Выделите текст, чтобы комментировать.
Для меня это давно часть обычной рабочей среды. И поскольку я обучаю свою команду и помогаю другим компаниям внедрять ИИ в процессы, изменения в работе моделей приходится отслеживать постоянно.
Как изменилось понимание работы с нейросетью
За последний год особенно заметно изменилось само понимание хорошей работы с нейросетью. Ещё недавно основное внимание уделяли промпту: насколько подробно описана роль модели, сколько контекста ей дали, правильно ли сформулировали задачу, указали ли формат результата. Все эти элементы по-прежнему нужны, но сейчас они уже не определяют качество ответа сами по себе.
Современная модель работает с гораздо большим количеством информации. Она может учитывать предыдущие диалоги, сохранённый контекст, загруженные документы, системные инструкции, использовать интернет-поиск, выполнять расчёты, работать с кодом и обращаться к дополнительным инструментам. Поэтому результат сегодня зависит от всей среды, в которой выполняется задача. Именно это я всё чаще вижу в реальной работе команд.
Человек может знать десятки правил промптинга, писать длинные инструкции и всё равно получать нестабильный результат, потому что проблема находится не в формулировке запроса. Например, нужно проанализировать большую таблицу. Можно подробно написать, что модель должна выступить финансовым аналитиком, быть внимательной, перепроверить расчёты и найти закономерности.
Но если для задачи нужны точные вычисления, важнее дать ей исходную таблицу, правильно определить показатели и использовать инструмент для расчётов. В таком случае качество зависит уже от того, насколько хорошо собрана сама задача.
Как ИИ помогает в рыночной аналитике
С рыночной аналитикой происходит то же самое. Просьба использовать только достоверную информацию звучит разумно, но сама по себе ничего не гарантирует.
Если нужны текущие данные, должен быть доступ к поиску.
Если нужны цифры, нужно определить период.
Если анализируется конкретный рынок, необходимо обозначить географию.
Если результат будет использоваться для переговоров, заранее стоит решить, в какой форме его удобнее получить: таблица конкурентов, краткий отчёт, список рисков, сравнительный анализ или несколько выводов для коммерческого предложения.
При работе с договором нужен сам договор и критерии анализа.
При подготовке презентации нужно понимать, кто будет её смотреть, зачем состоится встреча, что аудитория уже знает и к какому решению мы хотим её привести.
При анализе продаж потребуется не красивое описание роли модели, а данные, показатели и понятная управленческая задача.
Поэтому сейчас я всё чаще говорю командам: учитесь не писать промпты, учитесь собирать задачу.
Промпт остаётся частью этой работы. Но сначала нужно понять, что именно мы хотим получить, какие данные для этого нужны, чего модели может не хватить, какие инструменты потребуются и где результат обязательно должен проверить человек.
Нужно ли давать нейросети всю информацию
Отдельная тема — контекст. Несколько лет назад одной из проблем было ограничение на объём информации, которую можно передать модели. Сейчас ситуация изменилась: можно загружать большие документы, несколько файлов, целые массивы материалов. И тут появилась новая ошибка — давать нейросети всё, что есть.
На практике объём информации сам по себе качество не повышает. В десятке документов могут одновременно находиться свежие и устаревшие цифры, разные версии одной презентации, противоречащие друг другу позиции, черновики и материалы, которые вообще не относятся к текущей задаче. Человеку приходится решать, какая информация действительно нужна модели.
Причём это очень знакомая управленческая задача. Хороший руководитель тоже не выгружает сотруднику весь архив компании перед тем, как попросить его подготовить отчёт. Он объясняет задачу и даёт то, что потребуется для её выполнения. С ИИ всё больше работает такая же логика.
Как правильно сформулировать запрос для ИИ
Меняется и отношение к ролям. Фразы «посмотри на это как маркетолог», «оцени как руководитель отдела продаж», «проверь как юрист» остаются полезными. Они помогают переключить профессиональный ракурс. В одном и том же документе маркетолог увидит позиционирование и аудиторию, продавец — аргументацию и возражения, юрист — формулировки и риски. Но роль модели не является гарантией точности. Если исходные данные неверны, никакой «финансовый директор с двадцатилетним опытом» их не исправит. Если модели нужен актуальный закон, ей потребуется источник. Если нужно выполнить расчёт, потребуется инструмент для вычислений.
