Начинающий

Skill Leap AI. Показывает тот самый паттерн, который использует статья: Custom GPT запускает действия Zapier, чтобы отправлять письма, обновлять таблицы или создавать события календаря прямо из чата. Детали настройки со времён записи видео слегка сместились, но модель «ваш ИИ-ассистент вызывает автоматизацию без кода, которая делает фактическую работу» — ровно та, что нужна.

Tom Nassr | XRAY. Разбирает, что такое Zap на самом деле, как стыкуются триггеры и действия и как с нуля собрать рабочую автоматизацию Google Sheets → Slack — ровно та ментальная модель, которая нужна, прежде чем добавлять в смесь ИИ. Также проходится по Zapier Tables, Interfaces и ИИ-функциям, чтобы вы понимали, что вообще есть в коробке.

IBM Technology. Это видео ниже нашей обычной планки в 100K просмотров, но заслуживает места: это лучшее короткое объяснение того, почему сотрудник, использующий личный аккаунт ChatGPT для рабочих задач, — это и есть тот самый реальный риск, с которым сталкивается большинство компаний. Подход Крума «не говорите “нет”, скажите “как”» — ровно та же позиция, что и в статье: вы не пытаетесь запретить ИИ, вы пытаетесь сделать безопасное использование настройкой по умолчанию.

IBM Technology. Объяснение Джеффа Крума на световой доске о трёх местах, где генеративный ИИ вносит риск, — данные, модель и использование — и о том, как выглядят правильные контроли для каждого. Полезно для тезиса статьи: «будь осторожнее» — это не ответ; нужно понимать, под какую именно категорию риска вы как сотрудник реально подставляетесь.

Tina Huang. Показывает структурированную систему самообучения, которой Хуанг пользовалась, чтобы выучить SQL за 11 дней под собеседование в Meta, — активное вспоминание, интервальное повторение и использование ChatGPT для генерации задач и объяснения ошибок. Полезно как продолжение «а как мне реально выполнить план» к основной рекомендации.

Tina Huang. Даёт готовый шаблон промпта для плана обучения («Act as a coding tutor that creates study plans…»), который берёт цель ученика, доступное время и предпочтения по ресурсам, а затем выдаёт структурированный план. Обрамление — это программирование, но сам паттерн промпта — ровно то, что статья применяет к любому 30-дневному учебному спринту.

Ali Abdaal. Раскладывает те же паттерны, что и статья, — челлендж-промпты («дай мне самый сильный контраргумент», «дай мне разгромную критику»), объясняющие теории и метод Соломона (попросить ИИ сыграть вашу 90-летнюю версию себя) — и необычно ясно говорит, где ИИ перестаёт быть полезным (ментальное здоровье, ответственность). Хорошо сочетается с настойчивым тезисом статьи: ценность в том, чтобы задавать лучшие вопросы и разбирать компромиссы, а не в «скажи, что мне делать».

Tina Huang. Глава про промптинг (02:30–09:20) выкладывает две стыкуемые мнемоники — «tiny crabs ride enormous iguanas» (task, context, references, evaluate, iterate) и «ramen saves tragic idiots» (revisit, separate, try analogous, introduce constraints) — которые чисто ложатся на паттерны итерации и доработки из статьи. Полезно, когда одной формулы за один заход недостаточно.

Jeff Su. Формула из шести частей — задача, контекст, примеры, персона, формат, тон — объяснённая на тех же офисных примерах, что и в статье (планы тренировок, резюме, внутренние письма). Посмотрите это первым; почти каждый паттерн в статье — это сфокусированное применение одного из этих шести компонентов.

Jeff Su. Глава про Claude Projects (начинается около 04:46) — это самое чистое короткое объяснение на YouTube разницы между контекстом на уровне проекта и на уровне чата, проиллюстрированное на примере продуктового маркетинга, где один документ проекта кормит много чатов с разными брифами. Естественно встаёт рядом с аргументом статьи, что Projects и Custom GPT решают одну и ту же задачу в чуть разных формах.

Skill Leap AI. Проходит по конструктору GPT ровно так, как описывает статья: имя и описание, conversation starters, инструкции, файлы знаний, capabilities и настройки доступа. Использует реальный пример (ИИ-ассистент по знаниям, накормленный собственными скриптами автора), так что вы видите, как на практике выглядит хорошее содержимое для файла знаний.

Kevin Stratvert. Спокойный сквозной разбор текущего процесса в Sora: получение доступа, настройка Cameo, промпт, выбор ориентации, использование настольной версии. Полезно как продолжение «выбери один инструмент и реально попробуй на этой неделе» к сравнению.

