Кейс: как Cursor облажались с выбором бизнес-модели и ее трансформацией

Среди AI-тулов сегодня очень популярна модель "заплати 20 баксов и получи Х быстрых запросов и безлимит на медленные". Это понятная для конечного пользователя формула, которая неплохо помогает расти, пусть для самих компаний она явно убыточна.

Большинство ИИ-стартапов просто прожигают инвестиционные деньги с целью захвата доли рынка и увеличения пользовательской базы. Такое не могло продолжаться бесконечно и должен был найтись кто-то, кто покажет "как правильно начать генерировать прибыль". Вместо этого - нам показали "как делать не надо" :D

Что произошло?
У Cursor - самого популярного ИИ-редактора кода пару недель назад сменилась бизнес-модель. Если раньше давали 500 быстрых запросов и безлимит на медленные, то сейчас компания сказала, что лимиты будут динамическими. В первичном сообщении говорилось, что для конечного пользователя такая формула даже лучше. Помимо этого, компания убрала ограничение на 25 вызовов инструментов за один запрос.

В итоге, спустя неделю многие пользователи начали сообщать, что получают сообщения о том, что их лимит выгорел за неделю, а у кого-то осуществился даже перевод на тариф Pay As You Go, где оплата идет по количеству запросов.

4 июля компания выпустила пост с извинениями, где пояснила: теперь вам дается 20$ на запросы по цене API и этого хватит 225 запросов к Sonnet 4, 550 Gemini и так далее. Но лучше от этого не стало :)

В чем проблема?
Говоря прямым языком - Cursor жестко обосрались, наступив на типичные AI-грабли!

Помимо кривой коммуникации и сложности понимания новых тарифов для пользователя (они даже сейчас не так прозрачны), были вещи куда хуже.

Ошибка 1: они сформировали у пользователей губительную для себя модель поведения. Мол, ты задавай сколько угодно запросов, исчерпаешь - не парься. Люди ПРИВЫКЛИ к халяве, сформировав паттерн поведения, а теперь у них начали просить деньги за то, что раньше было бесплатно. Усугубило ситуацию отключение лимита на вызовы инструментов, Sonnet теперь может прожечь ВЕСЬ ВАШ ЛИМИТ за ОДИН ПРОМПТ!

Ошибка 2: они не образовывали свою аудиторию. Объективно говоря, их ключевая ЦА - разработчики, а разработчики в абсолютном своем большинстве не умеют писать промпты, просто потому что для этого нужны менеджерские навыки. Второй их сегмент - вайбкодеры, которые пишут код "тупо на вайбе" и не парятся с запросами. В итоге в лимиты уперлись ВСЕ! Гайды по промтингу, написанию Rules и стратегиям экономии на сайте найти ОЧЕНЬ СЛОЖНО. Вот и результат!

Ошибка 3: неверно выбранная бизнес-модель. В сочетании с ошибками выше просто нельзя было так сильно резать базовый тариф. Гораздо лучше сработало бы ограничение по моделям, например, ограничить использование Sonnet, убрать условный безлимит, оставив 500 запросов и делать это постепенно. Либо можно было изначально работать исключительно по модели токенов, как это делают Bolt, где подписка дает тебе определенное количество токенов, если исчерпал - можешь докупить. Кстати, Bolt еще хорош тем, что у него просто куча инструкций и гайдов по промптингу, в отличие от Cursor.

Все перечисленное привело к оттоку юзеров и куче возмущений. И теперь интересно две вещи: будут ли Cursor делать что-то еще и научатся ли другие на их горьком опыте?

Друзья, вижу поддержку с вашей стороны в конкурсе, хотя я даже не говорил о начале головования 😅 Оказалось, что я сейчас лидирую, благодаря вам!

Нужно удержать лидерство 🙂 Победа даст мне прирост трафика в канал, а вам - больше контента.

Как меня поддержать всего в два действия:
1. Подписаться на канал конкурса https://news.1rj.ru/str/tg_contest_main и быть подписаным на мой канал
2. Заполнить форму, выбрав в списке “NGI | Влад Корнышев про AI и создание AI-продуктов” и указав свой ник в telegram обязательно через @, вот так @vladkor97.

