Платишь за GPT Plus, а получаешь шаблоны: почему смена модели не улучшает ответы и что с этим делать
Подписка на ChatGPT Plus, потом Claude, потом Gemini — а ответы одинаково общие. Логика «куплю модель помощнее — получу результат лучше» работает только до точки. Дальше упор не в интеллект модели, а в информационный голод: ИИ не знает, кто ты, что продаёшь и какой результат нужен.
Качество ответа на 80% определяется не моделью, а контекстом — тем, что ты рассказал системе о себе и задаче до того, как что-то спросил. Ниже — как это работает, из чего состоит рабочий контекст и как собрать его один раз, чтобы любая модель отвечала по делу.
Модель мощнее — ответ тот же: почему так происходит
Типичный сценарий: оформляешь Plus, докупаешь Claude Pro, пробуешь Gemini Advanced — и каждый раз получаешь похожие, среднестатистические ответы. Разница между GPT-4o и GPT-5 для типовой бизнес-задачи меньше, чем разница между «напиши пост» и «напиши пост от лица бренда X для аудитории Y с такими-то возражениями».
Аналитик Aishwarya Srinivasan формулирует это так: «Посредственный промпт с правильным контекстом обыгрывает блестящий промпт без контекста».
Проблема не в модели. Проблема — ИИ не знает, кто ты.
Контекст — это оперативная память ИИ, а не твой последний вопрос
Контекст — вся информация, которую модель «видит» перед генерацией: системные инструкции, история диалога, прикреплённые файлы, описание роли, примеры, данные из внешних источников.
Андрей Карпатый, бывший директор по ИИ в Tesla и один из основателей OpenAI, предложил метафору: «Думайте об LLM как о процессоре, а о контекстном окне — как об оперативной памяти. Ваша задача — как у операционной системы: загрузить в рабочую память именно тот код и данные, которые нужны для текущей задачи».
Если в «оперативную память» загружено только «напиши продающий текст» — модель работает на дефолтных знаниях о продающих текстах вообще. Если туда загружены продукт, цена, аудитория, тон и оффер — модель работает с твоей ситуацией.
Системный промпт работает до твоего первого сообщения
Системный промпт — инструкция, которую модель получает до начала диалога. В ChatGPT он задаётся через Custom Instructions, в Claude — через Projects, в API — через параметр system. Ты его не видишь в чате, но именно он задаёт «характер» ответов.
Документация Anthropic для Claude выделяет принцип «Add context to improve performance» — добавление контекста как ключевой способ повышения качества. Официальное руководство OpenAI начинается с правила: «Будьте максимально конкретны и подробны в описании желаемого контекста, результата, длины, формата и стиля».
Хороший системный промпт делает три вещи:
- Фиксирует роль модели
- Задаёт правила и приоритеты
- Передаёт фоновую информацию о бизнесе, которую не хочется повторять в каждом сообщении
Что вшить в контекст, чтобы ИИ перестал отвечать «вообще»
Минимальный рабочий набор для системного промпта:
Обзор «A Survey of Context Engineering for Large Language Models» (arXiv, июль 2025) систематизирует 1400+ исследований: модели одного размера дают принципиально разный результат в зависимости от того, как организована подача информации.
Один запрос — три ответа: разница только в брифе
Запрос один и тот же: «Напиши пост для соцсетей о новом курсе».
Контекст пустой. Модель не знает ни ниши, ни аудитории. Результат — «🚀 Друзья! Запускаем новый курс, который изменит вашу жизнь. Только сейчас — успей записаться!» Шаблон, который пишется про что угодно.
Контекст с описанием продукта. «Курс для маркетологов по работе с ИИ, 6 недель, практика». Ответ становится содержательнее: появляются модули, выгоды, призыв. Но по-прежнему звучит как «ещё один курс».
Контекст с полным брифом. Загружено: ниша, формат, основное возражение аудитории («ИИ — это сложно, я уже пробовал, ничего не вышло»), tone of voice, запрет на манипуляции дефицитом, конкретный оффер. Ответ — пост, который снимает конкретное возражение, говорит языком бренда и ведёт к конкретному действию.
Разница не в модели. Модель одна. Разница — в килобайтах контекста.
В 2025 году промпт-инжиниринг превратился в контекст-инжиниринг
В 2022–2024 массовой темой был промпт-инжиниринг — искусство правильно сформулировать одну фразу. В 2025-м индустрия сместилась к понятию контекст-инжиниринга.
Карпатый зафиксировал переход публично: «+1 за термин "context engineering" вместо "prompt engineering". Он лучше описывает суть навыка — искусство собрать весь контекст для задачи».
Разница простая:
- Промпт-инжиниринг — как спросить. Формулировки, роли, шаги рассуждения.
- Контекст-инжиниринг — что модель знает до того, как ты спросил. Память, документы, инструкции, история, инструменты.
Промпт-инжиниринг — подмножество контекст-инжиниринга. Когда строишь агента или повторяемый рабочий процесс, формулировка одного промпта перестаёт быть узким местом. Узким местом становится архитектура информации вокруг модели.
Пять ошибок, которые обнуляют даже хороший промпт
- Начинать диалог с нуля каждый раз. Новый чат — сброс «оперативной памяти». Без сохранённых инструкций модель снова отвечает «вообще».
- Описывать задачу, но не себя. «Напиши лендинг» без описания продукта и аудитории — гарантия шаблона.
- Перегружать контекст всем подряд. Длинный системный промпт с противоречиями работает хуже короткого и точного. Модель теряет фокус.
- Прятать ключевую информацию в середину. Anthropic и OpenAI рекомендуют важные инструкции размещать в начале и в конце — середину модели «помнят» хуже.
- Игнорировать примеры. Один-два примера правильного результата часто меняют качество сильнее, чем десять страниц теоретических инструкций.
Как собрать контекст один раз и подключать к любой задаче
Главная экономия — не писать бриф заново для каждой задачи.
- Собери один документ-бриф по структуре из таблицы выше. 1–3 страницы, не больше.
- Сохрани как системный промпт или загрузи в Project / Custom GPT / Custom Instructions.
- Раздели по ролям. Один контекст — для маркетинга, другой — для продаж, третий — для контента. У каждой роли свой системный промпт и свой бриф.
- Обновляй раз в квартал. Меняется продукт, цена, аудитория — меняется и контекст.
- Тестируй. Возьми один запрос, прогони с контекстом и без, сравни. Если разница очевидна — бриф работает. Если нет — слишком общий.
Такая схема превращает ИИ из генератора текста «вообще» в ассистента, который понимает твой бизнес с первого сообщения.
Если ты пробовал ИИ и разочаровался — почти наверняка дело не в модели. Дело в том, что у твоего ассистента не было ни брифа, ни роли, ни данных о твоём бизнесе. Никакая подписка это не лечит — лечит правильно собранный контекст.
Контекст — это рычаг, который умножает любую модель. Без него платишь за подписку. С ним — за результат.
А как у тебя: собираешь контекст заранее или каждый раз объясняешь ИИ всё с нуля? Мы уже собираем все на нашей платформе