TL;DR
Dilemma Training — способ "натренировать" AI-агента предсказывать решения человека через набор конкретных ситуаций с объяснениями, а не через анкету с рейтингами по шкале. Человек проходит через 5 сценариев, каждый раз выбирает вариант и объясняет письменно почему, а AI строит модель его решений на основе этих кейсов.
Обычно, чтобы AI понял твои предпочтения, ты заполняешь анкету: "оцени важность Х от 1 до 10". Проблема — такие рейтинги статичны и абстрактны, они не отражают, как ты реально думаешь в конкретной ситуации. Когда людей просили оценить готовность на медицинское лечение только по шкале ценностей, AI предсказывал их решения с точностью 66.7%. Но стоило заменить абстрактные рейтинги на конкретные жизненные сценарии с текстовым объяснением решения — точность выросла до 81.7%.
Метод работает так: человек проходит короткий survey ценностей, потом решает 5 тренировочных "дилемм" (конкретные ситуации), каждый раз объясняя свой выбор своими словами. AI видит эти кейсы + объяснения и строит из них модель твоего мышления — а не просто складывает цифры рейтингов.
Схема метода
ШАГ 1: Заполнение values-анкеты (рейтинги + открытый текст "что для меня важно") → отдельный чат/форма
ШАГ 2: 5 тренировочных сценариев — каждый: ситуация → твоё решение → confidence rating → письменное объяснение "почему" → диалог с AI
ШАГ 3: AI показывает свой прогноз по сценарию, ты даёшь фидбэк (согласен/не согласен + почему) → диалог с AI
ШАГ 4: Тестирование — AI предсказывает решение по новым, невиданным сценариям на основе накопленных кейсов → отдельный запрос
Шаги 1-3 можно выполнить в одном длинном диалоге. Шаг 4 — отдельный запрос, где AI суммирует всё и делает прогноз.
Пример применения
Задача: Ты — предприниматель, у тебя интернет-магазин, и ты постоянно отвлекаешься на однотипные вопросы от менеджера: "клиент просит скидку 15%, дать?", "покупатель хочет вернуть товар без упаковки — принимать?". Ты хочешь, чтобы AI отвечал на такие вопросы как отвечал бы ты сам, а не заполнять для него скучный чек-лист правил.
Промпт:
Я хочу, чтобы ты научился предсказывать мои бизнес-решения.
Для этого я разберу с тобой 5 конкретных ситуаций из практики.
По каждой ситуации:
1. Я опишу кейс
2. Приму решение
3. Объясню почему именно так, а не иначе
Вот первая ситуация: постоянный клиент (3 года покупок, средний чек 8000₽)
просит скидку 20% на заказ 15000₽, аргументируя тем, что нашёл дешевле у конкурента.
Моё решение: [дам 10% скидку и бонус в виде бесплатной доставки]
Почему: [конкурент скорее всего продаёт без гарантии, для меня важнее удержать
лояльного клиента, чем упереться в цену. Но полную скидку не даю — это создаёт
прецедент]
[повторить для 4 других кейсов: возврат без упаковки, задержка поставки,
жалоба в соцсетях, опт vs розница]
После этого я дам тебе НОВУЮ ситуацию, а ты предскажешь моё решение и объяснишь
логику, основываясь на паттернах из предыдущих 5 кейсов.
Результат: После разбора 5 кейсов AI покажет выявленные закономерности твоего мышления (например: "вы цените долгосрочные отношения выше разовой прибыли, но не идёте на уступки, которые создают прецедент"). На новом кейсе AI выдаст прогноз решения + объяснение, опираясь на эту логику, а не на общие правила клиентского сервиса.
Почему это работает
Рейтинговые шкалы — это удобный, но обманчивый способ узнать предпочтения человека. Проблема в том, что реальные решения люди принимают не через сверку с внутренним "счётчиком приоритетов", а через живую оценку конкретной ситуации — с её деталями, ограничениями, контекстом. Абстрактная цифра "боль важна мне на 7 из 10" ничего не говорит о том, что ты сделаешь, когда речь о конкретном человеке с конкретным диагнозом.
