Цей час я справді трохи зжитий з розуму через AI. Кілька днів тому я хотів створити робочий процес «автоматичне впорядкування даних + автоматичне генерування контенту». Зараз у мережі щодня говорять про AI-агенти, автоматизацію, майбутнє low-code, і спочатку я думав, що це щось, що можна просто зібрати і воно запуститься.

Результат був іншим — коли почав налаштовувати, я одразу увійшов у безкінечний режим налагодження.
Цей промпт неправильний, потрібно змінити формулювання. Claude видає занадто загальні відповіді, потрібно перейти на GPT. Логіка GPT правильна, формат — ні. Потім я змінюю інструменти, додаю правила, змінюю workflow. Іноді я вже й не можу зрозуміти, чи я «роблю контент», чи «треную AI».
І це дуже впливає на мій настрій.
Один і той самий інструмент — хтось робить за кілька хвилин, а я можу годинами коригувати один результат. Ті популярні навички з високою кількістю зірок виглядають дуже круто, але коли їх намагаєшся застосувати у своїх сценаріях, багато з них просто не працюють.
Ти просто копіюєш, а потім все одно доводиться поступово змінювати.
Я навіть думав найняти когось, щоб він налаштував мені workflow. Але якщо подумати, для маленької команди це досить складно. Найняти людину, яка розбирається в AI, — недешево; а самостійно пояснювати потреби, логіку, багаторазово переробляти — іноді це ще важче і втомлює більше.
Згодом я зрозумів, що найбільша проблема сучасного AI вже не в тому, що він «недостатньо розумний».
А в тому, що звичайним людям потрібно вчитися дуже багато, щоб ефективно ним користуватися.
Тобі потрібно вивчати промпти, розуміти різницю між моделями, досліджувати навички, налаштовувати workflow, підбирати інструменти для конкретних задач. Реальна робота займає лише частину часу, решту — більшу частину — ти витрачаєш на те, щоб «змусити AI працювати правильно».
Тому останнім часом, коли я тестую @dappOS_com的 @xbubble_xyz, мені здається, що їхній підхід досить інший.
Багато AI-продуктів зараз навчають користувачів: як писати промпти, як налаштовувати workflow, як керувати агентами.
Але xBubble більше схоже на те, що:
«AI навчає AI, AI використовує AI».
Мій особистий досвід показує, що тепер не потрібно постійно замислюватися: «Який саме модель використовувати для цього кроку?»
Я просто говорю їй, чого хочу.
Bubble Pilot сам визначає тип задачі і автоматично розподіляє її на відповідний SOP і шлях виконання. Якщо стандартного SOP немає, він автоматично повертається до універсального агента.
Головне — його бекенд Bubble Engine постійно навчається.
Які моделі підходять для яких задач, які комбінації інструментів більш стабільні, які workflow мають вищий рівень успіху — ці речі, що раніше були дуже трудомісткими, тепер починають обробляти AI.
Це досить крутий досвід.
Бо раніше багато залежало не від того, що AI не вміє працювати, а від того, що користувачам потрібно було вчитися, щоб змусити AI працювати.
Особливо яскравий приклад — Bubble Computer.
Раніше, щоб виконати повний завдання, потрібно було відкривати кілька вікон: пошук інформації, організація, написання контенту, корекція, потім вивід.
Зараз він сам проходить весь ланцюжок.
Навіть локальні моделі, як Bubble Personal, дуже цікаві — вони дозволяють безпосередньо працювати з файлами на комп’ютері, браузером тощо, без налаштування середовища користувачем.
Я все більше переконуюся, що майбутнє справжнього хорошого AI не в тому, щоб ускладнювати життя звичайним людям.
А в тому, щоб AI навчився сам використовувати AI.
Користувачам потрібно лише сказати ціль, а все інше — довірити системі.