Буду очень благодарен каждому. Конкурс продлится до 14 июля!

🔥 Итоги первого дня голосования! 🔥

Гонка началась, и сразу видно — у некоторых каналов очень активная и лояльная аудитория. Вот номинации, где уже вырвались уверенные лидеры:

Карьера — @fearstop
Образование и книги — @voice_and_life
Юмор — @bogdan_e
Психология и саморазвитие — @molodayamat50
Дизайн — @AngelTDesign
AI и инновационные технологии — @NGI_ru
Разработка и управление командой — @teamlead_stories
Продажи и маркетинг — @ignatova_mr_protexti

В остальных номинациях пока идёт плотная борьба — голоса распределяются равномерно или их ещё недостаточно, чтобы выявить явного лидера.

💡 Обратите внимание: в лидерах не самые крупные каналы, а те, чья аудитория действительно готова голосовать и поддерживать. Лояльность решает!

🖱 Теперь на сайте конкурса можно кликнуть по названию номинации и сразу перейти к списку каналов и форме голосования. Удобно!

⏳ До конца голосования — ещё 6 дней. Всё может поменяться. Вперёд за победой!

Технический продакт как одно из самых востребованных направлений
Я уже как-то писал про то, как изменится продакт менеджмент. Пост все еще актуален, кто не читал и видит свою карьеру в этой сфере - рекомендую сделать это :) А сегодня я хочу поговорить об отдельном навыке, а именно - технической подкованности.

Здесь я имею ввиду не базовую техническую и AI грамотность, а более глубокий набор навыков, в частности:
- понимание типов ИИ и особенностей их функционирования;
- умение работать с кодом на уровне "я могу собрать MVP продукта в соло с помощью ИИ";
- понимание основ кибербезопасности, базовое понимание протоколов шифрования и защиты данных;
- понимание базовых принципов Data Science, особенностей сбора датасетов и тестирования технических гипотез;
- понимание что такое RAG, чанки, эмбединги и все, что с ними связано;

И многое другое...

В общем-то, мы должны осваивать те навыки, которыми владеют разработчики. Почему так? Потому что ИИ делает их для нас доступными.

Если раньше нам нужно было формировать насмотренность и опыт через взаимодействие с командой, чтобы понять, насколько корректно разработчик оценивает сроки выполнения задачи, то сейчас мы можем формировать понимание сложности задачи самостоятельно.

Если раньше нам надо было неделями ждать нового прототипа, то сейчас мы можем сделать его за один день.

Если раньше мы могли полагаться исключительно на мнение разработчика при проектировании архитектуры какого-то сервиса, то сейчас мы можем прототипировать разные архитектуры и технические решения самостоятельно, понимая их плюсы и минусы. И так можно продолжать до бесконечности...

Что нам это дает?
Во-первых - общий буст в Time To Market, т.к. мы ускоряем базовые процессы разработки продукта.

Во-вторых, спустя какое-то время вы сможете общаться с командой разработки на одном языке и бустанете сам процесс разработки. Но не в стиле критики: "зачем ты выбрал это решение, а не это", а скорее "я тут пробовал такой-то метод, что думаешь по его поводу, подойдет ли он нам?". Здесь играет банальный человеческий фактор: ваш разработчик мог просто забыть о чем-то простом и элегантном, что является ключом к разрешению проблемы.

В-третьих, понимая технические особенности процесса - вы сможете грамотнее ставить бизнес-цели. А это дает огромное количество плюшек, начиная с счастливой команды и респекта от разработчиков и заканчивая возросшими бизнес-метриками. Лучшие стартапы делались через сочетание технической и бизнес-экспертизы, а сейчас возможность сформировать и ту и другую в себе как никогда доступна.

В-четвертых, вы защитите свою команду от нереалистичных требований внутренних и внешних заказчиков, зная, как все работает изнутри. Кроме того, вы ускорите коммуникацию с заказчиком, так как вам нужно будет реже ходить к разработке, "чтобы что-то уточнить".

В-пятых, вы повысите свою ценность в глазах руководства. Командные игроки, которые в случае необходимости могут затащить в одиночку всегда ценились, так будет и дальше.

