TL;DR
Исследователи сравнили, на что опираются лучшие и средние прогнозисты при анализе сложных вопросов. Оказалось: разница не в качестве поиска информации, а в том, какие вопросы они задают себе после сбора данных. Лучшие прогнозисты систематически делают три вещи, которые обычные LLM почти никогда не делают без команды: проводят pre-mortem анализ («если я окажусь неправ — почему?»), ищут альтернативные перспективы («что я упускаю?») и рассматривают чёрных лебедей («какое маловероятное событие всё изменит?»).
Главная находка: Frontier LLM по умолчанию тратят ~94% усилий на сбор информации (H — «поиск») и почти игнорируют pre-mortem (P), альтернативные перспективы (O) и wildcards (W). При этом именно P, O, W — главное, что отличает точного аналитика от среднего. Claude Opus 4.6 проводил pre-mortem только в 9.5% случаев. Лучший прогнозист — в 37.8%. Ещё острее: LLM систематически путает риторику с намерением — если лидер говорит «мы сделаем это», модель воспринимает это как обязательство, не как переговорный манёвр. Она не задаёт вопрос: «а зачем ему это делать именно сейчас?»
Решение: явно инструктировать LLM проходить структуру CHAMPS KNOW — 10-мерный фреймворк Тетлока для точного мышления. Особенно важны три недоиспользуемых измерения: P (что если я неправ?), O (какие перспективы я игнорирую?), W (какой чёрный лебедь всё изменит?). Это один промпт, один запрос, без инфраструктуры.
Схема метода
Метод работает в одном промпте, один запрос:
ШАГ 1: Нормы и прецеденты (N) → Что обычно происходит в похожих ситуациях?
ШАГ 2: Ключевые игроки и стимулы (K) → Кто решает? Почему именно сейчас?
ШАГ 3: Сравнимые классы (C) → На что это похоже из прошлого?
ШАГ 4: Pre-mortem анализ (P) → Если прогноз неверен — почему?
ШАГ 5: Альтернативные перспективы (O) → Что я упускаю?
ШАГ 6: Wildcards (W) → Что маловероятно, но меняет всё?
ШАГ 7: Итог → Вывод с вероятностью и главными аргументами
Исследование и вывод — в одном запросе. Структура заменяет дефолтный режим LLM («собери инфо → ответь») на режим стратегического аналитика.
Пример применения
Задача: Алексей — основатель HR-tech стартапа. Главный вопрос: «Выйдет ли Яндекс с конкурирующим ATS-продуктом (система найма) в следующие 12 месяцев, и стоит ли мне откладывать раунд?»
Промпт:
Проанализируй следующий вопрос как стратегический аналитик, используя
структуру CHAMPS KNOW. Пройди каждое измерение последовательно:
**Вопрос:** Выйдет ли Яндекс с конкурирующим ATS-продуктом (система
автоматизации найма) в ближайшие 12 месяцев?
**Контекст:** Яндекс уже имеет Яндекс Работу, HR-tech рынок РФ растёт,
конкуренты — HH.ru, Поток, Skillaz. Я — стартап с 200 клиентами,
рассматриваю раунд инвестиций.
---
Пройди каждый блок:
**N — Нормы и прецеденты:**
Как Яндекс обычно заходит в смежные ниши? Что типично для их
продуктовой экспансии — строят, покупают, партнёрятся?
**K — Ключевые игроки и их стимулы:**
Кто внутри Яндекса принимает такое решение? Какой у них стимул
запустить именно ATS, именно сейчас? Что меняется в их приоритетах
в 2025?
**C — Сравнимые классы:**
На какие предыдущие экспансии Яндекса это похоже? Чем отличается
данная ситуация от этих прецедентов?
**P — Pre-mortem анализ (ОБЯЗАТЕЛЬНО):**
Предположи, что через 12 месяцев Яндекс выпустил конкурирующий ATS.
Почему мой анализ мог это недооценить? Какие сигналы я, вероятно,
игнорирую прямо сейчас?
Теперь предположи обратное: через 12 месяцев Яндекс так и не вышел
в ATS. Почему? Что удержало?
**O — Альтернативные перспективы:**
Какие точки зрения на ситуацию я не рассматривал? Как видит это
крупный инвестор? Как видит менеджер Яндекса, которому предложили
строить ATS?
