TL;DR
Модели ChatGPT и Claude изначально настроены на скорость и простоту — и именно это вызывает большинство проблем в реальной работе. Исследователи проанализировали 1 524 инцидента с рабочим AI и обнаружили, что у каждой рабочей задачи есть нужный стиль выполнения — набор «черт». Разрыв между желаемым стилем и тем, что выдаёт модель, и есть корень большинства разочарований.
В 83% случаев проблема не в том, что AI сделал что-то не то — а в том, что сделал это не так. Пользователи хотят точный, глубокий, персонализированный ответ. AI выдаёт базовый, поверхностный и обобщённый. Это происходит потому что разработчики оптимизируют системы под скорость и эффективность, не под задачи конкретного пользователя.
Выход прямой: описывать не только задачу, но и желаемые черты ответа. Для каждой задачи есть набор из 12 пар противоположных характеристик — «точный vs. базовый», «глубокий vs. поверхностный», «объясняй vs. просто дай результат». Указав нужную сторону в промпте, вы сдвигаете модель в нужную сторону без магии и сложных техник.
Схема метода
ШАГ 1: Сформулируй задачу → обычное описание
ШАГ 2: Выбери нужные черты из 12 пар → 3-5 наиболее важных
ШАГ 3: Добавь черты в промпт явно → "Будь точным, а не базовым; объясняй ход, а не просто давай ответ"
(Всё — в одном промпте, один запрос)
12 пар черт (выбирай нужные для своей задачи):
| Если нужно → | Не хочу → |
|---|---|
| Точный (precise) | Базовый (basic) |
| Глубокий (insightful) | Поверхностный (simple) |
| Персонализированный | Общий (general) |
| Объясняй ход (explainable) | Просто быстрый ответ (fast) |
| Творческий/нестандартный (imaginative) | Шаблонный (practical) |
| Гибкий (flexible) | Жёсткий (structured) |
| Тёплый, заботливый (warm) | Формальный (cold) |
| Прямой (straightforward) | Вежливый, обтекаемый (polite) |
| Толерантный к неопределённости | Строгий (strict) |
| Открытый к возражениям | Настаивает на своём |
| Прозрачный в суждениях | Скрывает логику |
| Признаёт неопределённость | Уверенно говорит то, что не знает |
Пример применения
Задача: Антон ведёт переговоры с инвестором. Просит Claude оценить условия term sheet (документ об условиях инвестиции). По умолчанию Claude даст обзор в духе «стандартные условия, вот плюсы и минусы» — быстро и поверхностно. Но Антону нужен юридически точный, глубокий разбор с объяснением рисков.
Промпт:
Оцени условия этого term sheet с позиции основателя стартапа.
Будь точным, а не общим — разбирай конкретные формулировки, не пиши
«стандартно для рынка» без объяснений. Будь глубоким, а не поверхностным —
объясняй, что каждое условие означает для меня на практике через 3-5 лет.
Объясняй свою логику, не просто формулируй выводы. Укажи, где неопределённость
высокая и я не должен соглашаться не проконсультировавшись с юристом.
Вот term sheet:
[текст документа]
Результат: Модель уйдёт от общих фраз и начнёт разбирать конкретные пункты с объяснением механики. Укажет, что означает та или иная формулировка в реальной ситуации dilution или exit. Явно обозначит «здесь я не уверен, нужен юрист» вместо уверенного но пустого вывода.
Почему это работает
По умолчанию модель оптимизирует не под вашу задачу, а под ожидания среднего пользователя. Среднему пользователю нужен быстрый ответ — значит, ответ будет кратким и обобщённым. Если задача сложная — модель всё равно даёт «среднюю» версию ответа, потому что никто не сказал иначе.
У LLM нет встроенного понимания, какой стиль нужен для вашей задачи. Черновик юридического документа требует точности, брейншторм — творчества, анализ данных — объяснений. Без явных инструкций модель не знает, что сейчас важнее. Она угадывает — и угадывает «базово».
Когда вы называете нужные черты явно, вы убираете двусмысленность. Модель читает «будь точным, не базовым» и получает конкретную инструкцию — какой паттерн ответа генерировать. Это как сказать редактору «мне нужен академический стиль, не популярный» — очевидно, но без этого он напишет для среднего читателя.
Рычаги управления: - Количество пар черт → 2-3 для простых задач, 5-6 для сложных - Конкретность инструкции → "объясняй каждый вывод" точнее чем "будь глубоким" - Добавь «чего не хочу» → "не давай общих фраз вроде X" работает сильнее чем только "будь точным" - Укажи черту и контекст → "будь творческим применительно к名称 русского рынка, не западных примеров"
Шаблон промпта
{Описание задачи}
При выполнении придерживайся этих черт:
— Будь {нужная черта 1}, а не {противоположная черта 1}
— Будь {нужная черта 2}, а не {противоположная черта 2}
— {нужная черта 3}: {короткое пояснение что это значит для твоей задачи}
{Дополнительный контекст или материал}
Что подставлять:
- {нужная черта} — выбери из таблицы 12 пар выше, то что важно для твоей задачи
- {противоположная черта} — прямо называй что не хочешь, это усиливает инструкцию
- {пояснение} — не обязательно, но помогает для неочевидных черт: "глубокий — значит объясняй механику, не только итог"
🚀 Быстрый старт — вставь в чат:
Вот шаблон для задания стиля ответа через черты AI.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы понять какие черты важны.
[вставить шаблон выше]
LLM спросит какой результат ты ожидаешь и что тебя не устраивало раньше — потому что без этого она не поймёт, какие из 12 пар черт актуальны для твоей конкретной задачи.
Ограничения
⚠️ Черты конфликтуют: «Точный» и «Творческий» — противоположности. Не запрашивай несовместимые черты одновременно. Для каждой задачи выбирай 3-5 ключевых, а не всё сразу.
⚠️ Работает лучше для рабочих задач: Метод разработан для профессиональных задач с чётким контекстом — документы, анализ, коммуникации. Для лёгкого разговора или творческих экспериментов — избыточен.
⚠️ Черты из западного контекста: Фреймворк разрабатывался с американскими участниками. Некоторые черты (например, "тёплый" vs "формальный") могут восприниматься иначе в российском профессиональном контексте.
⚠️ Это не гарантия, а сдвиг распределения: Явно указанные черты не переключают модель как тумблер. Они сдвигают вероятность нужного стиля ответа. Для сложных задач может потребоваться итерация.
Ресурсы
Статья: "The Quiet Path from Seemingly Minor Design Errors to Workplace AI Incidents" Авторы: Julia De Miguel Velázquez, Sanja Šćepanović, Andrés Gvirtz, Daniele Quercia Институции: King's College London, Nokia Bell Labs, University of Oxford, Politecnico di Torino Конференция: FAccT '26 (ACM Conference on Fairness, Accountability, and Transparency) Сайт с данными и методологией: https://social-dynamics.net/ai-impact/incidents/ DOI: https://doi.org/10.1145/3805689.3812396 База инцидентов: AI Incident Database (AIID) — https://incidentdatabase.ai Фреймворк черт: Ranjit et al. (2024) — 12 пар черт для оценки рабочих AI-систем