В общем, качайте технические навыки, проходите курсы, пробуйте кодить сами, общайтесь со своими разработчиками, задавая им глупые вопросы, и на дисанции вы увидите эти и многие другие плюшки.

Как LLM косячат в человекоцентричных задачах

Для меня LLM стали незаменимым инструментом в задачах, где мне нужно обрабатывать большие массивы информации. Благо, подобных у меня, как у продакта - довольно много: исследования, интервью с пользователями, отзывы и обратная связь на разрабатываемые продукты и много чего другого. Благодаря им я трачу в десятки раз меньше времени на все эти операции, но здесь не обошлось без ложки деготя…

Многие знают, что LLM склонны галюцинировать. С этим можно и нужно бороться через контроль температуры, правильный промпт-инжиниринг и управление контекстом, например, как я делаю при чтении с ИИ. Однако с последним поколением моделей вроде GPT o3, Gemini 2.5 PRO и Sonnet 4 проявляется проблема похуже.

Суть проблемы
В последние месяцы я активно использовал LLM для всего того, что описал выше, и заметил, что указанные мной модели как никогда сильно косячат в задачах, где важно человеческое суждение: эмоциональный интеллект, оценка soft skills, анализ обратной связи. Я неоднократно повторял, что ИИ и эмпатия несовместимы, но сейчас ситуация стала хуже и нам нужно быть еще внимательнее.

Вот лишь несколько моих кейсов, где модель была неправа:
⁃ классифицировала положительные отзывы с развернутой ОС про “что можно сделать лучше” как негативные;
⁃ 3 из 3 раз проигнорировала софт-скиллы кандидатов;
⁃ загнобила меня за сообщение с конструктивной критикой, сказав, что я токсичный 😁;
⁃ 100 раз назвала меня гениальным, после того, как я исправлял ее ошибки;
⁃ многократно доказывала мне, что я не прав, отказываясь давать заднюю даже при сильной аргументации.

Почему это происходит?
Виной всему Reinforcement Learning (RL).. На этом уже спотыкались OpenAI, когда их обновление GPT 4o сделало модель подлизой и ее пришлось откатывать. RL сейчас активно применяется для обучения моделей, и одной из побочек здесь является то, что в процессе обучения модель учится достигать своей цели любыми доступными способами. Поэтому, когда модели на вход подается информация, где нет единственного правильного ответа - она просто пытается зацепиться хотя бы за что-то, чтобы спрогнозировать “правильный” по ее мнению ответ. Выражается это либо в гипетрафированных “эмоциях” либо в том, что модель просто решит их игнорировать.

Как с этим бороться?
1. Управляйте семантикой - не давайте в своих промптах оценочных суждений. Не спрашивайте модель “хорошо ли я сделал?”. Модель будет цепляться за ваше “хорошо” и это уже будет влиять на ее ответ. Вместо этого пишите “дай взвешенную оценку, включающую плюсы и минусы”.
2. Не верьте первому ответу - модель будет лениться. Задавайте уточняющие вопросы, спрашивайте, насколько модель уверена в своем ответе.
3. Просите модель покритиковать свой же ответ - пусть LLM сама проанализирует свой ответ, следующим шагом попросите ее доработать свой первоначальный ответ, учитывая эту ОС.
4. Используйте предыдущие версии моделей - в тех задачах, что я описал, они справляются лучше. Гораздо проще переключить на Gemini 2.0, чем по 100 раз даблчекать результат.
5. Опирайтесь на собственное мнение и формируйте его ДО того, как увидите ответ LLM - вы несете ответственность за результат работы с ИИ. О человеческом должен судить человек, а не машина.

В комментариях делитесь, какие у вас были кейсы, когда LLM ошибалась в чем-то подобном!

Открытый практикум по управлению контекстом LLM

21 июля, в 19:00 по МСК, прямо здесь я проведу открытый практикум по управлению контекстом при работе с LLM!

Последний месяц я прямо очень плотно погружен в тренинги: сейчас у меня идут параллельно B2C потоки по обоим и пара корпоративных потоков (поэтому постов стало меньше). За это время я ответил на кучу вопросов, проверил несколько десятков домашек, и вот что я заметил. Промпт инжиниринг - это, конечно, хорошо, но управление контекстом, являющееся одной из его ключевых составляющих, как показывает практика, страдает у многих. По этому поводу я решил провести вебинар по этой теме! Эфир, как и всегда, бесплатный.

