← Весь рейтинг · Бенчмарк ИИ-моделей mysummit.school

Google

Gemini 3.5 Flash

Сильнее всего – «Анализ отзывов и обратной связи» (8,2), слабее всего – «Автоматизация» (7,2).

Группа
21–28 из 47на одном уровне с DeepSeek V4 Flash, DeepSeek V4 Pro, Qwen 3.7 Plus и ещё 2
Общий балл
7,7 из 10
Цена API за ответ теста
$0,027
Данные
июль 2026

Где помогает, где проверять

Ответы этой модели на две задачи бенчмарка: начало ответа, ответ целиком и что отметили оба оценщика. По одной задаче на категорию, одной и той же для всех моделей.

Сильнее всего: Анализ отзывов и обратной связи · 8,2Заметки с 1-on-1: есть ли тревожные сигналы

Руководитель команды из 9 человек пересматривает свои заметки с еженедельных встреч один на один за 8 недель по трём разработчикам. Формально все «норм». Есть ли признаки выгорания или мыслей об уходе?

Задача целиком

Я руководитель команды разработки (9 человек) в продуктовой компании. Провожу еженедельные 1-on-1 встречи с каждым сотрудником по 30 минут. Веду короткие заметки. Сейчас хочу пересмотреть заметки за последние 8 недель по трем разработчикам и понять, есть ли у кого-то тревожные сигналы – выгорание, скрытое недовольство, мысли об уходе. Формально все трое "норм" – работают, задачи закрывают, на совещаниях активны. Но что-то меня беспокоит. === Илья Громов (Senior Backend, 3 года в компании) === Неделя 1: Доволен спринтом, сделал сложный рефакторинг. Спросил про конференцию в сентябре – хочет выступить. Неделя 2: Упомянул, что устал от легаси. "Но это норм, у всех такое". Конференцию не поднимал. Неделя 3: Сказал, что выходные провел за чтением про новый стек (Go + k8s). "Просто интересно". Конференцию снова не поднимал. Неделя 4: Спросил, есть ли в компании планы переходить на новую архитектуру. Я ответил расплывчато – "обсуждается". Тема закрылась быстро. Неделя 5: Попросил взять день в счет отпуска без объяснений. Чуть менее разговорчив, чем обычно. Неделя 6: На вопрос "как ты" ответил "нормально, устал немного, но ничего критичного". Задачи выполняет, но инициативы не проявляет. Неделя 7: Впервые за год спросил про ДМС и покрывает ли оно психолога. Я сказал – уточню. Уточнил, написал ему. Он ответил "ок, спасибо". Неделя 8: Короткая встреча. "Все штатно". На вопрос про планы на квартал сказал: "Смотрю, что будет". Конференцию не поднимал с недели 1. === Оля Семенова (Middle Frontend, 1.5 года в компании) === Неделя 1: Жалуется на дизайнеров – долго согласуют макеты. Энергичная, с идеями. Неделя 2: Снова про дизайнеров. "Я уже перестала ждать и делаю по-своему". Смеется, но с напряжением. Неделя 3: Рассказала, что помогала соседней команде – "там хоть что-то интересное". Без осуждения, просто факт. Неделя 4: Тихая встреча. На вопросы отвечает кратко. Спрашивает, когда ревью её PR – ждет уже 5 дней. (Я не знал – оказалось, завис у Кирилла.) Неделя 5: Сказала, что ходила на митап по React. "Прикольно было. Компании там разные были". (Пауза.) Неделя 6: Впервые спросила про систему грейдов – как понять, готова ли она к сеньору. Объяснил критерии. Записала. Потом спросила: "А у нас часто повышают?" Неделя 7: Сказала, что всё ок, но "хочется больше сложных задач". Предложил ей взять модуль авторизации – загорелась, но добавила: "Надеюсь, дадите довести до конца, а не перебросят". Неделя 8: Отчиталась по модулю. Работает хорошо. Но на вопрос "что думаешь о следующем квартале" ответила: "Ну, посмотрим, как сложится". === Роман Чижов (Junior, 8 месяцев в компании) === Неделя 1: Говорит много, спрашивает много. Недавно пришел, всё в новинку. Неделя 2: Похвалился, что закрыл задачу самостоятельно, без помощи. Гордится. Неделя 3: Упомянул, что тимлид (я) "всегда занят". Сказал с улыбкой. Я не уточнил. Неделя 4: Попросил ревью кода у Ильи – говорит, тот объяснил хорошо, но "как-то без энтузиазма". Просит больше фидбека по коду от меня. Неделя 5: Тихий. На вопрос "как дела" сказал: "Стараюсь". Задачи сдает в срок. Неделя 6: Спросил, нормально ли, что он до сих пор не знает некоторых частей системы. Успокоил его. Ответил: "Ну, я думал, что уже должен знать". Неделя 7: Сообщил, что начал онлайн-курс по системному дизайну. "Надо же развиваться, если здесь не получается быстро". Неделя 8: Спросил, делают ли у нас performance review и когда будет его. Уточнил: "Просто хочу понять, как меня оценивают". Проанализируй заметки по каждому из трех сотрудников. Для каждого: определи уровень риска (низкий / средний / высокий), опиши конкретные сигналы, которые ты видишь в тексте, объясни, что стоит за каждым сигналом, и предложи, что мне стоит сделать на следующей 1-on-1 встрече с каждым из них.

