Плохой ответ ИИ? Возможно, вы задали не тот вопрос

Генеративные модели часто ругают за неточные, поверхностные или слишком общие ответы. Но иногда проблема начинается раньше — не в ответе, а в самом вопросе. ИИ может быть очень старательным собеседником, но, если его отправить не туда, он честно побежит не туда, да еще и отчет принесет.

В PCWorld описали простой прием для работы с ChatGPT, Claude и Gemini. Нужно перед тем, как ждать от модели готового решения, попросить ее оценить саму постановку задачи. Правильный ли вопрос задан? Достаточно ли в нем контекста? Не стоит ли сначала переформулировать запрос?

Формула может звучать так: прежде чем отвечать, оцени сам вопрос. Правильный ли это вопрос для достижения моей цели? Если нет, предложи более точную формулировку и объясни почему.

На первый взгляд это похоже на очередной пользовательский лайфхак из серии «добавьте волшебную фразу, и нейросеть сразу прозреет». Но смысл здесь глубже. Чат-бот все чаще используется не как поисковая строка и не как исполнитель коротких команд, а как собеседник, который помогает уточнить задачу до того, как начнет ее решать.

Иными словами, вопрос не в том, чтобы сделать промпт длиннее. Длинный промпт тоже может быть туманным, как техническое задание после трех согласований. Важно другое: понять, не смешаны ли в одном запросе разные задачи. Пользователь может думать, что просит «обзор ситуации», а на самом деле ему нужно сравнение, оценка рисков, разбор причин или совет для принятия решения.

Если модель сразу начинает отвечать, она может выдать длинный, но размытый текст. Формально — ответ есть. По сути — вопрос остался. Если же сначала попросить ее проверить постановку задачи, она помогает отделить главное от второстепенного еще до генерации ответа.

Промпт становится диалогом

Такой подход хорошо вписывается в общую логику prompt engineering. OpenAI в рекомендациях для ChatGPT советует формулировать запросы ясно, конкретно и с достаточным контекстом, а Google в материалах по Gemini описывает prompt engineering как итеративный процесс, где запросы нужно пробовать, уточнять и адаптировать под задачу.

Похожий подход описывает Microsoft в рекомендациях для Microsoft 365 Copilot: хороший запрос строится вокруг цели, контекста, ожиданий и источников. Anthropic в документации для Claude тоже делает акцент на ясных и прямых инструкциях: чем точнее пользователь описывает задачу, ограничения и ожидаемый результат, тем выше шанс получить полезный ответ.

Но следующий шаг — использовать ИИ не только для ответа, но и для проверки самой задачи. Для рабочих сценариев это особенно важно. В бизнесе, журналистике, разработке, аналитике и управлении часто ошибаются не потому, что плохо ищут ответ, а потому, что слишком рано выбирают угол зрения.

Например, можно попросить ИИ написать новость о новом сервисе и получить аккуратный пересказ пресс-релиза. Все слова на месте, смысл вроде бы тоже. Но будет ли это новость? А можно сначала спросить: в чем здесь реальный инфоповод для читателя, не выбран ли слишком слабый фокус и какой угол подачи будет точнее. Тогда модель помогает не только оформить текст, но и проверить редакционную логику.

Похожая ситуация возникает при подготовке интервью, аналитических материалов или деловых презентаций. Запрос «придумай вопросы про ИИ» почти неизбежно приведет к общим формулировкам. А если сначала попросить модель оценить тему, аудиторию, возможные слабые места и риск слишком рекламной подачи, результат будет ближе к реальной подготовительной работе.

Что говорят пользователи

Пользовательские обсуждения показывают, что этот подход уже стал частью практики. На Хабре в материале о коротких промптах один из советов звучит именно так: не просить модель писать сразу, а сначала попросить ее задать вопросы, которые помогут решить задачу. Автор объясняет это тем, что современные ИИ часто настроены на немедленный ответ и пытаются отвечать даже тогда, когда им не хватает контекста.

В комментариях на Хабре эту мысль развивают уже применительно к рабочим задачам. Один из пользователей сравнивает работу с ИИ с работой с младшим разработчиком: если просто сказать «сделай фичу», результат может быть слабым, а если сначала обсудить архитектуру и разбить задачу на части, качество будет выше. Другой участник обсуждения описывает похожий подход, при котором надо сначала дать модели проблему, попросить ее проанализировать задачу, уточнить требования и, если речь идет о разработке — составить ТЗ, и только потом переходить к реализации.

Есть и более прикладная формулировка: промпт — это не заклинание, а разговор. Если ответ получился слабым, не всегда нужно искать «идеальную команду». Часто достаточно уточнить одно предложение, добавить ограничение, убрать лишнее или скорректировать курс по ходу диалога. В той же дискуссии на Хабре пользователи спорят как раз о границе между осмысленной постановкой задачи и «шаманством» вокруг волшебных фраз.

Где прием полезен, а где мешает

Конечно, у этого подхода есть ограничения. «Мета-вопрос» лучше всего работает с широкими и комплексными задачами, связанными, например, с исследованием темы, подготовкой материала, разработкой концепции, анализом проекта, написанием ТЗ. Там, где нужно сначала разобраться, куда копать, он действительно помогает.

Но если задача простая и точная, устраивать перед ней методологический консилиум необязательно. Нужно сократить абзац? Перевести фразу? Найти ошибку в формуле? В таких случаях предварительная проверка вопроса может только замедлить работу. Иногда лучший промпт — это просто нормальная конкретная команда.