LLM хорошо умеет находить закономерности в наборе примеров с объяснениями — это её сильная сторона: она видит не только что ты выбрал, но и как ты рассуждал, какие слова и аргументы использовал. Из пяти конкретных кейсов с объяснениями модель извлекает больше сигнала о твоей логике принятия решений, чем из десяти цифр на шкале.
Рычаги управления: - Число тренировочных кейсов → больше кейсов = точнее модель, но дольше диалог. 3-5 обычно достаточно для нишевой задачи - Обязательное текстовое объяснение решения (не просто "да/нет") → без него модель теряет причинно-следственную логику и работает хуже - Фидбэк на промежуточные прогнозы AI → корректирует модель в реальном времени, как в тренировке - Разнообразие кейсов (разные аспекты ситуации) → чем шире охват, тем лучше AI обобщает на новые случаи
Шаблон промпта
Помоги мне создать модель моих решений для {тип задачи/сферы}.
Я разберу с тобой {число} конкретных ситуаций. По каждой:
1. Опишу ситуацию
2. Приму решение
3. Объясню логику решения
Ситуация 1: {описание конкретного кейса}
Моё решение: {что я выбрал}
Почему: {объяснение своими словами, что для меня важно в этой ситуации}
[повторить для остальных кейсов]
После разбора всех кейсов:
— Выдели закономерности в моей логике принятия решений
— Дай новую ситуацию из той же сферы и предскажи, как я поступлю
— Объясни свой прогноз, опираясь на выявленные паттерны
Подставь: {тип задачи/сферы} — область, где нужна персонализация (клиентский сервис, наём людей, редактура текстов). {число} — 3-5 кейсов достаточно для старта. {описание конкретного кейса} — реальная ситуация из твоей практики, максимально конкретная, с деталями.
🚀 Быстрый старт — вставь в чат:
Вот шаблон Dilemma Training. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какие именно ситуации из твоей практики стоит разобрать первыми и сколько кейсов взять — потому что от разнообразия и количества кейсов зависит точность будущих прогнозов.
Ограничения
⚠️ Маленькая выборка: Метод проверен на 12 парах "пациент-опекун" — это proof-of-concept, не крупномасштабное исследование. Для бытовых задач (бизнес, личные решения) эффект может отличаться.
⚠️ Чувствительность к формулировке кейсов: Точность предсказаний сильно зависит от того, как построен промпт и сколько деталей дано в сценарии. Слишком общий кейс — слабый сигнал для модели.
⚠️ Не заменяет человека, а помогает ему: В исследовании люди, которым дали доступ к прогнозам AI, работали хуже, чем сам AI (61.7% против 81.7%) — они склонны игнорировать прогнозы, если те не совпадают с их интуицией. Если хочешь использовать AI-прогноз для убеждения кого-то — учти, что готовый вывод без "живой" аргументации может не убедить.
Как исследовали
Исследователи собрали 12 пар "пациент — доверенное лицо" (в основном супруги), где пациент недавно сталкивался с серьёзной болезнью. Каждый пациент сначала заполнял анкету ценностей, потом проходил 5 тренировочных медицинских сценариев (например, "стоит ли делать реанимацию при таком-то состоянии"), принимая решение и объясняя его текстом. AI (P4-DT на базе GPT) на основе этих данных пытался предсказать решения пациента на 5 новых тестовых сценариях — и сравнивался с прогнозами человека-опекуна.
Результат: AI угадал направление решения в 81.7% случаев, опекун — только в 55%, а опекун с подсказками от AI — 61.7%. Что любопытно: AI обошёл опекуна в 7 из 12 пар, сравнялся в 4 и проиграл только в одной.
Отдельно проверили, что именно даёт точность: убрали из промпта первичные рейтинги ценностей, оставив только сценарии и текстовые объяснения — точность не изменилась (81.7%). А когда оставили только рейтинги без сценариев — точность упала до 66.7%. Это прямое доказательство: не абстрактные цифры, а конкретные кейсы с объяснением решают всё.