Системная строка: Вы - помощник по планированию и продуктивности для менеджеров.

Gemini 3.5 Flash группа 21–28 · нужен VPN

Приветствую! Как ваш помощник по планированию и продуктивности, я детально проанализировал ваши заметки.

Ваша интуиция вас не обманывает. Ситуация классическая: внешне всё «норм», но под капотом у всех троих идут глубокие процессы, которые при отсутствии реакции с вашей стороны приведут к потере сотрудников (или критическому падению их продуктивности) в горизонте 1–3 месяцев.

Ниже представлен подробный анализ по каждому сотруднику и готовые сценарии для ваших следующих 1-on-1 встреч.

Читать ответ целиком · 1 127 слов

Приветствую! Как ваш помощник по планированию и продуктивности, я детально проанализировал ваши заметки.

Ваша интуиция вас не обманывает. Ситуация классическая: внешне всё «норм», но под капотом у всех троих идут глубокие процессы, которые при отсутствии реакции с вашей стороны приведут к потере сотрудников (или критическому падению их продуктивности) в горизонте 1–3 месяцев.

Ниже представлен подробный анализ по каждому сотруднику и готовые сценарии для ваших следующих 1-on-1 встреч.


=== Илья Громов (Senior Backend, 3 года в компании) ===

  • Уровень риска: ВЫСОКИЙ (Выгорание + риск ухода).
  • Динамика за 8 недель: От высокой инициативности и планов на развитие внутри компании (Неделя 1) до полной апатии, закрытости и явных признаков психологического истощения (Недели 6–8).

Конкретные сигналы и что за ними стоит:

  1. Затухание темы с конференцией (Недели 1 -> 2 -> 8). На первой неделе горел идеей, затем полностью замолчал. Что стоит за сигналом: Потеря веры в то, что его личные профессиональные цели интересны компании, либо резкий спад уровня энергии (не до конференций уже).
  2. Интерес к новому стеку (Go + k8s) и архитектуре (Недели 3–4). Илья ищет вызов. Он устал от легаси. Ваш расплывчатый ответ на Неделе 4 («обсуждается») лишил его перспективы развития внутри компании.
  3. День в счет отпуска без объяснений (Неделя 5) + вопрос про психолога в ДМС (Неделя 7). Это самый тревожный звонок. Человек находится в фазе острого стресса или выгорания. Ему физически и ментально тяжело находиться на работе.
  4. «Смотрю, что будет» на Неделе 8. Это фраза человека, который мысленно уже не с вами. Он либо активно ищет работу (на Go/k8s), либо находится в режиме жесткого энергосбережения («тихое увольнение»).

Что делать на следующей 1-on-1 встрече:

Ваша цель – не обсуждать текущие задачи, а вернуть доверие и понять глубину его выгорания.

  • План разговора:
    1. Легализация проблемы: «Илья, я пересматривал свои заметки за последние пару месяцев и заметил, что твое настроение и вовлеченность изменились. Ты кажешься уставшим, и мы давно не говорили о твоих целях. Как ты себя чувствуешь на самом деле?» (Дайте ему выговориться, не перебивайте).
    2. Возврат к конгрессу/развитию: «На первой неделе ты хотел выступить на конференции. Я упустил этот момент, прости. Давай вернемся к этому. Тебе еще интересна эта тема? Как я могу помочь?»
    3. Перспективы по технологиям: «Ты спрашивал про Go и k8s. У нас действительно нет быстрых планов перехода, но я хочу, чтобы тебе было интересно. Давай подумаем, можем ли мы внедрить Go на каком-то микросервисе/pet-проекте внутри команды, где ты будешь лидом?»
    4. Забота о здоровье: «Ты спрашивал про психолога. Нагрузка сейчас адекватная? Может, тебе нужен полноценный отпуск на 2 недели без ноутбука, чтобы выдохнуть?»

=== Оля Семенова (Middle Frontend, 1.5 года в компании) ===

  • Уровень риска: ВЫСОКИЙ (Риск ухода на более высокую позицию/зарплату).
  • Динамика за 8 недель: Оля переросла текущие задачи и процессы. Она активна, но её энергия уходит на борьбу с системой (дизайнеры, зависшие PR). Она начала активный мониторинг рынка.

