Мастерство работы с ИИ: от промптов до агентных систем

> 🎤 Nick Turley и Mark Chen (OpenAI) — Ник Тёрли — глава отдела продуктов ChatGPT, Марк Чен — директор по исследованиям OpenAI.

⚡ Зачем читать
Вы перестанете относиться к ИИ как к чат-боту и начнете видеть в нем мощный когнитивный рычаг для делегирования сложных задач.
Вы научитесь применять итеративный подход, который используют инженеры OpenAI для превращения «сырых» идей в профессиональные результаты.
Вы освоите стратегию «агентной продуктивности», позволяющую ИИ выполнять глубокую исследовательскую работу, пока вы занимаетесь стратегическими вопросами.

🗺 Карта навыков
| Уровень | Навык | Описание |
| :--- | :--- | :--- |
| Базовый | Вербализация мыслей | Использование голоса для структурирования хаотичных идей. |
| Средний | Итеративное уточнение | Превращение первого «черновика» от ИИ в идеальный результат. |
| Высокий | Агентная работа | Делегирование задач с асинхронным выполнением. |
| Мастер | Контекстуализация | Настройка модели через память и системные промпты. |

1. Использование ИИ как партнера по размышлению (Thinking Partner)

В современном мире главной проблемой становится не недостаток информации, а хаос в собственных мыслях. Как отмечают Ник Терли и Марк Чен, зачастую люди воспринимают ChatGPT как «автомат для ответов», однако его истинный потенциал раскрывается, когда вы используете его как партнера по размышлению. В эпоху перегрузки данными способность структурировать свои мысли через вербализацию становится критически важным навыком. Ник Терли делится своим личным опытом: по пути на работу он использует голосовой интерфейс модели, чтобы проговорить свои задачи и проблемы. В результате, к моменту прибытия в офис, у него на руках оказывается готовый и структурированный список дел. Это не просто «запись голоса», а процесс когнитивной разгрузки: когда вы произносите идею вслух, ИИ помогает отсечь лишнее, расставить приоритеты и превратить аморфные намерения в конкретные действия.

Пример из видео иллюстрирует, что многие пользователи, включая сотрудников OpenAI, приходят к модели не ради поиска фактов, а ради возможности «подумать вслух». Если вы чувствуете, что перегружены проектами, попробуйте просто начать говорить с ИИ. Не пытайтесь сразу задать сложный промпт. Опишите свой день, свои опасения или задачи, которые висят мертвым грузом. Модель отреагирует на них, задаст уточняющие вопросы и поможет взглянуть на ситуацию под другим углом. Это превращает взаимодействие из линейного «вопрос-ответ» в динамический диалог, где вы выступаете в роли архитектора своих решений, а ИИ — в роли зеркала и систематизатора.

> «Для меня, по пути на работу, я использую его, чтобы обработать свои собственные мысли. И с некоторой удачей, и я думаю, это работает в большинстве дней, у меня будет структурированный список дел к тому времени, как я действительно туда доберусь». (Ник Терли, глава ChatGPT)

✅ Сделайте сейчас: Прямо сегодня по дороге домой или во время прогулки откройте Voice Mode в приложении ChatGPT. Не задавайте конкретный вопрос. Просто проговорите вслух всё, что вас беспокоит по поводу текущих рабочих или личных задач. В конце попросите ИИ: «Исходя из того, что я сказал, составь для меня план из 3-х приоритетных действий на завтра». Вы удивитесь тому, как быстро это упорядочит ваш внутренний хаос.

2. Итеративный подход как основа качества

Частая ошибка новичков — ожидание идеального результата с первого же запроса. Марк Чен, Chief Research Officer в OpenAI, подчеркивает, что разработка моделей — это не «запуск ракеты», где все должно быть идеально с первой попытки, а непрерывный цикл обратной связи. Тот же принцип применим к вашей продуктивности. Когда вы работаете с ИИ, рассматривайте первую генерацию как «черновик», который система выдала на основе вашего несовершенного запроса. Ваша задача как пользователя — не принять этот результат как данность, а вступить с моделью в итеративный процесс.

