко приветствует зрителя. Кинематографичный свет, медленное движение камеры, премиальный тон.
Макросъемка, слоу-моушен 120 кадров в секунду, 4K, острый стальной нож плавно разрезает свежий сырой лосось. Глубокий черный фон, высокая детализация.
Крупный план, slow motion, 4K: аккуратный нож разрезает суши на темном фоне. Чистый кадр, мягкий кинематографичный свет.
Логотип KURO медленно проявляется на темном камне как будто выжигается жаром. Легкий дым, угольное свечение, минималистичный кадр.
Gemini и VEO сейчас выглядят как очень сильные инструменты для видео, но рынок меняется быстро. Китайские модели часто выходят дешевле. Под свою нишу стоит регулярно тестировать несколько вариантов.
Результаты для бизнеса:
- 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.
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.
Кейс 5. Из сырого CSV в веб-приложение
Этот кейс отвечает на практичный вопрос: можно ли взять обычный CSV-файл и быстро превратить его в рабочий интерфейс аналитики.
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.
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
- Песочница данных (Python)
Модель автоматически написала и выполнила код, построив первичные срезы и графики. Подходит для оперативного первичного анализа и диагностики датасета.
- Интерактивный интерфейс
Генерация интерактивного интерфейса: фильтры, обновляемые графики, быстрые правки логики расчетов. Переход от статичного отчета к рабочему продукту для команды.
- Публикация и совместная работа
Интерфейс можно развернуть и отдать коллегам ссылкой. Дополнительные формулы и метрики внедряются через промпт.
Ценность для бизнеса:
- 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.
Качество результата напрямую зависит от качества входных данных и корректности бизнес-логики метрик. Финальные управленческие решения требуют валидации аналитиком.
ИИ показал, что может закрывать полный прикладной цикл аналитики: от обработки CSV до интерактивного инструмента, пригодного для ежедневной командной работы.
Кейс 6. UX/UI аудит и ревью кода
Здесь проверяем связку «разобрал -> предложил -> внедрил». Может ли ИИ сначала провести внятный аудит интерфейса, а потом помочь довести замечания до реальных изменений в коде.
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.
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
Выявлены зоны слабого контраста: часть текста терялась на темном фоне. Коррекция: усиление контраста и выравнивание типографической иерархии.
Обнаружены конфликты в иерархии целевых действий: несколько CTA конкурировали между собой. Коррекция: переразметка приоритетов и упрощение пути до целевого действия.
Проверка показала несогласованности в последовательности пользовательского пути. Коррекция: синхронизация логики экранов и контентных переходов.
Текст аудита был передан автономному ИИ-агенту, который внес изменения в кодовую базу, обновил компоненты и стили, а затем сформировал Pull Request.
Что сделал агент:
- 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.
Автономная правка кода требует обязательного human-review перед релизом. ИИ ускоряет цикл, но ответственность за продуктовые решения остается на команде.
Кейс показал рабочую связку «аудит + исполнение»: ИИ может не только обнаруживать UX-проблемы, но и участвовать в их техническом устранении до уровня готового PR.
Кейс 7. NotebookLM, аналитика больших отчетов
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.
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.
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
- Извлечение структуры
Система собрала ментальные карты и инфографические тезисы: тренды, барьеры, экономические эффекты и ключевые цифры для управленческой коммуникации.
- Аудиоразбор как инструмент ревизии
В аудиоформате были обнаружены логические несостыковки между текстом и таблицами. ИИ используется не только для пересказа, но и для критического контроля источника.
- Диалоговое обновление презентации
При обнаружении устаревшего блока модель получила короткую правку и пересобрала содержание с учетом актуального контекста.
Ценность для бизнеса:
- Быстрая подготовка аналитических брифов для руководства и продаж.
- Сокращение времени на чтение больших отраслевых отчетов.
- Выявление противоречий в источниках до принятия стратегических решений.
- Ускорение обновления презентаций и обучающих материалов.
Любые числовые и фактологические выводы, извлеченные ИИ, требуют ручной проверки по первоисточнику. Модель ускоряет аналитический цикл, но не отменяет процедуру валидации.
NotebookLM в этом тесте выступил как аналитический ускоритель: структурирует большие документы, помогает обнаруживать смысловые разрывы и снижает стоимость подготовки качественных управленческих материалов.
Главы ролика
13 глав, весь ролик 38 минут. Нажмите на главу, и ролик начнётся с неё
- 0:00Эра поиска прошла, как Gemini встроился в рабочую рутину1 минута
- 1:24Блок 1, битва логики и понимание физики5 минут
- 6:51Блок 2, OSINT, пространственное зрение по пустому кадру5 минут
- 11:34Блок 3, аналитика биомеханики становой тяги4 минуты
- 15:11Блок 4, MVP с нуля, проектирование Dark Kitchen «KURO»3 минуты
- 18:09Генерация визуала продукта, Nano Banana 23 минуты
- 20:45Промо-видео, VEO 3.12 минуты
- 23:06Анимация логотипа, Google Labs Flow2 минуты
- 24:40Блок 5, из CSV в дашборд на Python через Canvas2 минуты
- 27:08Блок 6, ИИ-аудит UX/UI и правка кода сайта3 минуты
- 30:08Блок 7, NotebookLM, анализ отчётов и аудио-подкаст6 минут
- 35:39Итоги, почему автоматике нельзя слепо доверять бюджетыменьше минуты
- 36:38Где забрать базы знаний и месяц подписки за 0$меньше минуты
Не открывается плеер? Смотреть на YouTube
Не получается повторить? Спросите помощника в Telegram. Он знает все разборы и уроки и отвечает со ссылками.
Спросить помощникаНужно так же, но под вашу задачу? Внедряю ИИ в маркетинг и учу команды.
Работа со мной
