Я думал, людям просто нужны более подробные промпты. 54 анкеты показали, что проблема глубже
Три дня назад (16 августа 2026 года) я запустил небольшой эксперимент вокруг своей библиотеки промптов.
Идея была простой: вместо того чтобы самому решать, какие промпты ещё нужны людям, я решил спросить тех, кто реально использует нейросети в работе.
За первые три дня в эксперимент пришли 120 человек, а 54 человека прошли онбординг и получили доступ к базе.
Параллельно я начал собирать их задачи, реальные запросы и проблемы, с которыми они сталкиваются в ChatGPT, Claude, Gemini и других нейросетях.
И уже промежуточные результаты заставили меня пересмотреть первоначальную гипотезу.
Изначально я думал: люди просто плохо формулируют запросы
В этом есть логика.
Человек пишет нейросети:
«Напиши пост». ИЛИ «Создай картинку». ИЛИ «Сделай таблицу».
Контекста почти нет. Критериев результата нет. Ограничений нет.
ИИ приходится самостоятельно додумывать половину задачи, а потом пользователь удивляется посредственному результату.
Я ожидал, что исследование в основном это и подтвердит. И. Частично так и произошло.
Сейчас у меня есть 54 анкеты, из которых 51 ответ достаточно содержательный для анализа.
И 76,5% этой выборки описали свой типичный запрос к ИИ 15 словами или меньше. Медианная длина — примерно 9 слов.
На первый взгляд решение очевидное:
нужно просто научить людей писать более подробные промпты.
Но потом я посмотрел на остальные ответы. И тут гипотеза начала ломаться.
Оказалось, длинный промпт тоже ничего не гарантирует
В анкетах были люди, которые уже нормально ставят задачи.
Они описывают контекст. Перечисляют ограничения. Прикладывают документы. Объясняют, какой результат хотят получить. Иногда пишут действительно большие технические инструкции.
Иногда пишут действительно большие технические инструкции. Но всё равно получают проблемы.
Нейросеть:
- забывает часть требований;
- теряет контекст;
- меняет то, что менять не просили;
- отвечает водой;
- придумывает факты;
- плохо соблюдает формат;
- выдаёт шаблонный результат.
В этот момент для меня изменился сам вопрос.
Не: «Как заставить человека писать запрос подробнее?»
А: «Как сделать так, чтобы нейросеть проходила задачу как управляемый рабочий процесс?»
Потому что количество слов — только одна часть проблемы.
Причём это не люди, которые впервые открыли ChatGPT
76,5% содержательной выборки используют нейросети каждый день.
А у 82,4% выбранная ими задача возникает ежедневно или несколько раз в неделю.
То есть речь идёт о повторяющейся реальной работе.
— Написать текст.
— Разобрать документ.
— Изменить изображение.
— Проверить код.
— Подготовить ТЗ.
— Провести исследование.
— Составить коммерческое предложение.
И каждый раз человек снова пытается объяснить нейросети примерно одну и ту же логику.
Я выделил четыре повторяющиеся проблемы
Один ответ мог попадать сразу в несколько категорий.
Получилось:
13 раз упоминали — ошибки, недостоверность и выдуманные данные.
12 раз указывали — потеря контекста, требований и ограничений.
10 раз жаловались — вода, поверхностность и лишняя информация.
8 раз заявли про — шаблонность и «роботизированность».
И здесь возник главный промежуточный вывод исследования:
Хороший промпт — это не обязательно длинный промпт. Это управляемый сценарий работы модели.
Я начал смотреть на библиотеку немного иначе.
Например, «не пиши воду» — это ещё не решение
Можно добавить в запрос: «Не пиши воду»
Но что именно нейросеть должна считать водой?
Гораздо надёжнее задать ей процесс:
- Определи главный вопрос.
- Выдели факты, которые реально влияют на решение.
- Убери всё, что на решение не влияет.
- Сначала дай вывод.
- Затем аргументы.
- Второстепенные детали вынеси отдельно.
То же самое с выдуманными фактами: «Не выдумывай» — слишком абстрактна.
А вот правила:
— если данных недостаточно — скажи об этом;
— неподтверждённое помечай;
— не создавай несуществующие источники;
— разделяй факт, вывод и предположение
уже задают поведение модели.
Поэтому я начал переделывать саму архитектуру базы
Раньше её легко было представить так:
Маркетолог → написать пост.
Дизайнер → создать изображение.
Юрист → проанализировать документ.
Сейчас я смотрю на неё иначе:
- проблема поведения ИИ
- профессиональный контекст
- нужный формат результата.
Из ответов уже выросло несколько механизмов
Сейчас я экспериментирую с набором модулей, которые можно комбинировать в разных промптах.
Например:
Context Lock — не терять согласованный контекст.
Constraint Lock — не изменять то, что менять запрещено.
Missing Data Gate — сначала определить недостающие данные.
Source Lock — не выдавать неподтверждённое за факт.
Anti-Water — отсеивать информацию, которая не влияет на решение.
Output Contract — строго соблюдать формат результата.
Style Profile — сохранять стиль человека или бренда.
Self-Check — перед ответом сверять результат с требованиями.
Iteration Memory — при новой правке не ломать уже согласованные части.
В итоге промпт становится не просто большим текстом.
Он начинает работать примерно так:
собрать вводные→ определить недостающие данные→ зафиксировать ограничения→ выполнить задачу→ проверить себя→ отдать результат в нужном формате.
И это уже гораздо ближе к рабочему инструменту.
54 человека фактически уже поучаствовали в разработке продукта
Это, пожалуй, самое интересное за первые три дня. Конечно, люди пришли в эксперимент в том числе ради БЕСПЛАТНОГО доступа к базе промптов.
Но взамен я получил то, что невозможно нормально придумать внутри своей головы: реальные рабочие задачи.
В текущей выборке:
- код, инженерия и технические задачи — 15 ответов;
- визуал, дизайн и видео — 12;
- тексты, контент и документы — 11;
- продажи и бизнес-задачи — 6;
- исследования и фактчекинг — 5.
Три крупнейших направления вместе составляют 38 из 51 содержательного ответа — 74,5% выборки.
Поэтому можно сказать, что участники уже приложили руку к следующей версии продукта.
Именно их задачи сейчас влияют на то, какие промпты я буду переделывать в первую очередь.
Эксперимент пока продолжается
Если вы регулярно используете ChatGPT, Claude, Gemini, Grok, Perplexity или другие нейросети и у вас есть задача, на которой ИИ постоянно:
- ошибается;
- льёт воду;
- забывает требования;
- выдаёт шаблонный результат;
- меняет то, что менять не нужно;
Можно присоединиться!
Вы получите бесплатный доступ к текущей платной части базе и сможете отправить мне свою реальную задачу.
А я буду использовать такие кейсы при разработке новых промптов и в следующих before/after тестах.
По сути, сейчас можно не просто забрать базу, а приложить руку к тому, какой станет её следующая версия.