В видео обсуждается, что даже внутри OpenAI решение о запуске ChatGPT принималось после того, как Илья Суцкевер тестировал модель на сложных вопросах, и лишь часть ответов была удовлетворительной. Это напоминание о том, что даже у экспертов мирового уровня нет «волшебной палочки». Взаимодействие с ИИ — это навык уточнения. Если вы получили посредственный ответ, не вините технологию. Спросите себя: «Что я не досказал? Какой контекст модель упустила?». Попробуйте переформулировать задачу, добавить критерии оценки или попросить модель объяснить ход своих мыслей (Chain of Thought). 

Марк Чен отмечает, что обратная связь — это топливо для модели. Точно так же ваша обратная связь в процессе диалога делает итоговый результат ценным. Если вы пишете email, попросите ИИ сначала составить структуру, затем — черновик, а после — отредактировать его в соответствии с вашим стилем. Этот многошаговый процесс превращает «средний» ответ в превосходный инструмент. ИИ — это система с бесконечной обучаемостью внутри контекстного окна одного чата. Чем больше вы уточняете, тем глубже модель понимает ваши требования.

> «Нет никакой точки, где все внезапно становится полезным. Полезность — это большой спектр. И поэтому нет одного уровня возможностей или одной планки, которую вы проходите, и вдруг модель становится полезной для всех». (Марк Чен, Chief Research Officer в OpenAI)

✅ Сделайте сейчас: Возьмите задачу, которую вы откладывали, потому что она кажется «слишком сложной для ИИ». Напишите первый промпт. Получив ответ, не переделывайте его сами, а дайте ИИ конкретную правку: «Это слишком официально. Добавь больше человеческой теплоты и сократи второй абзац». Продолжайте итерировать, пока результат не станет на 90% идеальным. Вы увидите, что 3-4 итерации экономят больше времени, чем попытка сделать всё с нуля самому.

---

3. Делегирование как агентная стратегия

Когда мы переходим от роли «пользователя чат-бота» к роли «агентного менеджера», парадигма взаимодействия меняется радикально. Марк Чен и Ник Терли подчеркивают, что будущее продуктивности лежит в асинхронных процессах. Традиционный промпт-инжиниринг подразумевает синхронность: вы задали вопрос — получили ответ. Агентная модель, напротив, предполагает, что вы ставите цель, предоставляете системе необходимые инструменты и «отпускаете» процесс, доверяя ИИ выполнение промежуточных шагов. Это напоминает менеджмент реальной команды: вы даете задачу, задаете критерии качества и ожидаете финальный отчет, не вмешиваясь в каждый технический нюанс выполнения.

В видео приводится пример работы с кодом и сложными исследовательскими задачами (Deep Research). Если раньше пользователь тратил часы на сбор данных, то сейчас ИИ совершает итерации: находит информацию, оценивает её релевантность, при необходимости меняет стратегию поиска и только после этого возвращается к вам с синтезированным результатом. Ник Терли отмечает: «Мы хотим строить продукты, которые имеют такие свойства, что если модель становится в два раза лучше, то и продукт становится в два раза полезнее». Это критически важно для понимания агентности. Ваша задача — не «написать промпт», а создать среду, где ИИ может проявить свою интеллектуальную мощь. Это требует делегирования полномочий: вы больше не пишете каждую строчку кода, вы описываете архитектурную задачу и просите систему предложить структуру, протестировать ее и подготовить документацию. 

Марк Чен также указывает, что в агентном подходе ключевым является «время на обдумывание». Мы часто подсознательно ожидаем мгновенного ответа, но для сложных логических цепочек (например, отладки кода или анализа физических уравнений) ИИ требуется время на «рассуждение» (reasoning). Подобно тому, как человек при решении сложной задачи кроссворда перебирает гипотезы и проводит проверку, современные модели (например, серия o1/o3) используют скрытые цепочки рассуждений. Разрешить ИИ «думать» — это высшая форма делегирования.

> «Я думаю, мы видим все чаще, что будущее будет выглядеть как нечто асинхронное, где вы просите модель выполнить очень сложные, трудные вещи, позволяете ей думать и рассуждать, и она возвращается к вам с лучшей версией ответа, на которую только способна». (Марк Чен, Chief Research Officer в OpenAI)

✅ Сделайте сейчас: Выберите одну сложную задачу, которую вы откладываете из-за её объема (например, анализ конкурентов, планирование структуры проекта или написание сложного SQL-запроса). Сформулируйте её как агентное задание: «Ты — аналитик. Твоя цель — подготовить отчет по [теме]. Сначала проанализируй [источники], затем выдели 5 ключевых трендов, и если данных недостаточно, задай мне уточняющие вопросы до того, как делать выводы». Отправьте это сообщение и позвольте ИИ выполнить работу в фоновом режиме, не ожидая ответа в ту же секунду. Вы увидите, что качество глубокого анализа кратно выше, чем в формате короткого чата.