На эфире разберу:
1. Как понять сколько контекста нужно LLM?
2. Когда контекст нужен, а когда наоборот лучше от него избавиться?
3. В каких задачах контекст вообще не поможет?
4. Что говорят в исследованиях?

Прошлый эфир в пике набрал около 200 человек, на этот хочу пробить отметку в 400. Делитесь этим постом с другими: это поможет мне пробить целевую отметку 🙂

Если повезет - притащу с собой второго спикера. Приходите, будет интересно!

Учимся делать продукты, играя в игры

У меня был период в карьере, где игры являлись неотъемлемой частью моего рабочего процесса - когда я работал с VR в Pearson. Но все остальное время для меня это хороший способ отдохнуть и переключиться.

С детства я играл в разные игровые приставки, какие-то были у меня, какие-то - у друзей, но из всего, что я пробовал - особое место всегда занимали игры от Nintendo. И сейчас, уже во взрослом возрасте, со своей профессиональной деформацией, я понимаю, что происходит это из-за того, что японцы круто умеют делать две вещи: продукты, которые нравятся людям, и зарабатывать деньги на этом 😎 И я не совру, сказав, что я не просто играю, а учусь различным продуктовым и бизнесовым механикам на их примере.

Что делают круто?
1. Идеальная сегментация и позиционирование. 152 млн. проданных Nintendo Switch говорят о многом. У компании четкое позиционирование Switch как гибридного устройства для всей семьи. В Mario и Zelda интересно играть всем и везде: от детей 5 лет, для которых это понятные и веселые персонажи, до 40-летних мужиков, которые ловят ностальгию по своим первым приставкам и восхищаются игровыми механиками. На рынке нет ни одной консоли, которая может предложить то же самое. У Nintendo работает связка консоль + игры. Вы можете сделать сколько угодно гибридок, но на них не будет игр от Nintendo 🙂

2. Сумасшедший Retention. Сами игры построены так, чтобы в них возвращались бесконечно. Едешь 5 минут в маршрутке - вот тебе маленькая головоломка в The Legend of Zelda, отдыхаешь после работы - вот тебе квест на 3 часа. Играя в игры Nintendo, ты чувствуешь, что ты именно играешь, а не проходишь игру. Это то чувство, которое многие оставили в детстве, перейдя во взрослую жизнь, где нужно решать проблемы. Nintendo его возвращают: люди наигрывают в Зельду и Animal Crossing по 500+ часов. Фишек, способствующих этому огромное множество. Если хотите увеличить Retention своего продукта - посмотрите и вдохновитесь серией от самих Nintendo, где они рассказывают про применяемые механики, вы увидите кучу коммерческих продуктов не из геймдева, которые их применяют 😁

3. Nintendo научились выводить продукты на рынок. Сейчас вышла Switch 2, которая побила все рекорды по продажам. В США и Японии ее не купить, в России и ЕС ситуация лучше, но один из ключевых рынков - все-таки Штаты. Блогеры хаят компанию за слабую стартовую линейку игр, мол, из новинок только Mario Kart, а Cyberpunk 2077 никому не нужен, т.к. все прошли ее на других консолях.

А теперь внимание: предыдущая версия Mario Kart продалась тиражом 68 млн (6 место самых продаваемых игр в истории), а сама игра является бесконечной и в нее будут играть в течение всего жизненного цикла консоли, в том числе, благодаря механикам. В мультиплеерных играх Nintendo всячески помогает тем, кто играет хуже, уравнивая шансы игроков на победу, таким образом, обеспечивая конкурецию и желание побеждать для каждого. Что касается Киберпанка - во-первых, часть владельцев Switch в нее нигде раньше не играли, во-вторых, цель данной игры - скорее быть бенчмарком и показать разработчикам способности Switch 2, чтобы привлечь больше сторонних проектов.

