Эмпатичный AI-собеседник: извлечение скрытого опыта через доверительный диалог

КОМПОНЕНТЫ:
Персона AI → эмпатичный коллега (не робот-анкета)
↓
LLM → естественный диалог на равных
↓
CoT промптинг → правильные вопросы в правильном порядке
(конкретная ситуация → детали → паттерны → принципы)
↓
RAG → связь опыта с базой знаний / документами

Всё происходит в одном диалоге

Задача: Артём 10 лет работал менеджером по продажам в b2b, закрыл сотни сделок. Его спрашивают: "Как понять, что клиент готов покупать?" Он отвечает банально: "смотрю на сигналы". Но какие именно сигналы — не может сформулировать. Этот опыт нужен стажёрам, но он сидит в голове Артёма как интуиция.

Промпт:

Ты — эмпатичный коллега, который помогает мне артикулировать мой опыт работы с клиентами. Я менеджер по продажам с 10-летним стажем.

Твоя задача:
1. Задавай вопросы, которые помогут мне вспомнить конкретные ситуации и детали
2. Следуй структуре: от общего к частному, от одной сделки к паттернам
3. Когда я говорю абстрактно ("смотрю на сигналы") — проси конкретные примеры
4. Связывай мой опыт с тем, что уже знают новички (базовые техники продаж)

Начни с вопроса о последней успешной сделке, где я почувствовал, что клиент "созрел" для покупки.

Результат: AI начнёт задавать вопросы в стиле опытного интервьюера: "Вспомни последнюю сделку, где ты точно знал, что клиент купит. Что произошло в этот момент?". Затем углубится: "Какие слова он использовал? Как изменился тон голоса? Что спросил?". Постепенно из разговора выкристаллизуется список конкретных сигналов: клиент начинает спрашивать про детали внедрения, обсуждает сроки, интересуется отзывами других клиентов. То, что было интуицией, станет артикулированным чек-листом для стажёров.

Люди плохо формулируют опыт "в лоб" — попроси описать "как ты принимаешь решения" и получишь банальности. Но задай вопрос про конкретную ситуацию — и вылезут детали. Это как разница между "расскажи о себе" и "что ты делал вчера в 15:00?" — второй вопрос включает конкретную память, а не абстрактное самоописание.

LLM хорошо умеет структурировать диалог — может держать в голове план беседы (через Chain-of-Thought), задавать вопросы по порядку, переходить от общего к частному. Это как опытный интервьюер, который знает куда вести разговор, но делает это естественно.

Персона "эмпатичного коллеги" снимает защиты — исследования показали, что люди охотнее раскрываются перед AI, чем перед человеком (нет страха быть осуждённым, показаться некомпетентным). Используй это: не "я — ассистент", а "я — твой коллега, которому интересен твой опыт". Это тонкая настройка тона, но она меняет всё.

Рычаги управления промптом:

• Роль AI: от "строгого интервьюера" до "дружелюбного коллеги" — меняет открытость
• Структура вопросов: от хронологии ("последняя сделка") до сравнения ("чем отличаются клиенты, которые покупают быстро?")
• Глубина: можно остановиться на паттернах или углубиться до эмоций и мотивов
• Точка входа: "последний случай" vs "самый яркий пример" vs "типичная ситуация"

Ты — {роль: эмпатичный коллега / опытный интервьюер / ментор}

Моя ситуация: {описание опыта, который нужно артикулировать}

Твоя задача:
1. Задавай вопросы, которые помогут мне вспомнить конкретные детали и ситуации
2. Следуй структуре: от конкретного случая → к паттернам → к принципам
3. Когда я говорю абстрактно — проси примеры
4. Помогай связать мой опыт с {контекст: базовыми знаниями / документами / опытом других}

Начни с вопроса о {точка входа: последнем случае / самом ярком примере / типичной ситуации}

Плейсхолдеры:

• {роль} — какую роль играет AI (коллега, ментор, интервьюер)
• {описание опыта} — что за знание нужно извлечь
• {контекст} — с чем связывать (если есть документы, базовые знания)
• {точка входа} — с какого вопроса начать

🚀 Быстрый старт — вставь в чат:

Вот шаблон для извлечения моего опыта через диалог. Адаптируй под мою задачу: [опиши какой опыт хочешь артикулировать]. 
Задавай вопросы, чтобы уточнить роль и контекст.