4. Развитие «вкуса» и критического мышления при работе с ИИ

Часто можно услышать, что ИИ «убивает» творческие профессии, так как он может написать любой текст или создать любое изображение. Однако Ник Терли и Марк Чен делают важное уточнение: в работе с технологиями на первый план выходит понятие «вкуса» (taste). Способность отличить посредственный результат от выдающегося, умение правильно расставить акценты в коде, выбрать стилистически верный тон письма — это навыки, которые не автоматизируются. Знание синтаксиса языка программирования становится вторичным по сравнению с умением архитектурно мыслить и чувствовать, какое решение будет наиболее элегантным и поддерживаемым в долгосрочной перспективе.

В видео обсуждается, что для профессионального инженера или автора работа с ИИ — это не просто генерация контента, а непрерывный контроль качества. Когда вы используете ИИ как «коллегу», вы выступаете в роли главного редактора или технического директора. Вы должны обладать достаточными знаниями в домене, чтобы заметить «галлюцинацию» модели или её склонность к шаблонным решениям. Например, в написании кода важно не просто получить работающий скрипт, а убедиться, что он соответствует стандартам безопасности и производительности вашей компании. Ваша ценность перемещается от «исполнителя» к «верификатору». 

Кроме того, крайне важно развивать любопытство. Технологии меняются быстрее, чем мы успеваем читать документацию. Спикеры подчеркивают, что попытка «взломать» модель или заучить магические фразы для промптов — путь в никуда. Гораздо важнее понимать логику работы модели, знать её ограничения и уметь задавать «правильные вопросы». Истинное мастерство — это способность переложить проблему на плечи ИИ, при этом сохраняя контроль над финальным результатом. Если вы используете ИИ для написания email, проверьте, не звучит ли он «роботизировано» или «подхалимски» (сикофантичность модели). Если вы используете ИИ для анализа бизнес-идеи, не принимайте первый ответ как истину в последней инстанции — заставьте модель защищать свою позицию, критиковать её и предлагать альтернативные сценарии. Только так вы формируете собственный экспертный «вкус», который делает вас незаменимым специалистом в эпоху ИИ.

> «У меня был опыт, когда люди спрашивали меня, какие области будут трансформированы быстрее всего. Я говорил, что это кодинг, потому что он верифицируем. Но меня удивило, что в кодинге до сих пор есть огромный элемент вкуса в том, что именно делает код хорошим». (Ник Терли, глава ChatGPT)

✅ Сделайте сейчас: Проанализируйте свою последнюю задачу, выполненную с помощью ИИ. Проведите «аудит вкуса»: задайте себе три вопроса: 1) Содержит ли результат типичные «роботизированные» клише? 2) Добавил ли я в этот результат свой личный опыт или экспертный контекст, который ИИ не мог знать? 3) Проверил ли я результат на наличие фактических ошибок? Попробуйте переписать ответ, убрав всё лишнее, что обычно выдает нейросеть, и добавив в него свою уникальную «человеческую» интонацию. Это упражнение научит вас видеть грань между сырой генерацией и настоящим интеллектуальным продуктом.

---

5. Искусство асинхронного взаимодействия: управление «умными» паузами

В современном мире мы привыкли к мгновенному отклику: отправил сообщение — получил ответ. Однако спикеры OpenAI, Марк Чен и Ник Терли, настойчиво подчеркивают, что переход к по-настоящему мощным агентным системам требует смены этой парадигмы. Мы должны перестать воспринимать ИИ как «чат-бота» и начать воспринимать его как «интеллектуального ассистента, работающего в фоновом режиме». Когда вы делегируете действительно сложную задачу — например, глубокий анализ рынка или подготовку архитектурного кода — время на «обдумывание» (reasoning) становится критическим фактором качества. Именно в эти минуты молчания модель строит логические связи, проверяет гипотезы и отсеивает тупиковые варианты, которые неизбежны при попытке дать быстрый, «интуитивный» ответ.

