Добавил одно предложение в промпт — GPT выдал в 5 раз больше. Как это работает
Попросил ChatGPT разобрать бизнес-идею для питча инвесторам. Получил 3 абзаца общих слов про "перспективы" и "риски". Добавил в промпт одно предложение про ставки — модель выдала структурированный отчёт на 5 страниц: с приоритетами на 30/90 дней, финансовыми проекциями, оценкой рисков и митигацией. Ответ стал длиннее в 5 раз и реально годным для презентации.
Оказывается, есть техника промптинга, которая делает модель умнее не через тонкую настройку или API-магию, а через один дополнительный абзац. Исследование показало рост качества до +1336% на сложных задачах. Разбираюсь, как это работает и когда применять.
Почему модели "ленятся"
Представь: ты студент на экзамене. Вопрос расплывчатый, преподаватель не уточняет. Можно написать пару абзацев для галочки, а можно развернуть эссе на 10 страниц. Какой вариант выберешь, если оба зачтут?
LLM работают так же. Без контекста важности они экономят "усилия" — выдают минимально достаточный ответ. Модель не знает, нужен тебе черновик на салфетке или презентация для совета директоров. Поэтому по умолчанию выбирает безопасный средний вариант: не слишком коротко, но и без лишних деталей.
Проблема не в способностях модели — она может дать глубокий анализ. Проблема в калибровке: ты не сказал, что задача критична.
Формула: роль + ставки + стандарты
Atil Samancioglu в июле 2025 опубликовал исследование на 3,390 ответах от Claude, GPT-4 и Gemini. Тестировал разные типы "давления" в промптах и мерил 11 метрик: от длины ответа до глубины анализа.
Вот что сработало лучше всего:
Один промпт, одна задача — просто добавляешь контекст ответственности.
Пример: бизнес-анализ
До:
Результат: 2-3 абзаца про плюсы-минусы. Годится для разговора на кухне, но не для питча.
После:
Результат: структурированный отчёт с немедленными приоритетами (30 дней), стратегией на квартал, финансовыми проекциями с цифрами, фреймворком ответственности. Готово к презентации. Ответ в 3-5 раз длиннее и реально полезен.
Попробуйте сами — вот как выглядит ответ ChatGPT с этим методом:
Адаптации под задачи
Для кода:
Эффект: вместо минимального кода — документация, обработка ошибок, валидация входов, юнит-тесты. Исследование зафиксировало рост объёма кода на +1302% для задачи сортировки.
Для срочных задач:
Эффект: структура "готово к презентации" — executive summary, ключевые метрики, talking points.
Для этических дилемм:
Эффект: структурированный разбор по этическим принципам, анализ stakeholders, взвешенная рекомендация с обоснованием.
Почему это работает (и есть ли подвох)
Модели натренированы имитировать профессиональное поведение. Они "знают", как пишут стратегические консультанты, как структурируют отчёты аналитики, какие стандарты ожидаются от экспертов.
Добавляя роль + ставки, ты переключаешь модель из режима "ответить на вопрос" в режим "соответствовать профессиональным ожиданиям". Это не обман — это калибровка уровня детализации под реальную потребность.
Рычаги управления:
- Конкретность роли: "старший консультант McKinsey" острее, чем просто "эксперт"
- Масштаб последствий: "миллионы людей" vs "твой отдел" меняет глубину
- Тип стандартов: "регуляторные требования" для формальности, "startup pitch" для динамики
Но есть нюанс.
Исследование обнаружило двойной эффект. Те же самые промпты, которые улучшают качество, могут снижать уверенность модели (certainty score падал до -78%). Модель начинает добавлять больше оговорок, выражаться осторожнее.
Это не всегда плохо. Для сложного анализа "менее категоричный, но более глубокий" — это как раз то, что нужно. Для простых фактических вопросов — избыточно.
Когда работает и когда нет
Максимальный эффект:
- Сложные аналитические задачи: политика, стратегия, этика, бизнес-анализ
- Policy evaluation показал +173% длина ответа, +1336% формальность языка, +84% уместность для домена
- Задачи, где нужна структура "готово к презентации"
Минимальный эффект:
- Простые задачи типа "напиши функцию сортировки" — модель и так справляется
- Перевод текстов
- Фактические вопросы с однозначным ответом
Лучший тип "давления": Role-based угрозы ("ты эксперт, твоя репутация зависит") показали максимум улучшений при минимуме негативных эффектов. Authority-based ("руководство требует") — на втором месте.
Данные из исследования
Samancioglu собрал 3,390 ответов от трёх LLM по 10 доменам задач. Измерял 11 метрик через автоматические инструменты (LIWC для лингвистики, BERT-similarity для "уместности в домене").
Самый чувствительный домен — policy evaluation (оценка политики). 50.8% метрик значимо менялись. Максимальные улучшения здесь:
- +173% длина ответа
- +1336% формальность языка
- +1081% глубина анализа
- +84% уместность для домена
Худший показатель: -78% certainty score (модель стала менее категоричной).
Все промпты и данные доступны на GitHub (MIT License): github.com/atilsamancioglu/ThreateningLLMsDataSet
Главное
Модель калибрует глубину ответа по воспринимаемым ставкам. Добавляя профессиональную роль + последствия, ты переключаешь её из режима "минимально достаточно" в режим "экспертный анализ".
Формула: роль + ставки + стандарты = ответ на уровень выше.
Работает в любом чате, без кода, одним промптом. Эффект — от +173% до +1336% на сложных задачах.
Техника очевидна после прочтения. Но именно такие простые решения с большим эффектом и есть прорывы.
Больше таких разборов промптинга выкладываю в Telegram — там без воды, только рабочие приёмы и свежие находки из исследований: t.me/ainovasapiens
Какие техники промптинга используешь ты? Пробовал добавлять роли и ставки — сработало?