**W — Wildcards:**
Какое неожиданное событие может резко изменить ситуацию в ту или
иную сторону? Например: регуляторное изменение, сделка M&A,
изменение стратегии?
---
**Итоговый вывод:**
На основе анализа выше — оцени вероятность выхода Яндекса в ATS
в ближайшие 12 месяцев. Укажи: главный аргумент за, главный аргумент
против, и что изменило бы твою оценку.
Результат: Модель последовательно пройдёт все блоки. В блоке K появится рассуждение не просто «Яндекс большой», а «каков конкретный стимул продуктовой команды именно сейчас». В блоке P модель сама себя оспорит — и, возможно, изменит оценку. В W появятся сценарии вроде «если Mail.ru Group купит Skillaz — Яндекс ускорится». Итог будет не «вероятно да/нет», а структурированный вывод с конкретными триггерами для пересмотра.
Почему это работает
Дефолтный режим LLM — линейный. Модель собирает информацию, формирует позицию и защищает её. Если в тексте написано «мы сделаем это» — она воспринимает это как сигнал, не задавая вопрос «а зачем им это говорить?». Это не ошибка конкретной модели — это паттерн. Исследование показало: даже лучший frontier агент (Opus 4.6) провёл pre-mortem только в 1 из 10 случаев сам по себе.
LLM хорошо умеет принимать роль. Когда вы явно задаёте структуру рассуждения — модель её выполняет. Она не «думает» по-другому, она генерирует текст по другому паттерну. Блок «P — pre-mortem» буквально меняет следующий генерируемый текст: модель вынуждена искать контраргументы к своей только что сформированной позиции.
Три рычага управления промптом: - Добавить «ОБЯЗАТЕЛЬНО» к блоку P → модель не пропустит его как формальность - Убрать блоки M и S → если вопрос не требует математики или уточнения формулировок — промпт становится короче - Заменить общий контекст на конкретные данные → блок K становится острее, если дать реальные факты о компании или человеке
Шаблон промпта
Проанализируй следующий вопрос как стратегический аналитик.
Пройди каждый блок последовательно:
**Вопрос:** {вопрос для анализа}
**Контекст:** {известные факты, данные, ситуация}
---
**N — Нормы и прецеденты:**
Какие типичные паттерны поведения характерны для данной ситуации?
Что обычно происходит в похожих случаях?
**K — Ключевые игроки и стимулы:**
Кто принимает решения? Какие у них реальные стимулы именно сейчас?
Почему они могут сделать это (или не сделать) в данный момент?
**C — Сравнимые ситуации:**
На что это похоже из прошлого? Чем данный случай отличается?
**P — Pre-mortem анализ (ОБЯЗАТЕЛЬНО):**
Предположи, что мой прогноз окажется неверным. Почему это произойдёт?
Какие факторы я сейчас, вероятно, недооцениваю?
Теперь предположи противоположный исход. Что его вызвало?
**O — Альтернативные перспективы:**
Кто мог бы со мной не согласиться и почему? Какие точки зрения
я не рассматривал?
**W — Wildcards:**
Какое маловероятное, но реальное событие может изменить всё?
Один-два сценария.
---
**Итоговый вывод:**
На основе анализа выше: {вопрос для анализа} — что наиболее вероятно,
главные аргументы за и против, и что изменило бы твою оценку?
Плейсхолдеры:
- {вопрос для анализа} — конкретный вопрос: «выйдет ли X на рынок Y», «стоит ли мне делать Z», «как отреагирует конкурент»
- {известные факты} — что уже знаешь: новости, данные, слухи, история
🚀 Быстрый старт — вставь в чат:
Вот шаблон для структурированного стратегического анализа (CHAMPS KNOW).
Адаптируй под мою задачу: [твоя задача или вопрос].
Задай уточняющие вопросы, чтобы заполнить контекст.
[вставить шаблон выше]
LLM спросит какой вопрос анализируем и какой контекст есть — потому что блок K (стимулы) требует конкретных данных об актёрах, иначе анализ будет общим.