В подкасте Ник Терли приводит пример инструмента Deep Research. Это идеальный кейс для иллюстрации асинхронности: вы ставите задачу, закрываете приложение или переключаетесь на другую работу, а ИИ тем временем совершает итерации: находит данные, анализирует их, уточняет запрос к поисковым системам и синтезирует финальный результат. Это напоминает взаимодействие с высококвалифицированным стажером или коллегой: вы не стоите у него над душой каждые тридцать секунд, а задаете вектор и ждете качественного отчета. Марк Чен добавляет, что «умные» модели (например, серия o1) устроены так, что для сложных логических операций им физически требуется больше циклов обработки — это скрытые цепочки рассуждений. Разрешить ИИ «думать» — значит повысить планку ваших ожиданий от него.

Понимание этого механизма избавляет от разочарования. Если вы задаете вопрос, требующий сложной логики, и требуете ответа за доли секунды, вы подталкиваете модель к «галлюцинациям» или посредственным выводам. Обучение работе в асинхронном режиме — это навык превращения ИИ из генератора текста в инструмент решения проблем. Вы учитесь ставить задачи «пакетами», выделяя время на их исполнение, и это позволяет вам фокусироваться на стратегическом планировании, пока ИИ занят рутиной или поиском закономерностей в огромных массивах данных.

> «Я думаю, мы видим все чаще, что будущее будет выглядеть как нечто асинхронное, где вы просите модель выполнить очень сложные, трудные вещи, позволяете ей думать и рассуждать, и она возвращается к вам с лучшей версией ответа, на которую только способна». (Марк Чен, Chief Research Officer в OpenAI)

✅ Сделайте сейчас: Найдите задачу, которую вы обычно выполняете «в один присест» (например, написание маркетингового плана для нового продукта). Вместо этого разбейте её на части и используйте агентный подход. Напишите первый промпт: «Ты — стратегический аналитик. Твоя цель — подготовить план для [продукт]. Начни с анализа целевой аудитории и конкурентов. Не давай мне весь отчет сразу. Сначала подготовь структуру и список источников, которые ты хочешь использовать, и подожди моего подтверждения». Уйдите от экрана на 15 минут. Вернувшись, вы увидите, что за это время ИИ «обдумал» структуру глубже, чем сделал бы это в формате обычного диалога.

6. Демократизация экспертных знаний через «умные» префлайты

Один из самых вдохновляющих аспектов работы с ИИ, упомянутых в подкасте, — это способность системы быстро погружать пользователя в незнакомые домены. Марк Чен называет это «префлайтом» (preflight). Это процесс, при котором вы используете ИИ для подготовки к встрече, изучения новой области или контекстуализации сложной беседы. Если раньше для того, чтобы «войти в тему», требовались часы изучения статей или книг, то теперь модель может сжать этот путь до минут. Однако здесь кроется ловушка: многие используют ИИ как поисковик, не понимая, что ценность заключается именно в синтезе контекста, а не в выдаче фактов.

В видео обсуждается, как Марк Чен использует инструменты ИИ для подготовки к встречам с экспертами по ИИ. Он просит модель не просто пересказать биографию человека, а проанализировать возможные точки соприкосновения, выявить скрытые интересы или подсветить темы, которые могут быть интересны обоим. Этот метод превращает вас из «просителя информации» в «подготовленного собеседника». При этом важно понимать границы доверия: как отмечал Ник Терли в примере с винной картой, иногда модель может «галлюцинировать», если вопрос слишком специфичен или требует актуальных данных в реальном времени. Поэтому «префлайт» — это не замена вашим знаниям, а их мощный усилитель.

Развитие навыка задавать «правильные вопросы» становится важнее, чем владение узкоспециализированными техниками промпт-инжиниринга. Когда вы просите модель: «Подготовь меня к встрече с CTO компании X, учитывая текущие тренды в области масштабируемых систем», вы используете ИИ как своего личного аналитика. Вы учитесь фильтровать шум и концентрироваться на сути. Это критически важное умение в эпоху переизбытка контента: ИИ помогает вам не потеряться в океане данных, а найти те самые 5% информации, которые принесут 95% результата. В конечном счете, ваша ценность на рынке труда определяется не тем, сколько вы помните, а тем, как быстро вы можете освоить новый домен знаний с помощью ИИ-ассистента.

