Иногда самые интересные истории про AI начинаются не с громких презентаций, а с очень конкретного человеческого трения: инструмент ошибся, провайдер подвёл ночью, учеба не держит внимание, а тревожный вопрос хочется решить без паники. В этой подборке — десять таких случаев, где люди не повторяют рекламные обещания, а приспосабливают технологию под собственные задачи, страхи и привычки.

Тесты OWASP сломали EdgeGuard и заставили автора заново учить AI искать уязвимости в коде

Автор делал расширение для проверки кода не ради красивой демонстрации, а чтобы ловить то, что человек может пропустить глазами. Но проверка на OWASP Benchmark быстро показала неприятную правду: модель слишком охотно считала неизвестные защитные функции безопасными и из-за этого пропускала опасные места. Ценность истории именно в провале: вместо самообмана автор сделал систему подозрительной по умолчанию, пока безопасность не доказана явно.

Источник: Dev.to

Разбор логов привёл автора к языку Pipe, где вызовы AI сразу живут в песочнице

Всё началось с довольно прозаичной задачи: читать серверные журналы, разбирать ошибки и собирать сводку без горы хрупкой обвязки. Раздражение от обычного подхода выросло в собственный маленький рантайм, где обращения к сети, оболочке и моделям сразу ограничены и видны как отдельные примитивы. Это сильная история о том, как бытовая инженерная боль иногда толкает не к заплатке, а к переосмыслению самого инструмента.

Источник: Dev.to

Ночной сбой Gemini вынудил автора собрать резервный маршрутизатор моделей для своего воркера

Автор строил рабочий контур для очистки данных и внезапно уткнулся в вещь, которая ломает взрослые системы больнее любой красивой идеи: один поставщик моделей стал единственной точкой отказа. Когда ночной лимит Gemini остановил обработку, он собрал реестр провайдеров и автоматическое переключение между ними. Эта история цепляет тем, что показывает зрелую правду про AI: надёжность инфраструктуры часто важнее выбора самой умной модели.

Источник: Dev.to

Один и тот же чатбот на Angular и React показал автору, где на самом деле ломается AI-интеграция

Автор не спорил о фреймворках в пустоте, а собрал один и тот же потоковый чатбот сразу в двух экосистемах с одинаковыми функциями и похожим внешним видом. В результате сравнение получилось не про вкусовщину, а про цену сопровождения, управление состоянием и поведение интерфейса при потоковой выдаче. Полезность истории в том, что она честно показывает: в прикладных AI-продуктах сложность давно живёт не только в модели, но и вокруг неё.

Источник: Dev.to

Инженерка собрала личного помощника в Cloud Run, чтобы модель могла запускать код без потери контроля

Вместо абстрактной схемы здесь есть очень понятный бытовой сюжет: как помочь менеджеру кофейни пережить перегруженные дни, когда нужно быстро понять продажи, смены и поток гостей. Авторка построила помощника, который пишет и исполняет Python-код внутри изолированной среды, не отдавая системе полную свободу. Получилась история не о магии агента, а о попытке приручить его силу через ограничения и наблюдаемость.

Источник: Dev.to

Хаос уведомлений превратился в AI-маршрутизатор для сообщений в WhatsApp

У этой истории очень знакомая отправная точка: все сигналы лезут в голову одинаково громко, хотя одни действительно срочные, а другие только крадут внимание. На хакатоне автор собрал систему, которая решает, что показать сразу, что убрать в сводку, а что заглушить совсем. Ценность здесь в скромной, но важной идее: AI используется не ради чудес, а ради возвращения человеку права управлять собственным вниманием.

Источник: Dev.to

Голосовой тренажёр собеседований вырос из одиночной подготовки и дорогих консультаций

Автору не хватало не очередного списка вопросов, а ощущения живого собеседника, который задаёт уточнения и заставляет держать темп разговора. В ответ он собрал голосового интервьюера, который помогает репетировать один из самых нервных этапов поиска работы без постоянных расходов на коучинг. Это хороший пример того, как AI превращают не в замену найму, а в тренировочную инфраструктуру для людей, которым нужна уверенность.

Источник: Medium

Medichat появился как попытка не ставить диагноз, а подсказать человеку разумный следующий шаг

Автор сознательно ушёл от громкой идеи всезнающего медицинского бота и выбрал более честный вопрос: что делать дальше, когда тебе тревожно и непонятно, насколько всё серьёзно. Такой сдвиг важен сам по себе, потому что показывает более взрослое отношение к роли AI в медицине. Здесь технология нужна не для имитации врача, а для снижения паники и паралича решений в самый уязвимый момент.

Источник: Medium

Преподаватель после Stanford CS229 собрал голосового наставника, чтобы сложные курсы удерживали внимание

Эта история идёт не от стартап-подачи, а от личного опыта человека, который сам прошёл тяжёлый технический курс и почувствовал, насколько трудно не выпадать из материала. Поэтому он сделал голосового наставника, который объясняет машинное обучение разговором, а не только статичными заметками. Сильная сторона здесь в педагогическом мотиве: AI используется как способ сделать обучение менее холодным и более удерживающим.

Источник: Hacker News

Генератор стихов неожиданно стал для пользователей местом, куда приносят разбитое сердце и личные переживания

Создатель ожидал игровой интерес к стихам, но быстро увидел совсем другой сценарий: люди стали приносить в инструмент свои утраты, тоску и вещи, которые трудно сказать напрямую. Именно это делает историю важной, потому что она показывает, как творческий AI уходит из зоны развлечения в область эмоциональной поддержки. Получается не просто сервис для рифмы, а зеркало того, как люди приспосабливают технологию под очень личные нужды.

Источник: Medium