Забудьте про трюки в промптах: что на самом деле работает в AI в 2026

Привет, друзья!

7 июля 2026 года Wharton-профессор Ethan Mollick написал твит, который собрал 22 тысячи просмотров за несколько часов. Цитата дословно:

«Ещё до агентской революции промпт-трюки перестали быть очень ценными, как показали наши исследования. Лучший подход к AI сейчас — чётко прописать цели, формат выхода, что такое «хорошо» и «плохо», как тестировать результат... (да, это просто менеджмент)»

Вместе с твитом Mollick сослался на четыре технических отчёта Wharton Generative AI Labs, которые систематически тестируют всё, что prompt-engineering-культура продавала последние два года. Вежливые формулы, chain-of-thought, чаевые, угрозы и экспертные персоны.

Давайте разберёмся, что они нашли — и что это значит для всех нас, кто пишет в ChatGPT каждый день.

Что именно проверяли

Четыре отчёта, четыре разных семейства трюков:

• Отчёт 1: «Сложное и случайное». Сравнивали десятки популярных промпт-формулировок на бенчмарках GPQA и MMLU-Pro (фактологические задачи высокой сложности).
• Отчёт 2: «Уменьшающаяся ценность Chain of Thought». Тестировали, насколько фраза «думай шаг за шагом» реально помогает современным моделям.
• Отчёт 3: «Я заплачу или убью — но будет ли тебе дело?». Проверяли, работают ли мотивационные конструкции («я заплачу тебе чаевые» или «если ошибёшься, я тебя отключу»).
• Отчёт 4: «Игра в эксперта». Смотрели, помогает ли назначение модели экспертной персоны («притворись senior-разработчиком из Google»).

Главные выводы

Если свести все четыре отчёта к одному предложению: трюки не работают на сложных фактологических задачах. Ни один из проверенных приёмов стабильно не улучшал результат на GPQA и MMLU-Pro.

Это серьёзный удар по целой индустрии. Два года мы слышали «добавь вот это волшебное слово в промпт», «попроси модель думать пошагово», «назови её экспертом» — и покупали курсы, читали гайды, пробовали на своих задачах. Оказалось, что прирост от этих приёмов — это либо статистический шум, либо работает только на простых задачах, где и так понятно, что делать.

Из всех трюков единственный, что показывает хоть какую-то устойчивость — это chain-of-thought. Но даже он работает хуже, чем раньше: современные reasoning-модели уже умеют «думать» без явной подсказки, а на старых моделях CoT стоит дороже по токенам без пропорционального прироста качества.

Что работает вместо трюков

Mollick предлагает радикально простую вещь: менеджмент. То есть то же самое, что мы делаем с людьми на работе.

Вот чек-лист «спецификации» вместо «трюка»:

• Цель — что именно нужно получить на выходе. Не «напиши хороший текст», а «напиши пресс-релиз на 300 слов для B2B SaaS-аудитории в тоне Wired».
• Формат выхода — структура, длина, разделы. Markdown? Таблица? JSON? Список?
• Что такое «хорошо» и «плохо» — критерии качества. «Хорошо: есть конкретные цифры. Плохо: общие фразы про «в целом» и «как известно».
• Тесты — как я пойму, что результат правильный? Какие проверки можно автоматизировать?

Это звучит скучно. Никакой магии. Никаких особых слов. Но именно это, по данным Wharton, реально сдвигает результат на сложных задачах.

Почему это так очевидно, но мы этого не делали

Признайтесь честно: вы когда-нибудь писали «пожалуйста, будь предельно внимателен» в промпт для ChatGPT? Или «я заплачу тебе $100 за правильный ответ»? Или «притворись senior-разработчиком Google с 20-летним опытом»?

Я писала. Все писали. И все чувствовали, что это немного странно, но продолжали, потому что в гайдах обещали прирост качества.

Wharton просто провёл контролируемые эксперименты и показал, что прироста нет. Только расход токенов.

Причина, по которой мы цеплялись за трюки, понятна: они дают иллюзию контроля. Когда ты пишешь огромный промпт с десятью оговорками, ты чувствуешь, что управляешь ситуацией. Написать короткую спецификацию — это значит признать, что AI не подчиняется заклинаниям. Он работает как толковый сотрудник: ему нужны ясные задачи и проверяемый результат.

Что меняется в агентскую эпоху

Вот что особенно важно: аргумент Mollick становится ещё сильнее, когда мы переходим от чат-ботов к агентам.

Чат-боту можно простить расплывчатую задачу — он один раз ответил, и вы смотрите результат. Агент работает автономно, делает 20-30 шагов без вашего контроля. Если ему не дали чёткую спецификацию, он просто уйдёт в сторону и потратит ваши токены впустую.

Поэтому 2026 год — это момент, когда prompt engineering как искусство умирает, а prompt engineering как дисциплина расцветает. Не заклинания, а спецификации. Не магия, а управление.

Что делать прямо сейчас

Если вы пишете промпты для работы или бизнеса, попробуйте вот что:

1. Возьмите последний промпт, который вы реально использовали
2. Уберите все «пожалуйста», «будь внимателен», «притворись экспертом», «я заплачу тебе», «думай пошагово»
3. Вместо этого добавьте три вещи:
   • Точная цель (что должно получиться)
   • Критерии «хорошо/плохо» (как я пойму, что это оно)
   • Формат (структура, длина, разделы)
4. Запустите и сравните с прежним результатом

С высокой вероятностью новый вариант будет лучше, короче и дешевле.

Что в сухом остатке

Mollick сказал это одной фразой, и она стоит всех prompt-engineering-курсов вместе взятых:

«Лучший подход к AI — это просто менеджмент».

Цели. Критерии. Тесты. Формат. Всё. Никакой магии не нужно — нужна дисциплина. И это, пожалуй, самое полезное, что я узнала за последние полгода.

Попробуйте сегодня. Результат удивит.