Промпт, который учит ChatGPT говорить «не знаю»

Почему ИИ так уверенно фантазирует

Большая часть проблем у ИИ не в том, что он «глупый». Проблема в другом — он очень любит продолжать фразу, даже когда фактов уже нет. Для модели это нормальная стратегия: дать связный ответ, удержать ритм, не показать пустоту. Для бизнеса это уже риск.

На моей практике самый неприятный сценарий выглядел так: клиент в Краснодаре, команда из 8 человек, маркетинговый бюджет 120к в месяц, попросил ChatGPT собрать выводы по постам и метрикам. Модель уверенно дописала цифры, которых в исходнике не было. В отчёте это бы никто не заметил сразу. А потом пришлось бы объяснять, откуда вообще взялись эти данные. Вот почему «красивый ответ» часто вреднее пустого.

Именно поэтому промпт с приоритетом точности полезен не только айтишникам. SMM-щик, таргетолог, контент-менеджер, руководитель отдела — все сталкиваются с одной и той же штукой: модель звучит убедительно и начинает подменять проверку догадками. А у человека мозг делает остальное. Ну и понеслось.

Что делает этот промпт и почему он работает

Вот почему один нормальный промпт работает лучше, чем бесконечные просьбы «пиши аккуратнее». Вы меняете приоритет внутри ответа, а не надеетесь на настроение модели в конкретный день. Это не магия. Это просто более жёсткая рамка.

Приоритет точности

Фраза prioritize accuracy over helpfulness делает простую вещь — разрешает модели быть короткой, если данных мало. На моей практике это особенно спасает в отчётах, где красивый текст без подтверждения только мешает. Лучше сухо, зато честно.

Пометка о неопределённости

Если модель не уверена, она должна сказать об этом прямо. Не «примерно», не «скорее всего», если вопрос требует точности. Для свежих тем лучше заранее просить дату источника или флаг устаревания. И да, это снижает риск, что модель начнёт дофантазировать.

Факт отдельно, вывод отдельно

Очень полезная привычка. Модель перечисляет, что знает из входных данных, потом — что предполагает, потом — что нужно проверить. Так ответ становится не только честнее, но и удобнее для редактора. Ага, именно эта структура обычно ломает ложную уверенность.

Если собрать это в одну мысль, промпт учит модель не «отказываться отвечать», а нормально обозначать границы. Это очень полезная привычка. И для ИИ, и для команды.

Где такой подход спасает в SMM и маркетинге

В SMM этот подход особенно полезен, когда нужно быстро собрать черновик, но не хочется тащить в публикацию выдумки. ChatGPT может помочь с идеями для рубрик, вариантами заголовков, формулировками CTA и ответами на типовые возражения. Но если вы не поставили рамку на точность, он начнёт придумывать за вас факты о продукте, цифры по рынку и даже свойства аудитории. Типа всё знает.

У клиента было так: небольшой бренд косметики, 4 площадки, 18 постов в месяц и один человек на контент. Раньше команда просто просила ИИ «сделай текст для поста». После смены промпта ответы стали менее пафосными, зато исчезли липовые обещания и странные обобщения. Для AI-генератора подписей для соцсетей это вообще нормальный режим — сначала идеи, потом ручная проверка.

Ещё одна точка применения — аналитические выводы по контенту. Если вы грузите выгрузку охватов, ER и кликов, модель может сделать здравый разбор, но только если она понимает, где у неё есть данные, а где их нет. Иначе появляются фразы в стиле «аудитория любит экспертный тон», хотя в таблице этого нет. Ну и дальше уже начинается фантазия.

Как встроить промпт в работу команды

Недавно сталкивался с командой, которая хотела внедрить один и тот же промпт для контента, продаж и поддержки. И вот тут всплыл важный момент: один шаблон не обязан решать всё. Лучше держать базовую рамку и добавлять к ней отдельные инструкции под задачу — текст, таблица, анализ, от��ет клиенту.

Я бы сделал так: храните рабочий шаблон в одном месте, выдавайте его команде через сокращатель ссылок с аналитикой, а если люди часто работают офлайн — повесьте QR на общий документ через генератор QR-кодов. Это банально, зато не приходится объяснять одно и то же по десять раз.

Если нужен учебный материал для новичков, можно собрать простую памятку в генераторе анимированных баннеров или быстро убрать фон у скрина через AI-удаление фона, когда надо сделать аккуратную карточку. Да, звучит почти слишком просто. Но в отделах с текучкой такие мелочи реально экономят время.

Где промпт не спасает

При всей пользе этот промпт не делает модель оракулом. Если информации нет в контексте, ИИ всё равно может попытаться достроить ответ, особенно когда вопрос сформулирован расплывчато. Ага, он просто станет чуть аккуратнее. Но не всесильнее.

Больше всего осторожности нужно там, где цена ошибки высокая: юридические нюансы, медицина, финансы, свежие правила платформ, рекламные ограничения, изменения API, новости рынка. На моей практике именно здесь люди чаще всего расслабляются: думают, что модель «и так знает». Не знает. Или знает частично. И вот тут полезно прямо просить: если нужны свежие даные, скажи об этом и не отвечай наугад.

Важный момент — проверять не только сам ответ, но и уровень уверенности. Если модель пишет «я не уверен», это не провал. Это нормальный сигнал. Значит, надо идти в первоисточник, сопоставлять цифры и уже потом принимать решение. Иначе вы просто ускоряете ошибку.

Рабочий шаблон и как его тестировать

Если хотите использовать всё это без длинных танцев, держите короткий рабочий шаблон. Я тут пробовал его и в контенте, и в отчётах, и в разборе конкурентов — лучше всего он заходит там, где нужно быстро отделить факты от предположений.

Шаблон: «Сначала проверь, хватает ли тебе данных. Если нет — прямо скажи, чего не хватает. Отдели факты от выводов. Если вопрос требует свежей информации, пометь это отдельно. Не додумывай детали. Если ответ неточный, лучше обознач��ть ограничения, чем давать уверенную догадку».

• попросите модель назвать, что известно точно;
• отдельно выписать, что она предполагает;
• сказать, что нужно проверить вручную или через свежий источник;
• уточнить дату информации, если тема чувствительна к срокам.

Дальше сравните ответы на трёх разных задачах — факт, оценка, актуальная новость. Если поведение стабильно, шаблон можно закреплять в команде. Короче, цель не в том, чтобы ИИ молчал. Цель в том, чтобы он не притворялся знатоком там, где не уверен.