Поэтому на обучении я всё чаще смещаю внимание с того, как красиво сформулировать роль, на вопрос: где именно в этой задаче вероятна ошибка и каким образом мы её обнаружим.
Примеры тоже стали использоваться немного иначе. Часто человек загружает несколько собственных текстов и говорит, что хочет «обучить на них нейросеть». В большинстве обычных пользовательских сценариев мы фактически показываем модели образец результата. Она видит структуру, длину, стиль, последовательность изложения, степень детализации.
Для рабочих процессов это очень полезно. Иногда пример хорошего коммерческого предложения или отчёта объясняет задачу лучше, чем несколько страниц инструкции. Допустим, мне нужно регулярно анализировать потенциальных клиентов. Я могу каждый раз подробно объяснять, какие сведения собрать. А могу один раз определить форму результата: название компании, сайт, ссылки на социальные сети, количество точек, продукты, ключевые факты, публичные высказывания руководителя, возможные потребности, конкуренты. Дальше эта структура становится стандартом работы.
И вот здесь отдельные удачные промпты постепенно превращаются в рабочие сценарии. Мне вообще кажется, что хороший запрос сейчас всё больше напоминает нормальный рабочий бриф.
Нужно обозначить цель, дать исходные данные, определить ограничения, описать формат результата и критерии качества, а затем указать, что необходимо проверить.
Возьмём простую формулировку: «Сделай презентацию для клиента». Модель может выполнить такую задачу, но ей придётся самой додумать практически всё: для кого презентация, зачем она нужна, что важно клиенту, какие аргументы использовать, сколько должно быть слайдов и какой результат ожидается после встречи.
Рабочая постановка выглядит иначе. Кто будет смотреть презентацию? Что этот человек уже знает о нас? В чём его текущая задача? Какую идею он должен понять? Какое решение мы хотим получить после встречи? Какие данные можно использовать? Какие цифры нельзя придумывать? Сколько времени будет на выступление? После этих ответов у модели появляется нормальное техническое задание.
Причём собрать его тоже можно вместе с ИИ. Этим приёмом я пользуюсь всё чаще. Если понимаю, что задача пока сформулирована недостаточно точно, я не прошу сразу выдавать результат. Я прошу сначала задать мне несколько вопросов, которые помогут собрать вводные, затем сформировать из моих ответов бриф и только после его проверки переходить к работе.
Это хорошо работает и с сотрудниками. Иногда человек сам ещё не может полностью сформулировать, какой результат ему нужен. Вопросы модели помогают увидеть недостающие данные и структурировать собственную мысль.
Для руководителя здесь появляется отдельная ценность. ИИ можно использовать ещё до момента выполнения задачи — для её постановки.
О стабильности сценария
Есть ещё один момент, который особенно важен при внедрении нейросетей в компании. Один удачный результат ничего не говорит о качестве процесса. Можно получить прекрасное коммерческое предложение, сохранить промпт и решить, что теперь задача автоматизирована. А затем применить эту же схему к десяти другим клиентам и получить совершенно разный уровень качества. Бизнесу нужна повторяемость. Поэтому мы смотрим, насколько стабильно работает сценарий, какие ошибки повторяются, сколько времени занимала задача раньше и сколько занимает теперь, что обязательно требует человеческой проверки и действительно ли новый способ работы даёт экономию.
Из-за этого само понятие промптинга постепенно меняется. Для меня это уже не отдельный навык составления запросов. Это часть более широкой компетенции — умения ставить задачи ИИ.
Сначала определить результат. Затем подобрать нужный контекст. Дать исходные данные. Подключить инструменты, если они нужны. Ограничить модель там, где она не должна додумывать. Показать пример, если важна форма. Определить критерии качества. Проверить чувствительные места. И уже внутри этой конструкции находится сам промпт.
Чем сильнее становятся модели, тем меньше смысла искать универсальную формулу идеального запроса. И тем больше значения приобретает способность человека понять, что именно он хочет сделать, какая информация действительно важна и как будет выглядеть хороший результат. Поэтому следующим уровнем ИИ-грамотности, на мой взгляд, станет именно постановка задач. Умение разговаривать с нейросетью останется важным. Но профессиональное использование начинается там, где человек умеет собрать для неё полноценную рабочую среду и встроить полученный результат в реальный процесс.
Марина Хопрячкова, директор регионального филиала «Шкулев Холдинг», эксперт по внедрению ИИ в бизнес и обучению команд, управленческий опыт — более 20 лет.
