Почему нейросеть отвечает усреднённо и что это меняет для бизнеса

По данным BCG за 2024 год, устойчивую отдачу от ИИ получили всего 4% компаний, хотя внедряют его почти все. Разрыв между теми, кто получает пользу, и теми, кто получает красивое демо, держится на одной скучной вещи – на контексте, который модели дают один раз и переиспользуют, вместо того чтобы объяснять всё заново в каждом чате.

Большая языковая модель обучена на пересекающихся текстах всего интернета. Когда контекста мало, она достраивает пробел самой частой формулировкой, статистической серединой того, что вообще пишут на эту тему. Отсюда узнаваемое ощущение, что ответы у разных людей и на разных задачах получаются одинаково гладкими и одинаково пустыми. Модель выдаёт медианный вариант, общий для всего рынка, и по-другому в пустом чате она вести себя не умеет.

Каждый новый диалог при этом стартует с нуля. Всё, что вложено в прошлую сессию, испаряется вместе с окном. В итоге любой, кто работает с ИИ всерьёз, платит дважды: сначала временем на повторный ввод вводных, потом временем на доведение пресного черновика до приемлемого качества. Сама генерация давно почти бесплатна, а настоящая цена прячется в этом двойном проходе, который повторяется десятки раз в неделю.

Важно, что это не проблема конкретного человека, который не умеет формулировать запрос. Это поведение инструмента по умолчанию, и оно одинаково у всех. Пока модель не получила рамку, внутри которой она работает, лучший из возможных её ответов – это грамотно оформленная общая позиция по вопросу. Она может быть верной, но она никогда не будет именно про твой бизнес, твои цифры и твои ограничения, потому что про них модель просто ничего не знает.

Починка выглядит буднично. В Claude для этого есть раздел «Проекты»: внутри создаётся проект, в «Знания проекта» загружаются документы и цифры, в «Инструкции» описывается, кто ты, чем занимаешься и каким тоном отвечать. Дальше любой чат внутри проекта уже держит эту рамку. Достаточно настроить один раз, и модель отвечает под конкретную задачу, без ритуала объяснений заново.

Важно понимать, что это витрина общего приёма, доступного далеко не у одного вендора. У OpenAI то же самое называется Custom GPTs, у любого разработчика собирается из системной инструкции и базы знаний с подтягиванием документов. Механика везде одинаковая: инструкции задают роль и тон, база знаний подтягивает нужные факты перед ответом, и нейросеть перестаёт быть чистым листом. Разовый запрос тянет пользователя к медиане, постоянный контекст сдвигает модель обратно, к конкретным фактам и конкретному голосу.

Как венчурный инвестор я смотрю на эту тему через один вопрос: почему при почти всеобщем доступе к ИИ ощутимую отдачу получают единицы. Цифры подтверждают, что это не ощущение. По исследованию BCG «Where's the Value in AI?» (октябрь 2024), 74% компаний пока не получили от ИИ ощутимой бизнес-ценности, и только 4% вышли на устойчивую отдачу во всех функциях. При этом применение растёт: по данным McKinsey «The state of AI in early 2024», 65% организаций регулярно используют генеративный ИИ хотя бы в одной функции, почти вдвое больше, чем годом ранее.

Российская картина повторяет мировую. По совместному исследованию «Яков и Партнёры» и Яндекса (декабрь 2025), 71% компаний используют генеративный ИИ хотя бы в одной функции. То есть подключить успели почти все, а вынести ценность смогли немногие. И разрыв держится ровно на том, что модель гоняют вслепую, без постоянного контекста. Пилот на голых запросах выдаёт эффектное демо, а на потоке разваливается: тон плывёт, факты приходится диктовать каждый раз, результат зависит от того, кто именно сегодня сел за задачу.

Я вижу этот паттерн в портфельных командах постоянно. Инструмент подключён, галочка поставлена, а на цифрах ничего не поменялось. Почти всегда под капотом одно и то же: команда работает с моделью как с поисковиком, каждый запрос с нуля, и удивляется, что ответы получаются как из методички.

Интуитивно кажется, что проблему решит следующая, более мощная версия модели. На практике мощность работает в другую сторону. Чем сильнее модель, тем убедительнее звучит её медианный ответ, и тем труднее на глаз отличить обоснованный вывод от красиво упакованной общей формулировки. Без своего контекста даже топовая модель по-прежнему не знает твоих цифр, твоих ограничений и твоего тона, поэтому подставляет усреднённые, просто делает это глаже.

Отсюда следует неочевидный для многих вывод: качество работы с ИИ сегодня определяется контекстом, который в модель загружен, и его свежестью, а выбор конкретной модели вторичен. Компании соревнуются за доступ к самым новым моделям, хотя основной рычаг лежит на шаг раньше, в том, как они кормят модель своими данными. Это менее заметная работа, у неё нет громкого маркетингового эффекта, и именно поэтому её так часто пропускают.