Через месяц Nintendo выпустят новую Donkey Kong, но блогеры жалуются, что могли бы это сделать на старте. Да, могли, если бы хотели меньше заработать. Nintendo взяли свой самый большой целевой сегмент и дали то, что им нужно: самую продаваемую игру и хайповую кросс-платформу, в которую мало кто играл, а остальные игры раскидали релизами в течение года. Почему раскидали? На старте люди и так тратят на консоль и 2 игры около 550 баксов. Давая большой выбор на старте - вы понижаете совокупные продажи каждой из них, т.к люди будут не покупать еще одну игру сверху, а выбирать между тем, что есть. Если же игры раскидать - за месяц аудитория пройдет то, что есть и накопит денег на что-то новое. С большими суммами проще расставаться постепено 😄

Можно ненавидеть Nintendo, но с рынком и своими продуктами они работают лучше всех, чему стоит поучиться. А я пока пойду поиграю в Switch 2, подаренный моей женой 🤍

Завершился худший конкурс ТГ-каналов

Ну что, закончился конкурс, о котором я писал ранее. И худший он не потому что я не выиграл, но теперь я могу излить весь негатив, будучи уверенным, что он не повлияет на результаты.

Рассказываю, почему конкурс - худшее, что я постил к себе в канал.

Во-первых, организаторы не соблюли свои же условия: писали, что минимальный порог подписчиков для участия - 200 человек, а посты будут отбираться. В большом канале я видел репосты с каналов с 39, с 60 подписчиками, а сами посты были максимально стремного содержания: мат, отсутствие информационной ценности.

Во-вторых, отсутствие прозрачности: непонятны критерии отбора и непонятны результаты. Например, для меня искренне непонятно, как я лидируя 5 дней подряд не оказался в числе двух победителей :)

В-третьих, все было в кучу. AI, психология, шутки за 300, что-то там про бизнес. Канал, в котором проводился конкурс, превратился в огромную помойку. Я раз за разом пытался найти там что-то стоящее, но заходил, офигевал от треш-постов вроде этого или этого, закрывал канал. Извините конечно, но я считаю, что такое и посты, которые несут пользу, не могут находиться в одном канале. Быдла у меня и у подъезда достаточно. Из авторов я бы выделил Настю и Константина. Этих ребят приятно читать, и я очень рекомендую на них подписаться.

В-четвертых, из нашей категории практически не было репостов. Про AI репостнули кого угодно, кроме тех, кто про него реально пишет. У Константина репостнули только один пост, у Насти - я не увидел ни одного. У остальных участников - точно аналогично (может упустил). В чате направления мы возмущались по этому поводу. Результат такой, что нам сказали "да, мы облажались", исправим в следующий раз. Ребята, исправлять надо не в следующий раз, а в процессе. Если вы не успеваете - продлите конкурс на неделю. Я предлагал сделать отдельные посты для каждого автора, это проще простого сделать через LLM. Но организаторам важнее было формально провести конкурс, чем что-то делать.

Итого, в очередной раз убеждаюсь, что подобного рода конкурсы - это помойка. Куда лучше старые-добрые коллаборации и платная реклама.

Вижу, что открыл портал в ад.

Ещё раз увижу любое оскорбление в свой либо в чей-то ещё адрес - все участники улетят в бан. Кто с моим мнением здесь не согласен - вы либо выражаетесь нормально либо валите из канала.

Это мой канал, где я выражаю свое мнение, и я никому не позволю указывать мне, как и что писать.

Почему AI не нужен 99% бизнеса

Эта тема настолько масштабна, что мы с коллегами планируем по ней отдельный эфир. Однако количество запросов на ИИ сейчас так велико, что захотелось перечислить основные причины.

Итак, в чем же проблема?
Отсутствие у менеджмента понимания ИИ. Сейчас мы находимся на волне GPT-хайпа. Однако LLM≠ИИ. Большая часть людей, включая ЛПР, не имеют представления, что такое ИИ. Они идут в ChatGPT, задают какой-то базовый вопрос получают ответ, и вешают на GPT ярлык ИИ общего назначения, который может все. Помню, как в Skyeng в 2022, когда начался тренд на сокращения, несколько топов бегали с идеей засунуть везде GPT и сократить штат 😁 Вот так и рождаются запросы на впихнуть GPT в 10 сценариев, из которых 9 будут абсолютно бесполезны либо просто прожгут бюджет.