> «Для меня глубокое исследование — это один из лучших примеров агентного использования модели. Когда я иду встретиться с кем-то новым, чтобы поговорить об ИИ, я просто делаю префлайт тем. Модель отлично умеет контекстуализировать, кто я, с кем я встречаюсь, и что нам будет интересно обсудить». (Марк Чен, Chief Research Officer в OpenAI)

✅ Сделайте сейчас: Запланируйте следующую важную встречу или начало нового проекта. За 30 минут до начала попросите ИИ выступить в роли вашего консультанта: «У меня завтра встреча по вопросу [тема]. Мой собеседник — [роль]. Какие три вопроса мне стоит задать, чтобы выглядеть профессионалом в этой области и сразу перейти к сути? Также проанализируй, какие возражения могут возникнуть у моего собеседника, и предложи стратегии для их нейтрализации». Полученный план используйте как каркас вашего разговора. Вы заметите, что уровень дискуссии сразу станет на порядок выше.

---

7. Развитие "агентной мышцы": делегирование как высшая форма контроля

В современном менеджменте делегирование часто воспринимается как способ сбросить с себя скучную работу. Однако в работе с ИИ-агентами смысл этого действия меняется на противоположный. Мы переходим от модели «инструмент-исполнитель» к модели «коллега-партнер». Марк Чен подчеркивает, что глубокое решение сложных задач (например, в физике или при отладке кода) требует от модели «времени на раздумья». В этом контексте ваша роль как руководителя этого процесса заключается в создании правильной среды и постановке четких границ, а не в пошаговом микроменеджменте.

Когда вы делегируете задачу ИИ, важно понимать разницу между «быстрым ответом» и «глубоким рассуждением». Если вы требуете результат мгновенно, вы получаете «интуитивную» генерацию, которая часто грешит поверхностностью. Асинхронный подход, о котором говорят спикеры OpenAI, — это умение принять тот факт, что для высокого качества продукта ИИ должен «прокрутить» тысячи вариантов, провести внутренний поиск (self-search) и проверить свои гипотезы на непротиворечивость. Это похоже на работу с талантливым, но занятым сотрудником: вы даете вводные данные, обозначаете желаемый результат и предоставляете пространство для маневра, а затем проводите ревизию итогов.

Более того, делегирование ИИ требует развития навыка «рефлексивного описания задачи». Вы должны уметь вербализовать не только то, что нужно получить, но и почему это важно, каковы критерии успеха и какие «ловушки» (edge cases) нужно обойти. Спикеры отмечают, что способность задавать «правильные вопросы» — это главный дефицит в текущем ландшафте использования ИИ. Если ваша задача описана размыто, модель будет блуждать в потемках. Обучение делегированию — это обучение критическому мышлению, так как вы вынуждены структурировать собственные мысли перед тем, как отдать их алгоритму.

> «Для меня глубокое исследование — это один из лучших примеров агентного использования модели. Вы ставите задачу, позволяете системе совершать итерации, находить данные и синтезировать их, не контролируя каждый шаг, но управляя вектором движения». (Марк Чен, Chief Research Officer в OpenAI)

✅ Сделайте сейчас: Выберите одну задачу, которая кажется вам «неподъемной» или требует долгого поиска информации (например, анализ статьи конкурентов или подготовка сложной презентации). Напишите промпт, в котором вы не просите «результат», а просите «процесс»: «Представь, что мы работаем над этим проектом в течение недели. Разбей задачу на 5 этапов. На каждом этапе ты должен сначала задать мне уточняющие вопросы, чтобы понять мои предпочтения, и только после моих ответов переходить к следующей части работы». Это превратит ИИ из чат-бота в системного агента, который обучается на ваших предпочтениях в процессе работы.

8. Культура «do-things»: от страха перед ошибкой к эмпирическому познанию

В заключительной части подкаста Марк Чен и Ник Терли делятся важным инсайтом о корпоративной культуре OpenAI: «do-things» (культура действия). В мире, где технологии меняются еженедельно, попытка досконально изучить документацию перед тем, как нажать кнопку, — это прямой путь к стагнации. Спикеры подчеркивают, что единственный способ демистифицировать ИИ — это постоянное практическое взаимодействие с ним. Многие люди испытывают иррациональный страх перед нейросетями, потому что видят в них либо «магию», либо «угрозу». Однако, как только вы начинаете использовать модель ежедневно, она превращается в обычный, пусть и очень мощный инструмент.