Что переиспользуемый контекст работает и в большом, видно по компаниям, которые встроили его в производство. Coca-Cola вместе с Adobe собрала платформу Fizzion, где бренд-правила перестают быть документом и превращаются в машиночитаемый контекст: правила по логотипу, шрифтам и изображениям кодируются в идентичности, которые ИИ применяет автоматически. Система работает на сотни брендов в десятках стран и ускоряет производство контента, по заявлению компании, кратно. Смысл ровно тот же, что и у одного проекта под одну задачу, только помноженный на масштаб корпорации: модели один раз объяснили, кто она и по каким правилам работает, и дальше она не переспрашивает.

Отдельно любопытно, как в самой компании формулируют проблему, которую решали. Дело было в контексте: без встроенных правил ИИ раз за разом неправильно истолковывал бренд-гайд, какой бы мощной ни была модель. Это и есть корень медианы: модель не знает твоих правил, поэтому подставляет общие.

Переиспользуемый контекст снимает часть проблем и создаёт свои, и здоровый скепсис тут важнее восторга.

Первое ограничение – устаревшая база знаний. Если цифры, цены и факты в проекте не обновляются, модель уверенно транслирует старое как актуальное, и уверенность звучит одинаково убедительно и когда данные верны, и когда протухли. Показательна история Air Canada: чат-бот авиакомпании выдумал несуществующую политику возврата, а канадский трибунал в феврале 2024 года признал это введением в заблуждение и обязал компанию выплатить пассажиру компенсацию. Довод перевозчика, что бот – это отдельная сущность, за которую компания не отвечает, суд отклонил. Нейросеть галлюцинирует даже по своим загруженным данным, если данные неполные, и ответственность за это несёт не модель.

Второе ограничение – конфиденциальность. Постоянный контекст соблазняет загрузить в облачную модель всё подряд, включая неопубликованные планы, финмодель и клиентские данные. В 2023 году инженеры Samsung за пару недель отправили в публичный чат внутренний код и содержание рабочего совещания, после чего компания просто запретила сотрудникам публичные нейросети. Прежде чем складывать в проект чувствительное, стоит понимать, где именно оно окажется и кто получит к нему доступ.

Третье ограничение – контекст не заменяет мышление. Если продукт и позиционирование сами по себе неотличимы от рынка, то и настроенная под них модель выдаст неотличимый результат, просто быстрее. А почти готовый черновик расслабляет и провоцирует пропустить финальную вычитку, хотя ломаются как раз последние проценты: факты, юридические формулировки, тонкие смысловые нюансы, за которые в итоге отвечает человек, а не модель.

Полезно разделять две части, из которых собирается проект, потому что путаница между ними как раз и портит результат. Инструкции отвечают на вопрос, кто модель в этом проекте и как она должна себя вести: роль, тон, формат ответа, что делать нельзя. База знаний отвечает на вопрос, какими фактами модель оперирует: цифры, документы, описания продукта, примеры удачных прошлых материалов. Первое задаёт поведение, второе задаёт содержание, и оба слоя нужны одновременно.

Ошибка, которую я вижу чаще всего, состоит в попытке впихнуть всё в один гигантский запрос и надеяться, что модель сама разберётся. Работает иначе. Инструкции стоит держать короткими и однозначными, а фактуру выносить в базу знаний, откуда модель подтянет нужный кусок под конкретный вопрос. И базу знаний важно чистить: устаревший документ вредит сильнее, чем его отсутствие, потому что создаёт ложную уверенность. Хороший проект собирается как аккуратно отобранный минимум, реально нужный модели для этого класса задач; сваливать в него все подряд файлы компании смысла нет.

Из всего этого следует довольно приземлённый вывод. Ценность ИИ определяется тем, сколько релевантного контекста модели один раз дали и как аккуратно его поддерживают; конкретная модель под капотом и её место в бенчмарках тут вторичны. Это ближе к гигиене работы, чем к магии технологии.

Начинать имеет смысл с малого. Один проект под одну повторяющуюся задачу, куда сложено то, что и так приходится диктовать модели каждый раз: чем живёт бизнес, какие ключевые цифры, каким тоном стоит говорить, пара сильных прошлых материалов как образец. Дальше остаётся работать внутри этого проекта и регулярно обновлять базу, чтобы она не устаревала. Через месяц такой проект превращается в короткую рабочую память о деле, к которой у модели всегда есть доступ, и именно тогда ИИ начинает экономить время по-настоящему.

Как инвестор я отношусь к этому просто. Компании, которые научились кормить модель своим контекстом и держать его в актуальном состоянии, окажутся в тех самых 4% с устойчивой отдачей. Остальные ещё какое-то время будут показывать эффектные демо и удивляться, почему на потоке всё выходит средне.

Если тема близкая, подписывайтесь на мой блог – здесь я разбираю, как предприниматели используют ИИ в реальных процессах, во что инвестирует венчур и как строить системную работу вместо разовых экспериментов.