Менеджмент далек от линейных сотрудников и думает, что ИИ все решит. Как правило, ЛПР мало чего знают о том, что происходит "в полях". Чем круче ты менеджер - тем ниже у тебя осведомленность. Это не упрек в сторону управленцев, это естественно для иерархичных структур. Отсюда, вместе с пунктом 1, возникает ощущение, что "вот здесь ИИ" точно поможет. Но зачастую это вообще не так. Зная поверхностно о проблеме ты предлагаешь поверхностные решения, леча симптомы, а не первопричину.

ИИ не решает вашу проблему, если вы не пробовали решать ее иначе. В моем фреймворке AI-дизайна продукта один из вопросов, на которые нужно ответить на стадии инициации - это "Какие есть альтернативные способы решения данной проблемы?". Следующий вопрос: "Чем плохи эти альтернативы?". Как правило, те, кто хотят ИИ, эти вопросы даже себе не задавали, хотя есть куча способов решения их запроса быстрее и за меньше денег. Это может звучать странно от человека, который зарабатывает на ИИ, но нам интереснее работать над проектами, которые помимо денег еще несут и пользу.

Отсутствие опыта внедрения ИИ. Если ты никогда раньше не внедрял ИИ в бизнес - ты не знаешь всех особенностей этого процесса и подводных камней. Люди не знают, что за данные нужны для ИИ и в каком количестве, какая нужна инфраструктура, они не понимают нелинейность процесса разработки ИИ. Для них ИИ - это очередная традиционная разработка, которую можно выполнить по ТЗ. Однако в процессе выясняется, что у бизнеса нет данных, нет инфраструктуры и культуры экспериментов, а если начать рабоать над всем этим, то выяснится, что “ой, дорого”, и ИИ им в итоге не нужен.

Отсутствие четкой бизнес-задачи. Главная боль вообще всех, кто занимается внедрением и ИИ-разработкой. Чаще всего, когда ты начинаешь копать, что, зачем и как нужно сделать, оказывается, что заказчик не выполнил свое ДЗ и задача у него не оформлена. Просишь покопаться в этом, а в результате оказывается, что задачу нужно еще описать, подсобрать данные, сформулировать гипотезы и проекты глохнут 🙂

Для большинства AI в том виде, который они хотят, не окупится. Не самые сложные проекты стоят порядка $60 000. Это затраты на команду, данные, разработку. Добавьте к этому затраты на поддерку и содержание системы. Часто внедрение в том виде, в котором хочет заказчик, будет окупаться минимум 2 года. По-сути это следствие вышеописанных проблем, однако подумайте: нормальный ли это срок окупаемости на не самую большую для бизнеса сумму? Не забудьте сделать поправку на темпы развития AI. Выбирать задачу нужно тщательно, и еще тщательнее просчитывать ROI и риски. И лучше чтобы это делали люди с опытом в ИИ, а не простые бизнес-консультанты.

Это не все причины, а лишь малая их часть. Как и говорил, через несколько недель анонсируем эфир по этой теме.

Самый ценное, что я получаю со своих тренингов - это когда я вижу, что люди, которые у меня обучаются, начинают применять ИИ в своей повседневной деятельности и достигают результатов не когда-то в будущем, а прямо во время самих потоков. Самый большой кайф ловлю от того, что люди, которые приходят, сами по себе очень крутые, задают кучу вопросов, которые помогают и мне развиваться вместе с ними.

Отвел 5 потоков по личной эффективности, 3 по менеджменту. В текущих осталась еще пара занятий, после - уйду на перерыв до конца августа. Отдыхать и пересобирать программы обоих 🙂 А пока вот несколько примеров маленьких побед

блин, собеседования ооочень удобно с гемини обрабатывать) кратно сокращает ресурс

очень рекомендую всем)

Всем привет! Я тоже хочу поделиться, так вышло что пришлось отстать от онлайн курса, но тоже уже применила ai studio для обработки ответов разработчиков и формирования на их основе статей во внутреннюю базу знаний для пользователей. Уже увеличили объем обрабатываемых данных и наполняемость базы знаний. И для обработки писем по опросу аналитиком 1с пользователей промт ИИ хорошо ложится в формирование ТЗ ( процентов 75-80 от исходного ответа ИИ остается, остальное доуточняется аналитиком 1с), но тут конечно стоит учитывать сложность проекта (время точно сэкономили).