Ограничения
⚠️ Вопросы без чёткой аналитической структуры: Pre-mortem и wildcards хорошо работают для стратегических вопросов с конкретными игроками и стимулами. На творческих или субъективных задачах («напиши текст о природе») структура не добавляет ценности.
⚠️ Качество зависит от контекста в промпте: Блок K («стимулы ключевых игроков») будет поверхностным, если не дать модели реальные данные о человеке/компании. Без контекста она генерирует общие паттерны, не конкретный анализ.
⚠️ Не заменяет экспертизу домена: Исследование показало — даже с правильной структурой рассуждения LLM иногда не имеет нужного контекста (например, о специфике нигерийских профсоюзных переговоров). Структура улучшает рассуждение, но не восполняет пробел знаний.
⚠️ Ensemble лучше одного запроса: Лучшие результаты в исследовании получались при усреднении нескольких независимых прогонов. В чате это означает: запусти промпт дважды в разных сессиях и сравни выводы.
Как исследовали
Команда FutureSearch построила BTF-2 — набор из 1417 прогностических вопросов за период октябрь–декабрь 2025 года. Фишка: вопросы сопровождались замороженным корпусом из 15 миллионов документов, снятых на момент постановки вопросов. Это позволяло запускать агентов снова и снова на одних и тех же данных — без того, чтобы они «подглядывали» в будущее через интернет.
Четыре лучших frontier-агента (Opus 4.6, Gemini 3.1 Pro, GPT-5.4, Grok 4.20) исследовали вопросы самостоятельно, делали прогнозы и оставляли полные трейсы — все поисковые запросы, прочитанные страницы, промежуточные мысли. Затем исследователи построили SOTA-прогнозист из ансамбля агентов с дополнительными техниками, который оказался точнее любого одиночного агента.
Самое интересное: они взяли фреймворк Тетлока CHAMPS KNOW (10 измерений хорошего прогнозирования, доказавших эффективность в рандомизированных исследованиях с людьми) и попросили Gemini оценить каждый финальный ответ по этим измерениям. Выяснилось, что SOTA-прогнозист опирался на pre-mortem (P) в 4 раза чаще, чем лучший одиночный агент, и на wildcards (W) — почти в 10 раз чаще. Параллельно эксперты-люди вручную разобрали 130 худших прогнозов Opus 4.6 — и нашли одну закономерность: агент принимал риторику лидеров за обязательство и не задавал вопрос «а зачем им это именно сейчас?»
Адаптации и экстраполяции
🔧 Адаптация: Быстрый pre-mortem без полной структуры
Если не нужен полный CHAMPS KNOW — добавь только P и O к любому запросу:
[Твой обычный вопрос к LLM]
После ответа обязательно добавь два блока:
**Если я неправ — почему?**
Предположи, что твой вывод окажется ошибочным.
Какие факторы ты, вероятно, недооцениваешь?
**Что я упускаю?**
Какие перспективы или данные ты не рассмотрел в основном ответе?
Это минимальный рабочий вариант: два дополнительных абзаца меняют качество анализа без переработки всего промпта.
🔧 Адаптация: Моделирование стимулов для переговоров
На основе находки «LLM путает риторику с намерением». Применимо перед переговорами, питчем, или разговором с партнёром/инвестором:
Я готовлюсь к переговорам с {имя/роль}.
Их публичная позиция: {что они говорят}
Ответь на три вопроса:
1. Какие РЕАЛЬНЫЕ стимулы стоят за этой позицией?
Что им нужно на самом деле?
2. Что было бы для них «лицо-сохраняющим» выходом из текущей позиции?
3. При каких условиях они отступят от заявленного —
и как это будет выглядеть внешне?
Ресурсы
Evaluating Strategic Reasoning in Forecasting Agents — Tom Liptay, Dan Schwarz, Rafael Poyiadzi, Jack Wildman, Nikos I. Bosse. FutureSearch (2026). Контакт: tom@futuresearch.ai
CHAMPS KNOW Framework — Tetlock & Gardner, «Superforecasting» (2015); Chang et al. (2016) — рандомизированное исследование влияния CHAMPS KNOW на точность человеческих прогнозов (+6–12%).
Смежные работы: ForecastBench (Karger et al., 2025); Bench to the Future v1 (Wildman et al., 2025); Autocast (Zou et al., 2022).