Конкретные сигналы и что за ними стоит:

  1. Борьба с дизайнерами и «делаю по-своему» (Недели 1–2). Оля – результативник. Её бесит неэффективность. Смех с напряжением – признак накапливающегося раздражения на процессы, которые она не может изменить.
  2. Помощь соседней команде (Неделя 3) + митап по React с паузой про «разные компании» (Неделя 5). Оля сравнивает свою работу с альтернативами. Пауза на Неделе 5 – это классический «покерфейс» кандидата, который, скорее всего, уже проходит собеседования или общается с рекрутерами.
  3. Вопросы про грейды и скорость повышений (Неделя 6). Прямой маркер. Она считает, что заслуживает грейда Senior (и, скорее всего, рынка), и хочет понять, получит ли она его здесь или нужно уходить.
  4. «Посмотрим, как сложится» (Неделя 8). Оля не планирует свое будущее в вашей компании на следующий квартал, потому что ждет оффер или оценивает свои шансы на рынке.

Что делать на следующей 1-on-1 встрече:

Ваша цель – удержать перспективного сотрудника, дав ей четкий, осязаемый трек развития и убрав административные барьеры.

  • План разговора:
    1. Признание заслуг и статус Senior: «Оля, ты отлично справляешься. Я вижу, что ты переросла текущие задачи мидла (кейс с модулем авторизации это доказал). Давай составим конкретный план твоего промоушена до Senior. Не абстрактные критерии, а пошаговый план на ближайшие 2 месяца с конкретной датой пересмотра зп».
    2. Решение процессных болей: «Меня беспокоит ситуация с дизайнерами и то, что твои PR зависают (как было с Кириллом). Давай вместе подумаем, как мы можем это исправить. Я готов подключиться и перестроить этот процесс».
    3. Прямой вопрос: «Ты упомянула, что посмотрим, как сложится следующий квартал. У тебя есть сомнения относительно твоей роли у нас? Что мне нужно сделать как руководителю, чтобы тебе хотелось остаться и развиваться именно здесь?»

=== Роман Чижов (Junior, 8 месяцев в компании) ===

  • Уровень риска: СРЕДНИЙ (Синдром самозванца, потеря мотивации, риск «тихого ухода»).
  • Динамика за 8 недель: Типичная траектория джуна, который столкнулся с первыми трудностями, почувствовал себя брошенным («тимлид занят», «Илья без энтузиазма») и решил, что он «не справляется».

Конкретные сигналы и что за ними стоит:

  1. «Тимлид всегда занят» (Неделя 3) + «Илья объяснил без энтузиазма» (Неделя 4). Роману критически не хватает внимания и валидации. Ему кажется, что он всех обременяет своими вопросами, из-за чего он начинает закрываться.
  2. «Тихий. Стараюсь» (Неделя 5). Переход в энергосберегающий режим из-за страха совершить ошибку. Задачи сдает в срок, но, скорее всего, ценой переработок и огромного стресса.
  3. «Я думал, что уже должен знать» (Неделя 6). Классический синдром самозванца. Роман завышает требования к себе и думает, что компания им не удовлетворена.
  4. Курс по системному дизайну + вопрос про Performance Review (Недели 7–8). Роман пытается экстренно «добрать» знания, чтобы его не уволили («если здесь не получается быстро» – это страх, что его развитие считают медленным). Вопрос про ревью – это поиск безопасности. Он хочет услышать: «Ты в безопасности, тебя не уволят».

Что делать на следующей 1-on-1 встрече:

Ваша цель – снять тревожность, дать четкую позитивную обратную связь и настроить систему менторинга.

  • План разговора:
    1. Снижение тревожности (Валидация): «Рома, первое и главное, что я хочу тебе сказать: я очень доволен твоей работой за эти 8 месяцев. Ты закрываешь задачи в срок, и твоя динамика отличная. У компании нет к тебе претензий, ты на своем месте».
    2. Разбор страхов: «Ты спросил про ревью. Давай я расскажу, как оно проходит. Для тебя это будет не "экзамен на выживание", а формат фидбека. Давай наметим его на [Дата]».
    3. Решение проблемы с поддержкой: «Я услышал твой сигнал, что я часто занят, а у ребят не всегда есть время. Это моя ошибка. Давай зафиксируем: у кого и в каком формате ты можешь просить помощи. Плюс, давай выделим 15 минут в середине недели специально для нашего с тобой синка по твоим техническим вопросам».
    4. Похвала за курс: «Круто, что ты начал курс по системному дизайну. Но не перегружай себя, для 8 месяцев опыта ты движешься в отличном темпе».

Резюме для вас как менеджера:

  1. Илья – горит, нужно спасать (дать передышку, обсудить новые технологии, вернуть фокус на его личные цели).
  2. Оля – хочет расти и зарабатывать, нужно дать четкий трек Senior и убрать рутину/блокировки, иначе уйдет.
  3. Роман – боится, что не справляется, нужно успокоить, похвалить и дать регулярную поддержку.
Что отметили оценщики

Claude Opus 4.6 · этот ответ: 7,9 из 10

Перевод с английского.

