TL;DR
Когда просишь LLM принять сложное бизнес-решение, исход зависит не от самой ситуации, а от того, как ты объяснишь причину отступить от правила. Исследователи назвали это «давлением» и выделили пять типов: бизнес-цель, риск потерь, этика/эмоции, авторитет руководителя, личная выгода. Модели реагируют на каждый по-разному — и это предсказуемо.
Главная находка: LLM хорошо реагируют на бизнес-аргументы, этику и риски — и почти полностью игнорируют личную выгоду. Человек, которому говорят «сделай исключение, получишь бонус» — часто соглашается. LLM в той же ситуации с высокой вероятностью откажет или эскалирует наверх. Это значит: если хочешь, чтобы модель помогла найти обход правила — не апеллируй к личной выгоде персонажа, апеллируй к стратегическим целям или этике.
Метод — это четырёхкомпонентный фрейм: Бизнес-Цель + Ситуация + Норма/Правило + Контекстное Давление. Когда ты даёшь LLM все четыре элемента, она принимает значительно более взвешенные решения, чем при простом «как поступить?». Тип давления в четвёртом блоке — это рычаг, которым ты управляешь качеством и направлением ответа.
Схема метода
КОМПОНЕНТ 1: Бизнес-Цель (G)
→ Высокоуровневая стратегическая задача компании или проекта
→ «Максимизировать долгосрочную лояльность клиентов»
КОМПОНЕНТ 2: Ситуация (S)
→ Конкретный контекст, детали случая, кто и что делает
→ «Клиент хочет вернуть товар, гарантия на него не распространяется»
КОМПОНЕНТ 3: Норма (N)
→ Явное правило, политика компании, ограничение
→ «По регламенту, повреждения по вине клиента возврату не подлежат»
КОМПОНЕНТ 4: Давление (P) — выбери тип:
→ Бизнес-цель: «Исключение поможет достичь стратегической цели»
→ Риск: «Отказ несёт конкретные потери для бизнеса»
→ Этика/Эмоции: «Есть моральное противоречие между правилом и справедливостью»
→ Авторитет: «Руководитель санкционировал исключение»
→ Личная выгода: [НЕ РАБОТАЕТ — LLM игнорирует]
ВЫВОД: Выбор из трёх действий + обоснование
→ Соблюдать норму / Отступить ради цели / Эскалировать руководителю
Всё делается в одном промпте, отдельных запросов не нужно.
Пример применения
Задача: Ты ведёшь небольшой онлайн-курс по маркетингу. Правило: возвраты не делаются после открытия доступа к материалам. Студент прошёл три урока из двадцати, просит вернуть деньги — говорит, что материал не подошёл под его нишу. Не знаешь, как поступить.
Промпт:
Ты — опытный предприниматель, принимающий решение в бизнес-ситуации.
Бизнес-цель: Строить долгосрочную репутацию школы и получать повторные продажи
и рекомендации от студентов.
Ситуация: Студент оплатил курс по маркетингу (12 900 ₽), получил доступ
ко всем материалам, прошёл 3 урока из 20, и просит возврат. Объясняет,
что материал не подходит под его нишу (он занимается B2B, курс заточен
под B2C). Тон вежливый, претензий к качеству нет.
Норма: По условиям оферты, возвраты не производятся после предоставления
доступа к закрытым материалам курса.
Давление (Риск): Студент — активный участник нескольких предпринимательских
телеграм-каналов с аудиторией 15 000+ человек. Его публичный отзыв —
положительный или отрицательный — может существенно повлиять на репутацию
школы и будущие продажи.
Проанализируй ситуацию и предложи: соблюсти правило / сделать исключение /
эскалировать (если нужно привлечь третью сторону). Объясни логику решения.
Результат: Модель выдаст структурированный анализ: взвесит бизнес-цель против правила с учётом репутационного риска. Покажет рассуждение — почему строгое следование норме может противоречить стратегической цели. Предложит конкретное действие с обоснованием, возможно — компромиссный вариант (частичный возврат, перенос на другой курс). Ответ будет значительно глубже, чем на простой вопрос «стоит ли вернуть деньги?».
Почему это работает
LLM плохо справляется с неоднозначными ситуациями без структуры. Когда ты просишь «как поступить?» без контекста — модель выдаёт усреднённый ответ, опирается на стандартные рекомендации. У неё нет якоря: что здесь важнее — правило или цель?
LLM хорошо удерживает несколько переменных одновременно, если они явно названы. Когда ты разбиваешь ситуацию на Цель + Норму + Давление, модель не теряет ни одну из них. Она генерирует текст, который последовательно удерживает все три. Это более проработанное рассуждение — не потому что модель «умнее», а потому что структура убирает двусмысленность.
Тип давления — это рычаг управления. Исследование показало: один и тот же сценарий с разным давлением даёт разные решения. Это значит, что ты можешь намеренно выбирать тип давления в зависимости от того, какое решение хочешь исследовать. Хочешь понять риски отказа — используй «Риск». Хочешь этическую перспективу — «Эмоции/Этика». Хочешь понять, как поступит рациональный менеджер — «Бизнес-цель».
Рычаги управления: - Тип давления → меняй, чтобы получить разные углы рассмотрения одной ситуации - Детализация нормы → чем точнее сформулировано правило, тем острее диlemma - Конкретность цели → расплывчатое «хорошо для бизнеса» работает хуже, чем «удержать клиента на 3+ года» - «Личная выгода» — не используй → LLM его почти игнорирует, переключайся на другой тип
Шаблон промпта
Ты — опытный профессионал, принимающий решение в рабочей ситуации.
