GPT ошибся на 9%

📊 DeepSeek нашёл в таблице то, что GPT пропустил. Без подсказок. В прошлом посте я показала, как GPT ошибся на 9%. Сегодня — про того, кто не ошибся. DeepSeek без контекста: Верно посчитал выполнение по каждому партнёру. ТехноСфера — 54%, ГаджетХаус — 44%. GPT эти цифры даже не упомянул. Нашёл проблемную модель: Stellar 12 Pro — 73%. Остальные — выше 90%. Посчитал промо-бюджеты, которые не окупились. 100 000 руб. на Урале при 70%. 180 000 руб. в Москве при 87%. С контекстом стал точнее: Помесячная динамика по каждому партнёру — видно, кто проседает и когда. Гипотеза: после февральского промо (103%) в марте спад (80%) — стоки перегрели спрос. Прямая критика: планы на март завышены без промо-поддержки. Это не описание таблицы. Это причинно-следственный анализ. GPT такое выдал только после подсказки. GigaChat не выдал вообще. DeepSeek доступен в России напрямую, без танцев с бубном. 🧠 Вывод: если работаете с таблицами продаж — DeepSeek справляется. Местами лучше. ⚡️ ИИ мания t.me/...nia

📊 Нейросеть ошиблась на 9%. И ничего тебе не сказала. Загрузила одну таблицу продаж в GPT, DeepSeek и GigaChat. Один файл. Один запрос. Три ответа. Правильный — один. GPT без контекста показал выполнение плана 82.8%. Реальная цифра — 91.8%. Из-за этого Урал выглядит провальным, а февральское промо — бесполезным. Хотя в реальности всё наоборот. DeepSeek ту же таблицу разобрал корректно. Без подсказок. Нашёл проблемный продукт, посчитал неэффективные промо-бюджеты с конкретными суммами. GigaChat выдал шаблон без цифр. Не справился ни с контекстом, ни без. Потом дала каждой модели контекст: сезонность, стоки. GPT — починился полностью. Контекст переключил методологию. DeepSeek — стал ещё глубже: причинно-следственные цепочки, критика завышенных планов. GigaChat — почти не изменился. 🧠 Вывод: 2 строчки контекста — разница между ошибкой и рабочим анализом. Не ленитесь объяснить AI, что за данные перед ним. Исходный файл с таблицей продаж — в Telegram-канале ⚡️ ИИ мания t.me/...nia Скачайте и проверьте сами. ⚡️ ИИ мания