Это сильный, хорошо структурированный анализ, который верно определяет ключевые сигналы риска для всех трех сотрудников и предлагает применимые на практике сценарии разговора. Ответ превосходен в форматировании, тоне коммуникации и предоставлении готовых к использованию диалогов для встреч один на один. Основные слабые места – самоуверенная оценка риска по Оле (ВЫСОКИЙ против более обоснованного СРЕДНЕГО), отсутствие системных рекомендаций (улучшения формата встреч один на один, SLA на код-ревью, прозрачность карьерных треков), отсутствие ограничителей «чего не делать», и упущенное важное мета-наблюдение, что все трое сотрудников использовали неопределенные формулировки, обращенные в будущее. Несмотря на эти пробелы, линейный руководитель найдет этот ответ немедленно полезным для подготовки к следующему раунду встреч один на один.

  • Сильная сторона: Высоко применимые на практике сценарии разговора с конкретными вступительными фразами и уточняющими вопросами для каждого сотрудника
  • Слабая сторона: Отсутствуют системные рекомендации (улучшение формата 1-на-1, SLA для код-ревью, прозрачность карьерных треков, процесс оценки эффективности)
Оригинал на английском

This is a strong, well-structured analysis that correctly identifies the key risk signals for all three employees and provides actionable conversation scripts. The response excels in formatting, communication tone, and providing ready-to-use dialogue for 1-on-1 meetings. Its main weaknesses are the overconfident risk assessment for Olya (HIGH vs the more defensible MEDIUM), the absence of systemic recommendations (process improvements, 1-on-1 format changes, SLA on reviews), missing 'what not to do' guardrails, and lack of the important meta-observation that all three employees used uncertain future-oriented language. Despite these gaps, a middle manager would find this immediately useful for preparing their next round of 1-on-1 conversations.

  • Highly actionable conversation scripts with specific opening phrases and follow-up questions for each employee
  • Missing systemic recommendations (1-on-1 format improvements, code review SLA, career track transparency, performance review process)

Gemini 3.1 Pro · этот ответ: 9,4 из 10

Перевод с английского.

ИИ выдал выдающийся анализ заметок с встреч один на один, точно расшифровав тонкие поведенческие сигналы трех разработчиков. Он предоставил высоко применимый на практике, эмпатичный и структурированный совет, включая конкретные сценарии разговора, которые руководитель может использовать немедленно. Ответ демонстрирует глубокое понимание управления инженерными командами и динамики команды.

  • Сильная сторона: Высоко применимые на практике сценарии разговора для руководителя
  • Слабая сторона: Отсутствует раздел о более широких системных улучшениях (например, исправление общих процессов ревью или проектирования на уровне команды)
Оригинал на английском

The AI delivered an outstanding analysis of the 1-on-1 notes, accurately decoding the subtle behavioral signals of the three developers. It provided highly actionable, empathetic, and structured advice, including specific conversational scripts that the manager can use immediately. The response demonstrates a deep understanding of engineering management and team dynamics.

  • Highly actionable conversational scripts for the manager
  • Lacks a section on broader systemic improvements (e.g., fixing the overall review or design processes at a team level)

Оценка относится к этому ответу, а не к общему баллу модели.

Сравнить эту категорию с другой моделью →

Слабее всего: Автоматизация · 7,2Автоматизировать одобрение заявок партнёров

Старший менеджер тратит два часа в день на проверку заявок партнёров. Формальные критерии можно проверить через API, но реальные решения, похоже, сложнее. Как автоматизировать и что не потерять?

Задача целиком

Хочу полностью автоматизировать процесс проверки и одобрения входящих заявок от партнеров. Сейчас этим занимается один из старших менеджеров – тратит примерно 2 часа в день. Процесс выглядит так: приходит заявка по email или через форму на сайте, менеджер смотрит на компанию-партнера, оценивает её профиль, проверяет несколько внутренних критериев и либо одобряет, либо отправляет на доработку, либо отклоняет. Формальные критерии для одобрения такие: компания зарегистрирована более двух лет, выручка выше порогового значения, нет открытых долгов по нашим данным, тематика бизнеса не входит в список исключений. Всё это можно проверить автоматически через API нескольких сервисов проверки контрагентов. Но я подозреваю, что реальные решения сложнее. Менеджер иногда одобряет заявки от компаний, которые формально не проходят по критериям, – потому что знает их историю, потому что они стратегически важны, или потому что директор лично попросил. И наоборот – отклоняет формально подходящих партнеров, потому что чувствует что-то подозрительное в заявке. Мне нужна твоя честная оценка: что здесь реально поддается автоматизации, а что нет? Если делать автоматизацию, то какую архитектуру выбрать – полный автопилот, или гибрид где рутина автоматизирована, а нестандартные случаи идут к человеку? Как отделить одно от другого? И какие риски я несу, если переавтоматизирую этот процесс – что может пойти не так незаметно?

Системная строка: Вы - помощник по обучению и развитию для менеджеров.

Gemini 3.5 Flash группа 21–28 · нужен VPN

Приветствую! Отличная управленческая задача. Вы очень точно нащупали главную проблему любой автоматизации: «смерть на стыке регламента и здравого смысла».