[вставить шаблон выше]

LLM спросит какую роль ей играть (строгий интервьюер или дружелюбный коллега), с чего начать разговор, есть ли документы для связи — потому что структура диалога зависит от того, насколько ты готов раскрываться и что уже знаешь. Она возьмёт паттерн из шаблона и адаптирует под твою задачу.

⚠️ Подходит для опыта, не для фактов: Метод работает там, где знание неявное — интуиция, контекст, нюансы. Для простых фактов ("какой у нас протокол безопасности?") это избыточно.

⚠️ Требует времени: Один диалог может занять 15-30 минут. Если нужно быстро вытащить один факт — проще спросить напрямую.

⚠️ Зависит от готовности делиться: Даже эмпатичный AI не заставит раскрыться человека, который не хочет. Нужно внутреннее желание передать знание.

Исследователи собрали данные из психологии взаимодействия человек-AI и предложили концепцию: что если применить социально-интерактивных агентов (SIA) не для обучения, а для извлечения знаний? Они опирались на существующие исследования, которые показали: люди охотнее раскрываются перед виртуальными агентами, чем перед людьми (страх осуждения ниже), SIA вызывают доверие, если демонстрируют теплоту и компетентность, разговор с эмпатичным агентом снижает уровень стресса и улучшает настроение.

Почему это работает для извлечения знаний? Скрытое знание — это опыт, который человек не может сформулировать сам без правильных вопросов. Но если задать их в правильном порядке (Chain-of-Thought), человек начинает вспоминать детали, связывать их, видеть паттерны. LLM умеет держать структуру диалога, а RAG связывает личный опыт с документами компании.

Что удивило: Традиционно считалось, что передача знаний требует живого ментора. Но данные показали, что AI может быть даже эффективнее — нет страха показаться некомпетентным, можно вернуться к теме через неделю, AI не устаёт и не осуждает. Это снимает социальные барьеры, которые мешают людям делиться опытом.

💡 Адаптация для рефлексии над проектом:

После завершения проекта вместо "постмортем-встречи" можешь сделать диалог с AI:

Ты — фасилитатор ретроспективы проекта. Я только что закончил [название проекта].

Помоги мне извлечь уроки через диалог:
1. Начни с вопроса о самом ярком моменте проекта (успешном или провальном)
2. Углубись в детали: что именно произошло, кто был вовлечён, какие решения я принял
3. Помоги увидеть паттерны: где я действовал по интуиции? Что сработало? Что нет?
4. Свяжи мой опыт с принципами управления проектами

Начинай.

🔧 Техника: добавить "сократовские вопросы" → глубже копать в предположения

В базовый промпт можно добавить инструкцию:

Когда я делаю обобщение ("все клиенты такие"), задавай сократовские вопросы:
- "Все? Или были исключения?"
- "Почему ты так думаешь?"
- "Что, если бы было иначе?"

Это поможет мне увидеть свои предположения и проверить их.

🔧 Техника: режим "критического друга" → вызвать на откровенность

Можно попросить AI играть роль критичного, но доброжелательного коллеги:

Веди себя как критичный друг. Если я говорю расплывчато или приукрашиваю, мягко вызывай на откровенность: "Звучит позитивно, но что пошло не так на самом деле?". Цель — докопаться до правды, не осуждая.

Socially Interactive Agents for Preserving and Transferring Tacit Knowledge in Organizations

Benderoth, M., Gebhard, P., Keller, C., Nakhosteen, C. B., Schaffer, S., & Schneeberger, T. (2025)

Авторы: Martin Benderoth (ad-artists GmbH, Kassel), Patrick Gebhard, Stefan Schaffer, Tanja Schneeberger (German Research Center for Artificial Intelligence - DFKI), Christian Keller (synartIQ GmbH, Bielefeld), C. Benjamin Nakhosteen (thyssenkrupp Steel Europe AG, Duisburg)