Versus. Сталкивает Sora 2 Pro, Veo 3.1, Runway Gen 4 и Wan 2.5 на одном и том же наборе промптов image-to-video и text-to-video, затем оценивает их по физике, освещению, движению и точности следования промпту. Это самое близкое на YouTube к рамке статьи «что реально пригодно»: вы видите одну и ту же идею в четырёх исполнениях и начинаете замечать, где каждая модель ломается.

ElevenLabs. Официальный разбор, противопоставляющий Instant Voice Cloning (минута аудио, результат за секунды) и Professional Voice Cloning (30 минут — несколько часов аудио, гораздо более высокая точность). Гайд по качеству записи — микрофон, помещение, уровни, предварительная обработка — это часть, которую труднее всего найти где-то ещё, и она важнее всего для того, чтобы получить клон, которым вы будете реально пользоваться.

Alec Wilcock. Экскурсия по платформе, на которой держится большинство примеров статьи: text-to-speech, speech-to-speech, voice design и клонирование голоса — всё в одном разборе с записью экрана. Проходит по ограничениям бесплатного и платного тарифов и по тем регуляторам, что реально важны (stability, similarity, style), без перепродажи.

Future Tech Pilot. Когда вы решили, что Midjourney стоит попробовать, это полный разбор «от и до» — структура промпта, параметры stylize / chaos / weird, image prompting, blending, zoom и pan, тонкая настройка стиля. Интерфейс продолжает эволюционировать, но всё здесь по-прежнему применимо, и интуиция промптинга чисто переносится на v7.

Matt Wolfe. Мэтт прогоняет один и тот же набор промптов через Midjourney, DALL·E, Adobe Firefly, Stable Diffusion, Leonardo и другие и оценивает их по тем же осям, что важны статье: точность, реалистичность, иллюстрация, логотипы, текст, цена. Состав моделей с тех пор сдвинулся (Flux теперь в обойме), но именно методология делает это всё ещё лучшим ориентирующим видео в этой области.

Tina Huang. Тина ставит Deep Research у Perplexity и аналитические режимы ChatGPT/Claude в контекст рабочего дня аналитика — сведение рыночных сигналов, разведочный анализ данных, структурированные выходы. Полезно как ответ «а на что ещё это годится, кроме академических литературных обзоров» к основной рекомендации.

Andy Stapleton. Стэплтон запускает Deep Research против ровно того сценария, где он блистает, — литературного обзора с чёткой областью, временными рамками и структурой, — и показывает рукопожатие с уточняющими вопросами, 10-минутное ожидание, вывод на 40 источников и места, где цитаты и тон всё ещё требуют человеческого прохода. Честно проговаривает ограничения (нет экспорта в BibTeX, иногда слишком щедро в выборе источников).

Matt Wolfe. Когда вы освоили основы, это правильное второе видео. Мэтт проходит по длинному списку менее очевидных применений — превратить книгу в конспект для учёбы, ввести себя в курс по конкуренту через его материалы, сгенерировать mind maps из папки с PDF, — что помогает увидеть, насколько гибкой на самом деле оказывается рамка «привязанной записной книжки».

Paul J Lipsky. Аккуратная рамка из трёх шагов — подобрать источники, задавать правильные вопросы, выдавать итоговые материалы, — которая практически один в один ложится на то, как статья предлагает думать про NotebookLM. Достаточно свежее (начало 2026), чтобы совпадать с текущим интерфейсом, включая Studio, аудиообзоры и mind maps.

Leila Gharani. Старее (начало 2023), но всё ещё самый аккуратный проработанный пример: вставить реальный вопрос по Excel в ChatGPT, получить ответ с SUMPRODUCT или условным форматированием, а потом доитерировать с моделью, когда первая формула не до конца подходит. Модель сильно улучшилась; рабочий процесс промптинга, который она показывает, — тот же, которым вы воспользуетесь сегодня.

Leila Gharani. Живое демо новой функции `=COPILOT()` на ровно тех грязных реальных данных, что описывает статья: заметки передачи смены, превращённые в структурированную таблицу действий, отзывы вольным текстом, размеченные по тональности, и неконсистентные должности, нормализованные по справочному списку. Также чётко проговаривает ограничения: не используйте её для того, что должно быть точным, и фиксируйте результаты как значения, когда закончили.

David Perell. Перелл зарабатывает на жизнь, обучая писательству, и проходит по тому, как он реально черновит с LLM, чтобы вывод не читался как ИИ: что он использует модель для (ресёрч, структурирование, вытаскивание собственного мышления), что отказывается ей делегировать (голос, вкус, мнения) и какие конкретные приёмы держат его прозу — его. Чуть-чуть ниже порога в 100K просмотров, но заслуживает места, потому что тема по-настоящему нишевая, а это самое вдумчивое длинное высказывание по ней.