Как ваш помощник по развитию, я разберу этот кейс без иллюзий о «всесильном ИИ» и предложу прагматичный подход.

1. Честная оценка: что реально автоматизировать, а что нет?

Реально автоматизировать (Рутина):

  • Сбор данных: Опрос API (Контур.Фокус, Спарк, DaData и т.д.), проверка возраста компании, выручки, судов, блокировок счетов, ОКВЭД (исключения).
  • Первичную фильтрацию: Отсечение очевидного «мусора» (фирмы-однодневки, банкроты, компании с нулевой выручкой без истории).
  • Шаблонные коммуникации: Отправка стандартных писем об одобрении или автоматический запрос недостающих документов.
Читать ответ целиком · 804 слова

Приветствую! Отличная управленческая задача. Вы очень точно нащупали главную проблему любой автоматизации: «смерть на стыке регламента и здравого смысла».

Как ваш помощник по развитию, я разберу этот кейс без иллюзий о «всесильном ИИ» и предложу прагматичный подход.


1. Честная оценка: что реально автоматизировать, а что нет?

Реально автоматизировать (Рутина):

  • Сбор данных: Опрос API (Контур.Фокус, Спарк, DaData и т.д.), проверка возраста компании, выручки, судов, блокировок счетов, ОКВЭД (исключения).
  • Первичную фильтрацию: Отсечение очевидного «мусора» (фирмы-однодневки, банкроты, компании с нулевой выручкой без истории).
  • Шаблонные коммуникации: Отправка стандартных писем об одобрении или автоматический запрос недостающих документов.

НЕЛЬЗЯ автоматизировать (Контекст и Интуиция):

  • «Политический» контекст: Звонок от коммерческого директора («Это мой друг, согласуй его»), стратегическая важность партнера (например, стартап без выручки, но за ним стоит крупный холдинг).
  • Невербальные маркеры («Gut feeling»): Менеджер видит, что email отправлен с бесплатной почты @mail.ru для компании с оборотом в 100 млн, или сайт партнера сделан «на коленке» вчера. API скажет «все ок», а человек почувствует подвох.
  • Сложные компромиссы: Компания не проходит по выручке, но предлагает эксклюзивные условия логистики, которые перекрывают риски.

2. Выбор архитектуры: Полный автопилот vs. Гибрид

Полный автопилот здесь противопоказан. Он либо убьет вам конверсию в партнерство (из-за жестких рамок), либо наплодит рисков (если рамки размыть).

Ваш выбор – Гибридная архитектура (Human-in-the-Loop) на основе принципа «Светофора».

Как устроен «Светофор»:

  1. Зеленая зона (Автомат):

    • Критерии: Идеальный контрагент. Старше 3 лет, выручка сильно выше лимита, долгов нет, ОКВЭД чистый, сайт совпадает с доменом почты.
    • Действие: Система одобряет автоматически, шлет доступы. Менеджер вообще не видит эту заявку.
    • Ожидаемый объем: 40–50% всех заявок.
  2. Красная зона (Авто-отклонение или Быстрый отказ):

    • Критерии: Критические стоп-факторы. Компания в процессе ликвидации, открытые суды на суммы больше активов, «черный список» учредителей.
    • Действие: Автоматический отказ (или отправка менеджеру на «клик в один клик» для контроля).
    • Ожидаемый объем: 15–20% заявок.
  3. Желтая зона (Ручной разбор / Эскалация):

    • Критерии: Неоднозначные случаи. Компания молодая (1.5 года), но выручка растет; есть мелкие долги по налогам; или сработал триггер «VIP-запрос» (например, в форме заявки заполнено поле «От кого: по рекомендации Ивана Ивановича»).
    • Действие: Заявка падает старшему менеджеру, но уже обогащенная данными. Ему не нужно самому лезть в API. Система пишет: «Внимание: выручка ниже нормы на 15%, но компания растет. Рекомендуется ручная проверка».
    • Ожидаемый объем: 30–40% заявок.

Результат: Старший менеджер тратит не 2 часа, а 20 минут в день, работая только со сложными кейсами («желтая зона»).


3. Как отделить стандартное от нестандартного? (Алгоритм разметки)

Чтобы настроить эту систему, вам нужно провести «сессию извлечения знаний» со старшим менеджером.

  1. Ретроспективный анализ: Возьмите последние 100–200 заявок. Попросите менеджера пальцем показать те, которые он одобрил в обход формальных правил, и те, которые отклонил вопреки правилам.
  2. Оцифровка «чуйки»: Спросите: «Почему ты её одобрил?».
    • Если ответ: «Они работают с брендом Х» -> Добавляем в форму поле «С какими брендами работаете» и парсим его.
    • Если ответ: «Это знакомые нашего директора» -> Добавляем скрытый тег/промокод для VIP-партнеров, который сразу отправляет заявку в «зеленый коридор» или на ручное одобрение с высоким приоритетом.
  3. Формализация исключений: Переведите «серые зоны» в правила. Например: «Если возраст компании < 2 лет, но учредитель имеет другую компанию с оборотом > 100 млн – отправлять в Желтую зону (а не в Красную)».