Размышления про Cursor: как я писал код с AI до него и будут ли нужны такие редакторы кода?

По большому счету ключевой плюс Cursor - это удобство коммуникации с LLM. Все, что делает сервис - это управление вашим контекстом, через передачу в LLM релевантных строк кода, с последующим внесением изменений. Но основную работу при этом делают сами LLM. И если раньше управление контекстом на стороне Cursor сильно помогало, то вместе с ростом возможностей LLM, данный тул становится менее актуальным. Появление Reasoning моделей и смена модели монетизации Cursor делает более важным то, как управляете контекстом ВЫ, а не какие данные выдернет из кода за вас ИИ-агент. При всем при этом, Cursor нужно зарабатывать, поэтому компании может быть просто невыгодно, чтобы автоматическое управление контекстом было максимально эффективным. Их уже неоднократно обвиняли в том, что этот самый контекст они режут.

И здесь мне вспомнилось, как я впервые писал код с ИИ
Моими инструментами были VS Code и Google AI Studio. В AI Studio у меня был здоровенный системный промпт с контекстом по проекту. Далее - я просил ИИ набросать мне структуру проекта по файлам и папкам, воспроизводил эту структуру у себя на компьютере и также добавлял информацию о ней в контекст промпта. Первые несколько сообщений в чате у меня предназначались для TO DO - листа, в котором я отмечал, что сделано, а что предстоит сделать и последней версии кода, где я указывал название файла и следом вставлял нужный код. При добавлении новой фичи я просил Gemini написать мне код и сказать, куда я должен его вставить. После - тестировал и обновлял сообщения с TO DO и текущим кодом. При появлении багов - игрался с температурой. Если баг был в конкретном файле - выносил его в отдельный чат с информацией по этому багу. Gemini Flash Thinking я использовал для "обдумывания" решений, а Gemini 1.5 PRO - для реализации "обдуманного". Таким образом я написал свой первый проект на 1800 строк кода, и он работал.

Сейчас, используя Cursor, я поймал себя на том, что выполняю те же самые действия, только большую часть не в AI Studio, а в Cursor. Потому что делать это там проще, но при этом я имею меньше контроля над параметрами моделей, а также над их поведением. Кроме того, со снятием лимитов на вызов тулов, я заметил, что в отличие от работы напрямую в AI Studio я хуже знаю структуру проекта. Чтобы ее понять - мне нужно продираться через кучу мусорных попыток агента что-то сделать. Мусорных - потому что у меня меньше контроля над контекстом, а Claude пытается все переделать по 10 раз, переписывая рабочие куски кода. При этом самый интересный момент здесь состоит в том, что те проблемы, которые мне не может решить ни одна из моделей в Cursor (включая Gemini) - AI Studio щелкает как орешки. Почему? Опять-таки, из-за управления контекстом.

Что будет дальше?
Неважно, вайбкодите вы или кодите - учитесь управлять контекстом. Здесь преимущество будет у разработчиков и тех, кто уже многократно спотыкался на ошибках агентов, используя Cursor. Кроме этого, я бы советовал следить за разработками самих авторов моделей, т.к. они наконец-то начинают делать шаги в сторону создания своих агентов и упрощения кодинга. Claude Code - яркий тому пример, а тот же Canvas в Gemini реализован очень круто. Недавно в AI Studio добавили режим Build, который работает как редактор кода. Если бы они в этот режим добавили настройки LLM, которые доступны в режиме чата - я бы отказался от всех AI-редакторов кода, т.к. это бы дало мне максимальный контроль за тем, что я создаю.

Будет ли нужен Cursor в будущем? Я думаю, что у него однозначно будет свое место, однако если компания продолжит двигаться в сторону автономности, то более серьезные разработчики и те, кому важно знать, что за код пишет ИИ, скорее перейдут на появляющиеся альтернативы.

Дополнение про практикум в понедельник

Друзья, ранее я анонсировал эфир в грядущий понедельник, 21 июля, в 19 00 по МСК. Детали эфира в посте выше.

