TL;DR
Когда вы просите AI выбрать ресторан, фильм или маршрут сразу для двух человек с разными вкусами, модель тихо принимает ещё одно решение, о котором вы не просили: каким способом сводить чужие желания в один ответ. Один способ — максимизировать общую радость (даже если один человек будет почти недоволен). Другой — не допустить, чтобы кто-то остался сильно расстроен, даже если общий счёт от этого меньше. Модель выбирает подход сама и молча, не сообщая, что выбор вообще был.
Главная находка: если не сказать явно, кто отвечает за этот выбор, модель почти всегда (93–98% случаев) сразу выдаёт готовый ответ, не спрашивая, какой принцип справедливости вы хотите. Хуже того — какой именно принцип она выберет, непредсказуемо: разные модели (и даже одна модель при повторном одинаковом запросе) то жертвуют интересами одного участника ради общей суммы, то наоборот — защищают самого недовольного. Это как если бы вы просили друга помирить двух спорщиков, а он каждый раз тайно решал по-своему, чья позиция важнее.
Решение простое: явно назначить, кто владеет этим выбором. Если сказать модели «не решай сам, спроси меня» — она почти никогда не выдаёт готовый ответ, а уточняет. Если сказать «решай сам и объясни подход» — она всегда выдаёт результат. Но если вам важен конкретный итог, а не просто факт решения — нужно назвать сам принцип («максимизируй общую удовлетворённость» или «не допусти, чтобы кто-то остался сильно недоволен»), иначе результат зависит от случая.
Схема метода (три режима поведения)
РЕЖИМ 1 (не указано) → Модель сама выбирает принцип балансировки → сразу даёт готовый ответ (без предупреждения о выборе)
РЕЖИМ 2 (пользователь оставляет право за собой) → Модель почти всегда останавливается → уточняет у пользователя, как балансировать интересы
РЕЖИМ 3 (пользователь делегирует) → Модель всегда выдаёт готовый ответ → но какой конкретно принцип она применит — непредсказуемо между моделями и даже между повторами
Все три режима проверялись в одном промпте — просто разной формулировкой того, кто принимает решение о способе балансировки.
Пример применения
Задача: Вы с партнёром планируете свидание в Москве. У вас разные вкусы: вы любите острую азиатскую еду, партнёр — избегает специй и предпочитает что-то спокойное. Просите ChatGPT посоветовать ресторан на двоих.
Промпт (вариант, где вы оставляете решение за собой):
Нас двое, и мы выбираем ресторан на вечер. Вот наши предпочтения по 5 вариантам (оценка от 0 до 10):
Я: Тайский бар — 9, Итальянская трattoria — 6, Грузинская — 4, Суши-бар — 8, Стейк-хаус — 3
Партнёр: Тайский бар — 2, Итальянская trattoria — 8, Грузинская — 9, Суши-бар — 5, Стейк-хаус — 7
Не решай сам, как балансировать наши интересы — если разные разумные способы взвешивания приводят к разным вариантам, спроси меня, прежде чем дать финальную рекомендацию.
Результат: Модель не выдаст сразу один вариант. Она заметит, что «максимизировать общую сумму» и «не оставить никого сильно недовольным» указывают на разные рестораны, и явно спросит вас, какой принцип важнее — общее удовольствие или отсутствие сильного разочарования у кого-то одного.
Если вместо этого написать: «Выбери разумный способ сбалансировать наши интересы, дай рекомендацию и коротко объясни принцип» — модель выдаст готовый ответ с объяснением подхода. Но какой именно подход она выберет — зависит от модели, и при повторном запросе с тем же текстом ответ может измениться.
Почему это работает
Слабость LLM здесь не в том, что модель не умеет считать баланс интересов — исследование показало, что все три модели безошибочно применяют любой конкретно названный принцип балансировки, если им прямо сказать, какой использовать. Проблема в другом: когда никто явно не назначил, кто отвечает за выбор принципа, модель не признаёт сам факт, что выбор был сделан — она ведёт себя так, будто ответ единственно верный.
Сильная сторона модели — она чётко реагирует на явные инструкции об авторитете. Стоит один раз произнести «не решай за меня» или «решай сам» — поведение переключается почти на 100% в нужную сторону, как выключатель.
Метод (точнее, находка) использует эту чувствительность: явное указание, кто хозяин выбора, заставляет модель либо остановиться и спросить, либо взять на себя ответственность и объяснить логику. Но это не решает вторую проблему — какой именно принцип будет выбран при делегировании остаётся непредсказуемым, если вы не назвали его сами.
Рычаги управления: - Фраза «не решай за меня / спроси меня» → модель останавливается и уточняет, вместо того чтобы выдать готовый ответ. - Фраза «решай сам и объясни подход» → модель гарантированно даёт ответ, но не гарантирует, какой принцип использует. - Явное название принципа («максимизируй сумму» vs «защити самого недовольного») → убирает случайность, вы получаете предсказуемый результат вместо лотереи. - Просьба «объясни, какой подход ты использовал» → делает скрытый выбор видимым, вы можете с ним не согласиться и попросить пересчитать по-другому.
Шаблон промпта
Нас {количество_человек}: {имена_или_роли}.
Вот наши предпочтения по вариантам {список_вариантов} (оценка по шкале {шкала}):
{участник_1}: {оценки_1}
{участник_2}: {оценки_2}
Выбери один из вариантов авторитета:
А) Оставляю выбор за собой — не решай сам, как балансировать наши интересы. Если разные разумные способы взвешивания приводят к разным вариантам, сначала спроси меня.
Б) Делегирую тебе — выбери разумный способ сбалансировать наши интересы, дай рекомендацию и коротко объясни принцип, который ты использовал (например: максимизировать общую удовлетворённость ИЛИ не допустить, чтобы кто-то остался сильно недоволен).
Подставьте свою ситуацию (двое коллег выбирают формат встречи, семья выбирает маршрут отпуска, партнёры по бизнесу распределяют задачи) и оценки предпочтений по каждому варианту.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для запроса совместной рекомендации с явным указанием, кто принимает решение о балансе интересов. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, сколько участников, какие у них варианты и оценки, и какой вариант авторитета вам нужен — потому что без этого нельзя заполнить шаблон осмысленно. Она возьмёт паттерн из шаблона и адаптирует под вашу ситуацию.
Ограничения
⚠️ Непредсказуемость даже при делегировании: если вы просто сказали «решай сам», не называя принцип — результат зависит от модели и может измениться при повторном одинаковом запросе. Для важных решений (деньги, ресурсы) называйте принцип явно.
⚠️ Проверено на чистых числовых профилях: в исследовании оценки были аккуратными числами от 0 до 10 или реальными оценками фильмов. В жизни предпочтения выражены расплывчато в тексте — как модель поведёт себя с такими данными, не проверялось.
⚠️ Находка не про качество решения: исследование не говорит, какой из принципов балансировки «правильный» — только то, что молчаливый выбор модели непредсказуем. Вам всё равно нужно самим решить, что справедливо в вашей ситуации.
Ресурсы
Who Chooses How Preferences Are Aggregated? Auditing Aggregation-Rule Authority in LLM-Based Group Recommendation — Yuxuan Du, независимый исследователь. Проверено на GPT-5.6 Sol, Claude Sonnet 5, Qwen 3.6 Plus, с использованием синтетических профилей и данных MovieLens 32M.