4. Риски переавтоматизации: что может пойти не так незаметно?

Если вы слишком сильно «закрутите гайки» автоматизации, вы столкнетесь со следующими скрытыми угрозами:

  • Риск 1: Упущенная выгода (False Negatives).
    • Что произойдет: Система начнет тихо отклонять будущих единорогов и стратегических партнеров, которые формально не проходят скоринг (например, новое юрлицо крупного холдинга, созданное под конкретный проект). Вы даже не узнаете, сколько денег потеряли, потому что они уйдут к конкурентам, где заявки проверяют люди.
  • Риск 2: Фрод-адаптация (Обход системы).
    • Что произойдет: Мошенники быстро поймут ваши формальные критерии (они простые) и купят «чистую» компанию-номинала 3-летней давности с оборотом. Автомат ее пропустит (Зеленая зона), а опытный менеджер по оформлению сайта или манере общения сразу бы почуял неладное.
  • Риск 3: Смерть «политических» связей.
    • Что произойдет: Важный партнер, которого директор пригласил лично, получит сухое автоматическое письмо: «Вы нам не подходите, так как ваша выручка ниже 10 млн». Это репутационный скандал на уровне топ-менеджмента.
  • Риск 4: Деградация экспертизы.
    • Что произойдет: Если менеджер вообще перестанет смотреть на поток «хороших» заявок, он потеряет связь с рынком. Он перестанет замечать новые тренды (например, что на рынок выходит новый тип партнеров, под которых нужно менять правила игры).

Резюме и ваш первый шаг

Не пытайтесь заменить менеджера кодом. Сделайте код его экзоскелетом.

Ваш план действий:

  1. Поговорите со старшим менеджером. Объясните, что вы не хотите его уволить/лишить работы, а хотите избавить от рутины, чтобы он тратил 2 часа на развитие партнерской сети, а не на проверку ИНН.
  2. Соберите лог «исключений» за последние полгода.
  3. Разработайте ТЗ на гибридную схему («Светофор»):
    • Авто-ок (Зеленые) – 40%
    • Авто-отказ (Красные) – 20%
    • На ручной разбор с готовым досье (Желтые) – 40%.
  4. Запустите систему в «режиме тени» (Shadow Mode) на 2 недели: система выносит свое решение внутри базы данных, но менеджер все равно проверяет всё руками. Сравните решения системы и менеджера. Подкрутите гайки. Только потом внедряйте.
Что отметили оценщики

Claude Opus 4.6 · этот ответ: 7,4 из 10

Перевод с английского.

Ответ дает качественный, хорошо структурированный анализ проблемы автоматизации с практичной схемой «светофора», которую руководитель среднего звена может сразу понять и начать внедрять. В нем верно выявлено ключевое противоречие между формальными критериями и экспертной оценкой, предложена разумная гибридная архитектура и обозначены значимые риски. Однако ответ уступает эталонному стандарту по ряду параметров: отсутствует классификация на жесткий и мягкий отказ (hard fail/soft fail), упущены важные технические детали (выбор движка правил, статусы проверки данных, разбор email), период теневого режима короче рекомендованного, а также отсутствуют важные анти-рекомендации (не использовать ML, не отправлять автоматические письма об отказе). Ответ силен в плане коммуникации и структуры, но умеренный по технической глубине и полноте.

  • Сильная сторона: Отличная структура и читаемость благодаря интуитивно понятной метафоре «светофора», которая делает архитектуру сразу понятной
  • Слабая сторона: Отсутствует классификация на жесткий и мягкий отказ, а также трехстатусная система проверки данных («проверено ОК», «проверено НЕ ОК», «проверить не удалось»)
Оригинал на английском

The response delivers a solid, well-structured analysis of the automation challenge with a practical 'traffic light' framework that a middle manager can immediately understand and begin implementing. It correctly identifies the core tension between formal criteria and expert judgment, proposes a sensible hybrid architecture, and warns about meaningful risks. However, it falls short of the reference standard in several areas: it lacks the hard fail/soft fail classification framework, omits important technical details (rules engine choice, data verification statuses, email parsing), provides a shorter shadow mode period than recommended, and misses key anti-recommendations (no ML, don't auto-send rejection emails). The response is strong on communication and structure but moderate on technical depth and completeness.

  • Excellent structure and readability with the intuitive 'traffic light' metaphor that makes the architecture immediately understandable
  • Missing hard fail vs. soft fail classification and the three-status data verification framework ('verified OK', 'verified NOT OK', 'could not verify')

Gemini 3.1 Pro · этот ответ: 8,9 из 10

Перевод с английского.