Для тех, кому нужна ссылка в календарь - создал событие на Timepad, чтобы вы точно не пропустили. Материалы эфира в процессе подготовки, будет много интересного. Особенным этот эфир делает то, что вести мы его будем на пару с Колей Шейко - автором канала AI и Грабли.

Мы с Колей занимаемся очень похожими вещами - внедрением ИИ в бизнес, но с разных сторон. Если я технический продакт, то Коля - это продуктовый технарь, но цели у нас общие - делать ИИ доступным и понятным и разрабатывать полезные ИИ-системы. Эфир решили разбить на две части, где каждый поделится своей экспертизой.

А пока ждете эфир - подписывайтесь на Колю, если этого еще не сделали. У него один из немногих каналов, на которых у меня не отключены уведомления :)

Чего избегать, обучаясь ИИ

Как только началась ИИ-лихорадка, на рынке появилась куча магистров промптинга и AI-экспертов. Наиболее частые их продукты - это курсы по промптам и списки готовых промтов. Спустя какое-то время данная тенденция подуспокоилась (списков стало меньше), но на фоне последних прорывов в LLM сейчас все вспыхнуло с новой силой. Непосвященному человеку разобраться, где нормальный контент, а где мусор - практически нереально. Решил написать два поста: в этом расскажу, чего избегать, а в следующем - на что лучше смотреть

Итак, мой антирейтинг!
Готовые списки промптов. Самое бестолковое, что только есть. Во-первых, большинство таких списков генерируется авторами через ChatGPT по запросу "Сделай мне список из 50 топовых промптов". Во-вторых, даже если они писали их сами - промпты имеют свойство устаревать и зависеть от модели: что работает с GPT 4o не будет так же работать с вашей Gemini Flash 2.5 или DeepSeek R1, а вместе с обновлением версии модели - промпт нужно будет адаптировать. В-третьих, определенные промпты работают в определенных воркфлоу, если ваш рабочий процесс отличается от автора - все промпты превратятся в тыкву.

Курсы по промптингу от неспециалистов в AI. Можно увидеть кучу маркетологов, менеджеров и других ребят, продающих курсы по промптингу в своей сфере. Проблем здесь две: во-первых, зачастую эти ребята не знают основ работы ИИ и продают то, что они нащупали сами, а не то, что реально может ИИ. Это работает в моменте, но на дистанции уже не так эффективно. Во-вторых, авторы копают глубоко в сторону своей экспертизы, но не в ИИ. Если вы крутой спец - вам нужны не сценарии других, вам нужно понимание ИИ вглубь, а кейсы вы уже сами найдете. Специализированные курсы могут быть полезны, когда у вас уже есть багаж с AI, но зачастую вы уже будете способны сами разобраться.

Курсы по конкретным инструментам. Сфера AI развивается очень стремительно. Сегодня инструмент есть - завтра его нет, либо на него повышают цену. В промышленных масштабах это называется вендор-лок: мы лишаем себя возможности пользоваться альтернативами и "садимся на иглу" определеннного провайдера, терпя повышения цен и прочие неприятности. Поэтому все курсы в стиле "Стань профи в Midjourney/Cursor и.т.д." мы игнорируем, пока не научимся основным навыкам: базовому владению ИИ и базе применения в той же генерации картинок/написании кода и.т.д.

Курсы с детерменированными заданиями. Часто можно увидеть, что в курсах дают задания, где нужно пройти определенный сценарий и получить определенный результат. И это максимально далеко от реальности. Вам дают "вылизанный" сценарий, который будет снижать недеретменированность AI, чтобы создать у вас ощущение освоения навыка. А когда доходит до использования ИИ в реальной жизни - у вас "не получается". Задания должны быть такими, чтобы у вас не получалось в процессе, чтобы вы могли ошибаться, учиться на ошибках и где надо - получать ОС от инструктора. Сложно должно быть в начале, когда у вас есть поддержка, а не наоборот.

Курсы "без воды". Все хотят практики, все хотят сразу результат. Есть спрос - будет и предложение. Вот только водой называют основы ИИ. Проблема в том, что не зная теории, вы не будете уметь правильно формировать ожидания от ИИ. Вы же не поедете в кругосветку на машине, не изучив маршрут и опыт других? Вот и с AI так же.

А что бы вы добавили в такой антирейтинг?