Эта культура подразумевает право на ошибку и высокую скорость итераций. Если вы боитесь, что ИИ «галлюцинирует», не пытайтесь запретить ему отвечать — учитесь проверять его результаты. Это критически важная компетенция будущего: умение быстро верифицировать сгенерированный контент. В OpenAI это называют «контактом с реальностью». Каждый раз, когда вы используете инструмент, вы получаете новую порцию данных о его ограничениях. Этот процесс обучения на собственных ошибках и открытиях гораздо эффективнее, чем чтение любых курсов по «мастерству промптинга».

Спикеры также отмечают, что важно избегать «паралича анализа». Часто люди откладывают использование ИИ, ожидая появления «идеальной» версии модели. Но, как показывает опыт запуска ChatGPT, именно массовая эксплуатация «сырых» (на тот момент) версий позволила компании так быстро совершить рывок. Ваш личный прогресс в освоении ИИ зависит от того, насколько часто вы готовы выходить из зоны комфорта и применять модель там, где раньше справлялись только «по старинке». Перестаньте искать «идеальный» способ — просто начните делать, наблюдайте за реакцией модели и корректируйте свой подход. Это и есть главный навык адаптации в эпоху перемен.

> «Если вы боитесь технологий, лучшее лекарство — это практика. Когда вы видите, что ИИ делает что-то крутое, но потом ошибается в чем-то очевидном, страх исчезает, и на его место приходит трезвое понимание границ системы». (Ник Терли, глава ChatGPT)

✅ Сделайте сейчас: Примите решение в ближайшие 48 часов использовать ИИ для дела, которое вы до этого делали только вручную (например, расчет бюджета, написание кода или даже составление списка покупок). В конце процесса запишите один факт, который вас удивил (например, «он лучше справляется с логикой, чем с фактами»). Это будет ваш личный «эмпирический отчет», который сделает вас экспертом, а не просто потребителем.

🏋️ Практикум

1. Уровень 1: Запишите голосовое сообщение (через Voice Mode) с хаотичным описанием вашей текущей задачи и попросите ИИ превратить это в структурированный список дел.
2. Уровень 2: Возьмите текст вашей старой работы и попросите ИИ найти в нем «роботизированные клише» и предложить 3 варианта переработки с «человеческой» интонацией.
3. Уровень 3: Проведите «префлайт» встречи: опишите ИИ контекст встречи, попросите составить список вопросов собеседнику, а затем критически оценить их на наличие «банальности».
4. Уровень 4: Используйте агентный подход: дайте ИИ задачу на 15 минут, четко ограничив: «Сначала предложи структуру, не пиши весь текст». Вернитесь к экрану только после таймера.
5. Уровень 5: Найдите «галлюцинацию» модели: задайте специфический вопрос о малоизвестном факте, а затем попросите модель доказать свою правоту ссылками. Оцените точность.
6. Уровень 6: Создайте «персональный архив»: загрузите в память ChatGPT 3–4 ваших ключевых рабочих документа, чтобы модель понимала ваш стиль и контекст проектов.
7. Уровень 7: Попытайтесь «оспорить» мнение ИИ по сложному философскому или рабочему вопросу. Заставьте модель защищать позицию до тех пор, пока она не признает границы своих знаний.

🔑 Итоги: 5 действий на сегодня

1. Перестаньте быть «исполнителем», станьте «верификатором» своих промптов.
2. Внедрите асинхронность: давайте задачам «настояться» и просите ИИ разбивать работу на этапы.
3. Практикуйте «do-things»: используйте ИИ в новом, непривычном для вас сценарии сегодня.
4. Развивайте любопытство: задавайте вопросы об ограничениях системы, а не только о возможностях.
5. Оставайтесь «человеком»: всегда добавляйте в результат ИИ свой личный контекст и экспертную оценку.

💬 Цитаты для вдохновения

> «Будущее будет выглядеть как нечто асинхронное, где вы просите модель выполнить очень сложные вещи, позволяете ей рассуждать и возвращаетесь к ней с лучшей версией ответа». — Марк Чен

> «В кодинге до сих пор есть огромный элемент вкуса, который делает код хорошим. ИИ может написать код, но именно вы задаете планку качества». — Ник Терли

> «Частота контакта с реальностью — это самый важный фактор успеха в работе с ИИ. Ошибки — это данные, а данные — это ключ к развитию». — Ник Терли