TL;DR
Когда пользователь видит какими ценностями руководствуется модель при генерации текста — ещё до начала работы — он принимает её предложения реже и пишет более уникально. Не нужно менять промпты или модель. Достаточно активировать осознанность перед задачей.
LLM обучена преимущественно на западных данных — и её автодополнения тихо «подтягивают» ваш текст к западным нормам. Проблема не в том, что предложения плохие. Как раз наоборот: они хорошие — достаточно хорошие. Поэтому их и принимают быстро, не думая. Исследователи называют это satisficing: мозг берёт первый достаточно подходящий вариант, потому что проверять дальше дорого энергетически. Итог — текст становится безликим и «западным» быстрее, чем вы успеваете это заметить.
Решение простое: показать пользователю ценности AI до начала работы. Не сравнивать с его собственными взглядами, а просто обозначить. Одного такого напоминания хватило, чтобы снизить долю AI-текста в итоговых работах на ~35%. Люди начали больше писать своими словами.
Схема метода
Два шага, два отдельных сообщения:
ШАГ 1: Запроси декларацию уклонов
→ Попроси AI перечислить её вероятные культурные/ценностные уклоны
для КОНКРЕТНОЙ задачи (питч, личный текст, история, совет)
ШАГ 2: Пиши с активной критической позицией
→ Используй AI как черновик — но каждое предложение проверяй:
"это моё" или "это типичный AI-ответ"?
Шаги выполняются в двух отдельных сообщениях. Пауза между ними — намеренная. Она и создаёт нужный эффект.
Пример применения
Задача: Предприниматель из Екатеринбурга пишет питч-письмо для российских бизнес-ангелов. Каждый раз ChatGPT выдаёт текст в стиле американского стартапа: цифры впереди, эмоции убраны, обращение нейтральное. Инвесторы читают и говорят «как-то не наше».
Промпт (Шаг 1 — Декларация уклонов):
Перед тем как мы начнём, скажи честно: какие культурные и ценностные уклоны
ты, скорее всего, внесёшь в питч-письмо для инвестора?
Учти, что текст для российской аудитории. Конкретно:
— Что ты будешь делать «по умолчанию», исходя из своих обучающих данных?
— Что в российском деловом общении ты можешь недооценить или исказить?
— Где твои предложения будут «западными» там, где нужно «своё»?
Без самокритики ради самокритики — только честный список уклонов.
Промпт (Шаг 2 — Написание):
Теперь помоги написать питч-письмо бизнес-ангелу.
Задача: привлечь 3 млн рублей инвестиций в [твой проект].
Аудитория: российский частный инвестор, 45+, ценит личные отношения и репутацию.
Тон: прямой, но тёплый. Не стартап-брошюра.
Пиши черновик — я буду редактировать под свой голос.
Результат: Модель в Шаге 1 нарисует честную картину: «Я склонна начинать с unit-экономики, использовать безличные обращения, избегать эмоциональных аргументов». После этого вы не примете её черновик автоматически — вы будете его читать критически. В итоге текст Шага 2 станет стартовой точкой, а не готовым ответом.
Почему это работает
Слабость LLM как инструмента: Модель генерирует «статистически нормальный» текст — усреднённый по всем данным, на которых обучалась. Для западноцентричных датасетов это значит: западный тон, западная структура аргументов, западные ценности по умолчанию.
Слабость пользователя: Мозг не хочет тратить силы на проверку «достаточно хорошего». Вы видите хорошее предложение — нажимаете Tab. Потом ещё раз. Через 10 нажатий текст уже не ваш — он AI-образный.
Как декларация ломает цикл: Когда вы явно осознаёте уклоны модели — режим меняется. Вы переходите из пассивного принятия в активное редактирование. Каждое предложение AI перестаёт быть «готовым ответом» и становится черновиком на проверку. Это и есть механика эффекта.
Рычаги управления: - Уровень конкретности декларации — чем точнее вы спрашиваете об уклонах (не «какие у тебя ценности», а «что ты сделаешь не так для этой аудитории») → тем острее осознанность - Момент декларации — до задачи работает лучше, чем параллельно или после - Без сравнения с собой — неожиданно, но показывать «вот AI, а вот ты — сравни» работает хуже, чем просто «вот уклоны AI». Сравнение перегружает — теряется фокус
Шаблон промпта
Шаг 1 — Декларация:
Перед тем как помочь с {задача}, честно перечисли:
— Какие культурные или ценностные уклоны ты, вероятно, внесёшь в текст?