ИИ дал выдающийся, максимально прагматичный ответ, идеально балансирующий между технической автоматизацией и человеческой экспертизой. Он верно выявил подводные камни подхода «полного автопилота» и предложил надежную, применимую на практике гибридную систему «Светофор». Наличие четкого плана внедрения, включая этап тестирования в «Теневом режиме», делает этот ответ исключительно полезным руководством для руководителя среднего звена.

  • Сильная сторона: Четкое, применимое на практике предложение архитектуры «Светофор»
  • Слабая сторона: Можно было бы чуть подробнее раскрыть технический поток данных (например, единые точки входа)
Оригинал на английском

The AI delivered an outstanding, highly pragmatic response that perfectly balances technical automation with human expertise. It correctly identified the pitfalls of a 'full autopilot' approach and proposed a robust, actionable 'Traffic Light' hybrid system. The inclusion of a clear implementation plan, including a 'Shadow Mode' testing phase, makes this an exceptionally useful guide for a middle manager.

  • Clear, actionable 'Traffic Light' architecture proposal
  • Could have elaborated slightly more on the technical data flow (e.g., unified entry points)

Оценка относится к этому ответу, а не к общему баллу модели.

Сравнить эту категорию с другой моделью →

Запустите задачу сами

Задача «Заметки с 1-on-1: есть ли тревожные сигналы» из бенчмарка – сейчас, на Gemini 3.5 Flash и для сравнения на GLM 5.2 (другая группа). Ответы новые: судьи их не оценивали, а версии моделей с июля 2026 года могли измениться.

Одно нажатие – два запроса к платным моделям, ответ приходит за 10–60 секунд. Без нажатия ничего не запускается.

Показать задачу

Я руководитель команды разработки (9 человек) в продуктовой компании. Провожу еженедельные 1-on-1 встречи с каждым сотрудником по 30 минут. Веду короткие заметки. Сейчас хочу пересмотреть заметки за последние 8 недель по трем разработчикам и понять, есть ли у кого-то тревожные сигналы – выгорание, скрытое недовольство, мысли об уходе. Формально все трое "норм" – работают, задачи закрывают, на совещаниях активны. Но что-то меня беспокоит. === Илья Громов (Senior Backend, 3 года в компании) === Неделя 1: Доволен спринтом, сделал сложный рефакторинг. Спросил про конференцию в сентябре – хочет выступить. Неделя 2: Упомянул, что устал от легаси. "Но это норм, у всех такое". Конференцию не поднимал. Неделя 3: Сказал, что выходные провел за чтением про новый стек (Go + k8s). "Просто интересно". Конференцию снова не поднимал. Неделя 4: Спросил, есть ли в компании планы переходить на новую архитектуру. Я ответил расплывчато – "обсуждается". Тема закрылась быстро. Неделя 5: Попросил взять день в счет отпуска без объяснений. Чуть менее разговорчив, чем обычно. Неделя 6: На вопрос "как ты" ответил "нормально, устал немного, но ничего критичного". Задачи выполняет, но инициативы не проявляет. Неделя 7: Впервые за год спросил про ДМС и покрывает ли оно психолога. Я сказал – уточню. Уточнил, написал ему. Он ответил "ок, спасибо". Неделя 8: Короткая встреча. "Все штатно". На вопрос про планы на квартал сказал: "Смотрю, что будет". Конференцию не поднимал с недели 1. === Оля Семенова (Middle Frontend, 1.5 года в компании) === Неделя 1: Жалуется на дизайнеров – долго согласуют макеты. Энергичная, с идеями. Неделя 2: Снова про дизайнеров. "Я уже перестала ждать и делаю по-своему". Смеется, но с напряжением. Неделя 3: Рассказала, что помогала соседней команде – "там хоть что-то интересное". Без осуждения, просто факт. Неделя 4: Тихая встреча. На вопросы отвечает кратко. Спрашивает, когда ревью её PR – ждет уже 5 дней. (Я не знал – оказалось, завис у Кирилла.) Неделя 5: Сказала, что ходила на митап по React. "Прикольно было. Компании там разные были". (Пауза.) Неделя 6: Впервые спросила про систему грейдов – как понять, готова ли она к сеньору. Объяснил критерии. Записала. Потом спросила: "А у нас часто повышают?" Неделя 7: Сказала, что всё ок, но "хочется больше сложных задач". Предложил ей взять модуль авторизации – загорелась, но добавила: "Надеюсь, дадите довести до конца, а не перебросят". Неделя 8: Отчиталась по модулю. Работает хорошо. Но на вопрос "что думаешь о следующем квартале" ответила: "Ну, посмотрим, как сложится". === Роман Чижов (Junior, 8 месяцев в компании) === Неделя 1: Говорит много, спрашивает много. Недавно пришел, всё в новинку. Неделя 2: Похвалился, что закрыл задачу самостоятельно, без помощи. Гордится. Неделя 3: Упомянул, что тимлид (я) "всегда занят". Сказал с улыбкой. Я не уточнил. Неделя 4: Попросил ревью кода у Ильи – говорит, тот объяснил хорошо, но "как-то без энтузиазма". Просит больше фидбека по коду от меня. Неделя 5: Тихий. На вопрос "как дела" сказал: "Стараюсь". Задачи сдает в срок. Неделя 6: Спросил, нормально ли, что он до сих пор не знает некоторых частей системы. Успокоил его. Ответил: "Ну, я думал, что уже должен знать". Неделя 7: Сообщил, что начал онлайн-курс по системному дизайну. "Надо же развиваться, если здесь не получается быстро". Неделя 8: Спросил, делают ли у нас performance review и когда будет его. Уточнил: "Просто хочу понять, как меня оценивают". Проанализируй заметки по каждому из трех сотрудников. Для каждого: определи уровень риска (низкий / средний / высокий), опиши конкретные сигналы, которые ты видишь в тексте, объясни, что стоит за каждым сигналом, и предложи, что мне стоит сделать на следующей 1-on-1 встрече с каждым из них.

