TL;DR
Исследователи проанализировали 700 тысяч реальных промптов от почти 4000 сотрудников крупной консалтинговой компании и нашли, что отличает "продвинутое" использование AI от простого: чёткость инструкций, осознанное применение техник промптинга (роль, примеры, цепочка рассуждений, самопроверка) и разнообразие задач, для которых человек обращается к AI. Причём чем длиннее первый запрос и чем больше человек уточняет в диалоге — тем выше уровень продвинутости.
Главная находка неприятная: сам факт частого использования AI не делает человека лучше в этом. Люди, которые пользуются ChatGPT каждый день полгода, в среднем не становятся более искусными промптерами — просто кликать по интерфейсу навык не тренирует. Формальное обучение работе с AI даёт всплеск качества, но только в тот месяц, когда человек прошёл курс — потом эффект исчезает, будто навык не закрепился без практики.
Из этого следует практический вывод: улучшение навыка промптинга требует осознанного самоаудита, а не просто частоты использования. Чек-лист из исследования — три оси (чёткость, техники, разнообразие задач) плюс два поведенческих сигнала (длина первого запроса и готовность итерировать) — можно превратить в инструмент самопроверки.
Схема метода (чек-лист)
ОСЬ 1: ЧЁТКОСТЬ ЗАПРОСА
→ Указаны ограничения (объём, тон, формат)?
→ Запрошен структурированный вывод (таблица, список, JSON)?
→ Даны критерии оценки ответа?
ОСЬ 2: ОСОЗНАННЫЕ ТЕХНИКИ
→ Роль/персона задана модели?
→ Есть примеры (few-shot)?
→ Запрошено рассуждение по шагам (Chain-of-Thought)?
→ Есть просьба самопроверки ответа?
→ Разрешено модели задавать уточняющие вопросы?
ОСЬ 3: РАЗНООБРАЗИЕ ЗАДАЧ
→ Использую AI не только для одного типа работы (например, только "напиши текст"), а для разных: анализ, идеи, поиск информации, код?
ПОВЕДЕНЧЕСКИЕ СИГНАЛЫ (коррелируют с продвинутостью):
→ AMBITION: длина и детальность первого сообщения в диалоге
→ PERSISTENCE: количество уточнений и итераций внутри одного диалога
Пример применения
Задача: Маркетолог в российской компании каждый день просит ChatGPT написать посты для соцсетей, но результат «средний», и он не понимает почему коллега из другого отдела получает от той же модели куда более точные и полезные ответы.
Промпт (для самоаудита):
Вот три последних моих диалога с тобой [вставить транскрипты].
Оцени каждый по чек-листу:
1. Чёткость: были ли указаны ограничения, формат вывода, критерии успеха?
2. Техники: использовал ли я роль, примеры, просьбу рассуждать по шагам, самопроверку?
3. Разнообразие: для каких задач я тебя использую — только пишу тексты, или ещё анализирую данные, ищу информацию, генерирую идеи?
Дай честную оценку по каждому пункту и покажи, как переписать один из моих промптов, чтобы он использовал больше техник.
Результат: Модель разберёт диалоги по трём осям, укажет, что маркетолог, например, никогда не просит модель задавать уточняющие вопросы и не даёт критериев успеха, а затем перепишет один из промптов с добавлением роли, примера и просьбы объяснить логику ответа.
Почему это работает
Модель не улучшается сама по себе от количества запросов — она не запоминает предыдущие разговоры и не учится "под тебя". Улучшается только промпт, который ты пишешь. Если ты не меняешь способ формулировать запросы, каждый новый диалог начинается с того же уровня, что и первый.
Модель хорошо реагирует на явные структурные сигналы — роль, примеры, просьбу рассуждать по шагам. Эти техники не магия: они убирают неопределённость в задаче и заставляют модель генерировать текст по более узкому, предсказуемому паттерну.
Длина первого сообщения и готовность итерировать (не соглашаться на первый ответ, а уточнять) работают как индикатор вовлечённости: человек, который тратит время на объяснение задачи и не боится переспрашивать, получает более точный результат — не потому что модель "старается больше", а потому что ей дали больше конкретики для работы.
Рычаги, которые можно крутить: - Убери "без объяснений" из привычки — начни просить модель показывать логику, чтобы видеть где промпт слабый. - Добавь роль конкретному запросу ("ты — редактор Т-Ж", а не просто "напиши текст") — острее выполнение задачи. - Замени "напиши мне пост" на "напиши, потом объясни, чем можно улучшить" — это встроенная самопроверка.
Шаблон промпта
Вот мой обычный промпт для задачи: {твоя типовая задача}
"{вставь свой типичный промпт}"
Оцени его по трём критериям:
1. Чёткость — есть ли ограничения, формат, критерии успеха?
2. Техники — использую ли роль, примеры, шаги рассуждения, самопроверку, уточняющие вопросы?
3. Узость — использую ли тебя только для одной задачи или для разных типов работы?
Перепиши промпт, добавив хотя бы 2 отсутствующие техники. Объясни, что изменилось и почему это должно улучшить результат.
Подставь свою типовую задачу и реальный промпт, который обычно пишешь.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для аудита моих промптов на "продвинутость". Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит какой у тебя обычно промпт и для чего ты используешь AI чаще всего — потому что без этого невозможно понять, какие из пяти техник у тебя уже есть, а какие отсутствуют.
Ограничения
⚠️ Корреляция, не причинность: Исследование наблюдательное — старшие сотрудники показывают более "продвинутое" использование, но это может быть из-за экспертизы в профессии, а не из-за навыка промптинга как такового.
⚠️ Одна компания: Все данные из одной консалтинговой фирмы с высокой культурой использования AI — в компаниях с низкой цифровой зрелостью паттерны могут отличаться.
⚠️ Не измеряет качество результата: "Продвинутость" по этой методике — это про форму запроса (техники, чёткость), а не про то, стал ли итоговый текст или анализ реально лучше. Это проксирование, не прямое доказательство пользы.
Как исследовали
Исследователи взяли 713 564 реальных промпта от почти 4000 сотрудников KPMG за восемь месяцев 2025 года — не опрос, а фактические логи переписки с корпоративным чат-инструментом aIQ Chat. Каждый диалог прогнали через LLM (в итоге выбрали OpenAI o1) с детальным метапромптом, который классифицировал тип задачи и оценивал признаки продвинутого использования: чёткость, техники, разнообразие задач.
Команда сверяла результаты классификации вручную в несколько раундов, гоняла повторные запросы на одних и тех же транскриптах, чтобы проверить устойчивость оценок — и только после этого доверилась автоматической разметке на всём массиве данных.
Дальше сравнивали продвинутость по должностям, отделам, месяцам и до/после прохождения формального обучения работе с AI. Удивило то, что продвинутость не растёт со временем сама по себе, а эффект от обучения виден только в месяц прохождения курса — дальше он исчезает. Это и есть главный практический вывод: без сознательной практики навык не закрепляется, даже если тебя специально этому учили.