— Что ты будешь делать «по умолчанию», что может не подойти для {аудитория / контекст}?
— Где твои предложения окажутся слишком «усреднёнными» или «западными»?
Только конкретный список, без лирики.
Шаг 2 — Работа:
Теперь помоги с {задача}.
{детали задачи}
Пиши черновик — я отредактирую под свой голос с учётом твоих уклонов.
Плейсхолдеры:
- {задача} — письмо, пост, история, совет, резюме, сценарий
- {аудитория / контекст} — российский клиент, старшее поколение, региональная аудитория, B2B в СНГ
🚀 Быстрый старт — вставь в чат:
Вот шаблон двухшагового метода AI Values Declaration.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про аудиторию и контекст — потому что именно от них зависит, какие уклоны объявлять релевантными. Она возьмёт структуру «декларация → задача» и подгонит под твой случай.
Ограничения
⚠️ Работает лучше для личных и культурно-нагружённых текстов: Личные истории, письма, тексты с голосом автора, культурно специфичный контент. Для нейтральных задач (инструкция, технический текст) эффект слабее — там авторский голос и ценности менее важны.
⚠️ Декларация не меняет AI, только меняет вас: Модель не начинает писать «по-другому». Меняется то, как вы читаете её ответы. Если игнорировать Шаг 1 и сразу переходить к работе — эффект пропадает.
⚠️ Сравнение «AI vs я» — скорее вредит: Интуитивно кажется, что явное сравнение ваших ценностей с AI-ценностями должно усилить эффект. Исследование показало обратное — люди в comparative-условии не показали значимого снижения зависимости. Перегрузка информацией гасит осознанность.
⚠️ Работает на уровне привычки, не разового использования: Разовая декларация помогает. Но эффект усиливается, если делать это регулярно — как ритуал перед любым личным текстом с AI.
Как исследовали
Команда из Washington и Carnegie Mellon взяла за основу уже известный феномен: индийские пользователи принимают AI-предложения значительно чаще американских. Они построили кастомный редактор с автодополнением от GPT-4o — пользователь пишет, модель подсказывает серым текстом, Tab принимает. Потом разделили 149 участников на 4 группы: без вмешательства, с показом ценностей AI, с показом ценностей AI после опроса о своих ценностях, и с прямым сравнением «твои ценности vs ценности AI».
Интересный дизайнерский ход: «ценности AI» получили реально — опросили GPT-4o по 15 вопросам из World Values Survey (социальные нормы, доверие, религия, безопасность), усреднили ответы и нарисовали из этого столбчатую диаграмму. Участники видели именно её — без абстракций, конкретный «характер» модели.
Неожиданный результат: сравнительная группа (та, которая видела свои ценности рядом с AI-ценностями) не показала ожидаемого усиления эффекта. Авторы думали — чем нагляднее разрыв, тем меньше доверие AI. Оказалось, что просто знать об уклонах AI эффективнее, чем сравнивать их со своими. Вероятно, сравнение добавляет когнитивную нагрузку и рассеивает фокус.
Адаптации и экстраполяции
💡 Адаптация для ревью AI-текста: Та же логика работает когда нужно критически разобрать чужой или AI-написанный текст. Сначала попроси AI объяснить свои типичные уклоны для этого жанра, потом анализируй текст.
Текст написан AI-инструментом для [жанр/задача]. Сначала: какие типичные уклоны AI вносит в тексты этого типа? Потом: найди в тексте ниже конкретные следы этих уклонов. Текст: {текст}
🔧 Техника: персонализированная декларация → острее критика
Стандартный вопрос «какие у тебя уклоны» даёт общий ответ. Если добавить контекст своей аудитории и культуры — декларация становится конкретнее, и пауза осознанности глубже.
Вместо: «Какие у тебя культурные уклоны?»
Лучше: «Что ты сделаешь не так для текста, адресованного [региональной B2B-аудитории / старшему поколению / чиновникам / родителям из регионов]?»
Ресурсы
Статья: Framing an AI with Values Reduces AI Reliance in AI-supported Writing Tasks Конференция: FAccT '26, June 25–28, 2026, Montreal, QC, Canada DOI: https://doi.org/10.1145/3805689.3812369
Авторы: Alice Gao, Andrew N. Meltzoff, Maarten Sap, Katharina Reinecke Организации: University of Washington; Carnegie Mellon University
Опирается на: Agarwal et al. [1] — исходное исследование о гомогенизации текста в AI-supported writing; World Values Survey (WVS)