Все 8 категорий

Средний балл по категории на 80 задачах бенчмарка, на одной шкале 0–10. В каждой категории – шесть критериев.

  1. Анализ данных

    7,4в середине

    Шесть критериев
    Точность
    7,1
    Релевантность
    7,0
    Практичность
    7,7
    Прозрачность
    7,5
    Эффективность
    9,2
    Надёжность
    7,0
  2. Решения в неопределённости

    7,8в середине

    Модель предлагает логичные шаги для проверки гипотез, но упускает скрытые расходы на обслуживание и требования миноритарных фондов.

    Шесть критериев
    Точность
    7,6
    Релевантность
    7,3
    Практичность
    8,1
    Прозрачность
    7,8
    Эффективность
    9,1
    Надёжность
    7,4
  3. Анализ отзывов и обратной связи

    8,2в середине

    Шесть критериев
    Точность
    8,2
    Релевантность
    7,5
    Практичность
    8,5
    Прозрачность
    8,3
    Эффективность
    9,4
    Надёжность
    7,7
  4. Корпоративные требования и риски

    7,3заметно ниже лучших

    Шесть критериев
    Точность
    7,0
    Релевантность
    6,7
    Практичность
    7,7
    Прозрачность
    7,5
    Эффективность
    8,8
    Надёжность
    6,7
  5. Автоматизация

    7,2заметно ниже лучших

    Шесть критериев
    Точность
    7,2
    Релевантность
    6,3
    Практичность
    7,2
    Прозрачность
    7,7
    Эффективность
    8,6
    Надёжность
    7,1
  6. Управление людьми

    8,2в середине

    Модель сильна в проработке психологических сценариев бесед, но иногда не выполняет требования по количеству вопросов в планах.

    Шесть критериев
    Точность
    8,1
    Релевантность
    7,6
    Практичность
    8,5
    Прозрачность
    7,9
    Эффективность
    9,2
    Надёжность
    7,8
  7. Российская и казахстанская специфика

    7,8в середине

    Модель учитывает требования ТК РФ, но полностью искажает расчет налогов Казахстана и выдумывает списки недружественных стран.

    Шесть критериев
    Точность
    7,2
    Релевантность
    7,7
    Практичность
    8,4
    Прозрачность
    7,7
    Эффективность
    9,1
    Надёжность
    7,0

риска – лучшая модель рейтинга в этой категории, шкала 0–10

Если работать через API

Один ответ теста через API стоит $0,027 (вход $1,5 / выход $9 за миллион токенов).

Ответов в день через APIпримерно в месяц (22 рабочих дня)
1$0,60
3$1,8
10$6,0

Оценка по длине ответов нашего теста, а не тариф чата или подписка. Ваши запросы и ответы могут стоить иначе.

Альтернативы

Подобраны по причине, которая важна при выборе, а не по десятой доле балла.

Сравнить с любой моделью →

Как получен балл

  • Два ИИ-оценщика (Claude и Gemini) оценили каждый ответ по шести основным критериям, от 1 до 10.
  • Общий балл сводит их оценки по всем 80 задачам, по одному прогону на модель.
  • Разница меньше 0,3 балла считается одним уровнем: порядок внутри группы ничего не значит.
  • Данные на июль 2026; версии моделей с тех пор могли измениться.

Итоговые оценки двух судей для этой модели: Claude – 7,0, Gemini – 8,8. Общий балл считается по всем их оценкам вместе, поэтому это не простое среднее двух чисел.

Вся методика и её ограничения →

Что дальше

Модель из верхней группы не исправит размытую задачу

В бесплатных первых уроках – как задать контекст и форму ответа, а потом проверить результат на своей рабочей задаче.

Открыть бесплатные первые уроки

Новые волны бенчмарка и разборы – в дайджесте раз в две недели. Бесплатно, отписка в один клик.

Подписываясь, вы соглашаетесь с политикой обработки персональных данных. Отписка – в один клик в любом письме.

Первые 9 уроков – бесплатно