AI-машина для Threads: 338 тыс. просмотров, 742 поста, 1 регистрация
338K просмотров. 742 поста. 1.6K AI-вариантов. 3 LLM-модели. 22 аналитических отчёта. Три месяца работы.
Одна регистрация на сайте.
Читать полностью338K просмотров. 742 поста. 1.6K AI-вариантов. 3 LLM-модели. 22 аналитических отчёта. Три месяца работы.
Одна регистрация на сайте.
Читать полностью
108 тыс. просмотров. 481 пост. 69 дней эксперимента. 15 разных AI-моделей.
Два месяца назад я загорелся идеей: а что если полностью автоматизировать SMM в Threads с помощью AI? Написать код, который будет сам находить новости, генерировать посты, оценивать их качество и публиковать – без моего участия. Идеальная машина для контент-маркетинга.

Традиционные подходы к образованию перестают работать. ИИ пишет эссе и сочинения за минуты – и это навсегда изменило смысл креативных заданий в школах. Запрещать нейросети не получается, изоляция от технологий не работает. Вопрос не в том, использовать ИИ или нет. Вопрос в том, как использовать, чтобы технология развивала навыки учеников, а не заменяла их мышление.

В первой части мы рассказали, как запустили полностью автоматическую систему постинга в Threads — и как она провалилась. За три недели опубликовали более 200 постов, примерно 70% из них генерировал и публиковал AI без участия человека.
За год толком не прибавилось информации — как на практике можно применять GenAI инструменты (ChatGPT, Claude, Deepseek и им подобные). В выигрыше разработчики, потому что для них больше всего выгоды в виде написания тонны кода. Но другие сферы — всё ещё идёт попытка практически понять границы применимости инструмента.

79% российских компаний в 2024-2025 годах экспериментировали с ChatGPT API, но только 11% реально внедрили его в продакшн – по данным аналитиков Yandex Cloud. Остальные 68% застряли на этапе proof-of-concept, потратив от 100 тысяч до 2 миллионов рублей впустую.
В конце 2024 года я интегрировал ChatGPT в систему поддержки клиентов одного интернет-магазина. Ожидали сократить нагрузку на операторов на 70%. Реально получили 23%. Парадокс, не правда ли?
Проблема оказалась не в качестве ответов модели, а в том, что клиенты задавали вопросы иначе, чем мы прописали в промптах. Пришлось переделывать всю логику.
В этой статье – пять рабочих паттернов интеграции ChatGPT API с кодом на Python, которые я протестировал на реальных проектах в 2024-2025 годах. Без хайпа: что сработало, что провалилось, и сколько это стоит на самом деле.

82% EdTech-компаний в 2024-2025 годах тестировали ChatGPT для автоматизации проверки работ студентов, но только 14% продолжили использовать его в продакшне – по данным исследования HolonIQ. Остальные 68% отказались после пилота из-за галлюцинаций и жалоб преподавателей.
В сентябре 2024 года я запустил эксперимент в нашей онлайн-школе: ChatGPT проверяет эссе студентов курса по digital-маркетингу. 120 работ в неделю, каждая – 800-1200 слов. Ожидали освободить 15 часов времени преподавателя. Реально получили 47% ответов с фактическими ошибками и галлюцинациями.
Парадокс: модель отлично оценивала структуру текста и грамматику, но полностью проваливалась на проверке фактов. “Отличная аргументация, 9/10” – написала про эссе, где студент выдумал три несуществующих исследования Gartner и цитату Илона Маска, которую тот никогда не говорил.
В этой статье – честный разбор того, что сработало, а что провалилось при внедрении AI в образовательный процесс. С реальными метриками, стоимостью ошибок и выводами.