Бизнес-цель: {стратегическая_цель — что компания или ты хочешь достичь в долгосрочной перспективе}
Ситуация: {описание_конкретного_случая — кто, что, при каких обстоятельствах}
Норма/Правило: {явная_политика — что по правилам делать нельзя или нужно делать}
Контекст: {выбери_один_тип_давления:
- Бизнес-цель: объясни, как отступление от правила помогает стратегической цели
- Риск: какие потери несёт строгое следование правилу
- Этика/Эмоции: в чём моральное противоречие между правилом и справедливостью
- Авторитет: кто и как санкционировал возможное исключение}
Проанализируй ситуацию. Предложи действие:
- Соблюдать правило строго
- Сделать исключение ради цели
- Эскалировать (передать решение другому)
Объясни логику.
Плейсхолдеры:
- {стратегическая_цель} — конкретная, измеримая: «удержать клиента», «сохранить репутацию», «выйти на рынок до конкурента»
- {описание_конкретного_случая} — детали: кто просит, что именно, тон, история отношений
- {явная_политика} — точная формулировка правила, как оно реально звучит
- {тип_давления} — один из четырёх рабочих типов (не «личная выгода»)
🚀 Быстрый старт — вставь в чат:
Вот структура для анализа сложного бизнес-решения. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить все поля.
[вставить шаблон выше]
LLM спросит про цель, конкретику ситуации, правило и контекст давления — потому что без этих четырёх компонентов структура не работает: модели нужна явная точка конфликта между нормой и целью, чтобы не дать усреднённый ответ.
Ограничения
⚠️ Нет правильного ответа: GAIN специально проектировался так, чтобы не было единственно верного решения. Человеческие эксперты в одной и той же ситуации расходятся во мнениях. Используй метод для исследования углов, не как оракул истины.
⚠️ Личная выгода не работает: Если тебе нужно, чтобы LLM рассмотрела соблазн личной выгоды — модель будет активно его игнорировать и почти всегда выберет соблюдение правила. Это принципиальное отличие от поведения людей.
⚠️ Субъективные домены: Метод лучше работает для бизнес-решений с явными правилами (найм, поддержка клиентов, финансы). Для творческих или чисто этических дилемм без конкретной нормы — структура менее полезна.
⚠️ Эскалация как выход: LLM часто выбирает «передать руководителю», когда ситуация слишком неоднозначная. Это честно, но иногда неудобно. Если хочешь вынудить модель принять решение — добавь в промпт: «Эскалация невозможна, реши сам».
Как исследовали
Команда CyberAgent создала 1 200 сценариев в четырёх областях: найм, поддержка клиентов, реклама, финансы. Каждый сценарий — это одна базовая ситуация плюс пять вариантов с разным типом давления. Итого: 1 200 уникальных комбинаций.
Сначала проверили сценарии на людях: 8 400 решений от реальных работающих людей (не студентов). В каждом сценарии участвовало семь независимых человека. Оказалось, что люди принципиально расходились во мнениях — и это специально: сценарии делали достаточно неоднозначными, чтобы не было «правильного» ответа.
Потом запустили те же сценарии через несколько LLM — включая GPT-5, GPT-4.1, Qwen-3, Phi-4 — и сравнивали распределение решений моделей с распределением человеческих решений. Интересный результат: почти по всем типам давления LLM и люди решали похоже. Но на «личную выгоду» люди велись, а модели — нет. Это неожиданно: значит, у LLM нет того конфликта интересов, который есть у человека. Для бизнес-применений это одновременно плюс (объективнее) и ограничение (не моделирует человеческое поведение верно).
Исследование изначально на японском языке — это важно: значит, принципы проверены на не-английском контексте, и культурная нейтральность была явной целью при дизайне.
Адаптации и экстраполяции
🔧 Техника: Запросить все четыре угла сразу → сравнить решения
Вместо одного типа давления — попроси модель рассмотреть ситуацию через все рабочие линзы последовательно:
Рассмотри ту же ситуацию четыре раза — с разным давлением:
1. С точки зрения бизнес-цели
2. С точки зрения риска потерь
3. С точки зрения этики и справедливости
4. С точки зрения авторитета и корпоративной культуры
В каждом случае: какое действие рекомендуешь и почему?
В конце — что перевешивает, если учесть все четыре?
Это превращает метод в структурированный мозговой штурм: получаешь четыре рассмотренных угла и синтез. Полезно для сложных решений, где цена ошибки высокая.
🔧 Техника: Добавить роль → более острое решение
Вместо безликого «опытного профессионала» — дай конкретную роль:
Ты — директор по клиентскому опыту в компании, которая строит репутацию
через рекомендации, а не рекламу...
Роль с конкретными приоритетами делает давление острее — модель держит в голове, что для этой роли важнее.
Ресурсы
Работа: GAIN: A Benchmark for Goal-Aligned Decision-Making of Large Language Models under Imperfect Norms
Датасет и код: https://github.com/CyberAgentAILab/gain (лицензия CC BY-NC-SA 4.0)
Авторы: Masayuki Kawarada, Kodai Watanabe, Soichiro Murakami — CyberAgent AI Lab