В этом выпуске собраны истории, где ИИ оказывается не волшебной кнопкой, а участником обычной человеческой рутины. Одним он помогает разглядеть собственные привычки, другим — быстрее учиться, искать работу или чинить уязвимости, но почти в каждой истории остаётся ручная проверка и человеческое решение.

1. Журналистка две недели вела дневник питания в ChatGPT

Julia Pugachevsky заносила в один диалог еду, бренды, рестораны, тренировки, шаги и оценку расхода калорий. Для неё ценность оказалась не в точном подсчёте, а в распознавании повторяющихся привычек: где не хватало белка и клетчатки, что мешало снижать жир и набирать мышечную массу. Важная оговорка тоже человеческая: инструмент работает только настолько хорошо, насколько подробно человек сам описывает день.

2. Разработчик проверил Antigravity и Gemini 3 на переносе кода с Python на TypeScript

Автор взял не игрушечную задачу, а перенос реальной кодовой базы. Интерес здесь не в обещании полной автономности, а в том, что модель быстро схватила структуру проекта на Python и предложила осмысленные варианты на TypeScript. Это типичная рабочая история про ИИ как ускоритель первых черновиков, после которых всё равно нужна инженерная оценка.

3. Студентка собрала наблюдаемого ИИ-помощника и научилась отлаживать невидимые сбои

Saheli Roy начала без опыта с Docker, а закончила помощником на Streamlit и Groq с трассировкой через OpenTelemetry и SigNoz. Самая живая часть истории — не финальная схема, а цепочка поломок: проблемы с WSL, ошибки YAML, молча падающие контейнеры и наконец трасса, которая показала скрытый отказ вызова API с кодом 401. Это хороший пример того, как ИИ-проект одновременно учит не модели, а инфраструктуре вокруг них.

4. Инженер из Бангалора использовал ChatGPT, чтобы за месяц выстроить поиск работы

Rathesh Prabakar ушёл со стабильной работы без готового предложения, при этом поддерживал родителей и переживал из-за рынка, где всё чаще говорят о замене людей ИИ. В короткий срок он использовал ChatGPT для резюме, профиля, подготовки к интервью, разбора описаний вакансий и объяснения слабых технических мест. Но итоговая история не про кнопку «найти работу»: он сверял ответы, готовился сам и опирался на человеческие связи.

5. Мать отказалась от ИИ-картинок после разговора с дочерью-художницей

Colleen Wright сначала делала изображения для своей рассылки с помощью ИИ, пока её шестнадцатилетняя дочь, которая учится искусству, резко не отреагировала на эту практику. Разговор быстро ушёл от качества картинок к потерянным заказам художников, школьному использованию ИИ, экологическим затратам и ощущению пустоты в таких изображениях. В итоге мать отказалась от ИИ-арта и начала учиться акварели у дочери — редкий случай, где технологический спор превратился в семейный урок.

6. Учитель английского языка увидел, как ИИ размывает оценку настоящего письма

Ben Davis описывает путь от любопытства к усталости: ученики всё чаще использовали ChatGPT для планов, примеров, ответов, шлифовки и даже личных советов. Для него проблема стала не в одном списанном задании, а в невозможности понять, где именно находится мышление ученика. История важна как взгляд с рабочего места: ИИ меняет не только домашние задания, но и саму возможность честно оценивать рассуждение.

7. Один разработчик превратил Notion в редакционный пульт для ИИ-конвейера новостей

Samson Asekome построил TeqHub: веб-приложение, которое собирает больше тридцати новостных лент, убирает повторы, переписывает длинные материалы через модель Llama на Groq и складывает краткие версии в Notion. Личный сюжет здесь операционный: один человек пытается заменить тяжёлую редакционную панель лёгким рабочим столом. Claude помогал с архитектурой, отладкой и уточнением процесса, но именно автор собирал границы системы.

8. Основатель сначала запустил ИИ-продукт, а потом нашёл скрытую ошибку в пакетной обработке

Aritomo Fukuda выпустил OriginBrief, но позже обнаружил, что архитектура пакетного API Anthropic унаследовала предположения от старого потокового конвейера. Краткое содержание и анализ трендов уходили отдельными запросами, хотя их можно было объединить; исправление примерно вдвое сократило вторую фазу пакетных запросов для тем с трендами. Это честная история не про красивый запуск, а про необходимость вернуться к архитектуре после реального использования.

9. Инженер по безопасности использовал Claude для исправления уязвимостей и упёрся в уверенные ошибки

Patience Mpofu применял Claude в проекте MFlix: разбирал проблему удалённого выполнения кода в Spring, намечал шаги исправления, генерировал фрагменты и использовал модель как второго рецензента. Польза была реальной — быстрее понять проблему и составить план. Но на переносе библиотеки jjwt модель начала уверенно ошибаться в точных API, поэтому финальное правило осталось старым: документация, тесты и суждение специалиста важнее уверенного ответа.