Разберем, как использовать технику Chain-of-Thought для анализа и принятия решений. Почему фраза «подумай пошагово» не гарантирует качественный ответ. Шаблон промпта с декомпозицией, проверкой допущений и оценкой рисков. Практические примеры для продакт-менеджеров и аналитиков.
!!! Больше кейсов на канале “AI для продакта”
Бывает, что просишь нейросеть помочь с решением, а она отвечает мгновенно. Уверенно. Как будто уже всё обдумала.
«Да, это хорошая идея, потому что...»
Три абзаца аргументов, которые звучат разумно. Соглашаешься, забираешь в работу. А потом выясняется, что половину факторов она не учла. Или сделала выводы на допущениях, которые вообще не про твою ситуацию.
Проблема вот в чём. Модель не выстраивает рассуждение так, как это делает человек. Она оптимизирует текст на правдоподобие. Чтобы ответ выглядел убедительно. А убедительно и правильно — разные вещи. Если не попросить разложить задачу на части, проверить допущения, поискать слабые места — она этого делать не будет. Никто же не просил.
Приём, о котором все слышали
Есть известный трюк: попросить модель «подумать пошагово». В англоязычных материалах это называют Chain-of-Thought.
Идея простая. Вместо того чтобы сразу выдавать ответ, модель проговаривает промежуточные шаги. Как если бы стажер не просто сказал «надо делать так», а объяснил ход мысли.
И это помогает на задачах, где нужна логика — что-то посчитать, сравнить варианты, взвесить за и против — качество ответов растёт.
Но, одной фразы мало
Когда пишешь «рассуждай пошагово», модель начинает рассуждать. Вопрос — а как именно.
На простых задачах пошаговость раздувает ответ. Вместо короткого «42» получаешь три абзаца очевидных выкладок.
На сложных задачах модель рассуждает, но поверхностно. Перечисляет шаги. Не копает вглубь. Пропускает важное, потому что его явно не обозначили.
И ещё одна проблема, которая поначалу удивляет. Сам факт рассуждения не гарантирует правильный вывод. Модель может красиво расписать логику и всё равно прийти к ерунде. Потому что исходные допущения неверные. А проверять себя она не станет. Никто же не просил.
Это как сказать джуну «подумай хорошо перед тем, как отвечать». Он подумает. Но вряд ли сам догадается перепроверить свои предположения или прикинуть, что может пойти не так.
Что работает лучше
Вместо абстрактного «подумай пошагово» стоит задать конкретный план рассуждения.
Сначала — уточняющие вопросы. Если в задаче чего-то не хватает, пусть модель спросит, а не додумывает сама. Это отсекает кучу галлюцинаций на старте.
Дальше — декомпозиция. Пусть разложит задачу на части. Не «проанализируй, стоит ли делать фичу», а «определи, какие вопросы вообще нужно рассмотреть».
Потом — допущения. Что модель принимает как данность? Это сразу показывает, на чём строятся выводы. Где угадала, где промахнулась.
И обязательно - риски. Что может пойти не так? Какие аргументы против? Модель часто подстраивается под тон запроса и склонна соглашаться. Явный запрос на риски это компенсирует.
В конце — проверка. Не противоречит ли вывод исходным данным? Простой вопрос, но без него модель не перечитывает свой ответ.
Шаблон
Задача: [описание]
Если информации недостаточно - задай до 5 уточняющих вопросов, прежде чем отвечать.
Если информации достаточно:
1. Разложи задачу на подзадачи, что именно нужно рассмотреть
2. Перечисли допущения, что мы принимаем как данность
3. Укажи возможные риски или слабые места
Затем дай решение.
В конце проверь: не противоречит ли твой вывод исходным данным?
Как это выглядит
Допустим, нужно решить, стоит ли добавить в приложение экспорт в PDF.
Спрашиваешь напрямую — получаешь:
«Да, экспорт в PDF — полезная функция. Пользователи часто хотят сохранять документы для офлайн-доступа. Это повысит удобство и лояльность. Рекомендую добавить в ближайший релиз».
Звучит нормально. Но это не анализ, а пересказ очевидного. Модель не проверила, есть ли запрос. Не оценила сложность. Не посмотрела на альтернативы.
С шаблоном получается иначе:
«Уточняющие вопросы:
1. Есть данные о запросах на эту функцию из поддержки?
2. Какой контент нужно экспортировать — отчёты, таблицы, карточки?
3. Есть ограничения по срокам или ресурсам?»
[После ответов]
«Подзадачи: есть ли подтверждённый запрос; какие альтернативы уже работают; какова стоимость разработки относительно эффекта; как это соотносится с приоритетами квартала.
Допущения: предполагаю, что запросы в поддержку есть — нужно проверить; предполагаю, что у конкурентов функция есть — тоже проверить; оценка в 2-3 недели требует подтверждения от команды.
Риски: функция может быть нужна только 5-10% пользователей; генерация PDF технически сложнее, чем кажется — вёрстка, шрифты, размеры; может потребоваться поддержка разных шаблонов.
Рекомендация: прежде чем включать в план, проверить частоту запросов и провести быстрый опрос.
Проверка: выводы основаны на допущениях, которые требуют валидации. Противоречий с исходными данными нет.»
Во втором случае получаешь не мнение, а материал для решения. И сразу видно, что нужно проверить.
В копилку навыков
В статье про «воду» разбирали Definition of Done — как задать критерии качества, чтобы модель не отделывалась общими фразами. Сегодняшний приём про другое. Там задавали критерии для результата. Здесь — план для самого рассуждения.
В статье про анализ отзывов давали жёсткий формат вывода: таблица, цитаты с номерами. Логика похожая. Когда задаёшь рамку, модель перестаёт импровизировать. Там рамка была для вывода, здесь — для хода мысли.
Где применять
Для задач, где надо принять решение или оценить что-то неочевидное. Запускать ли фичу. Выбирать ли подрядчика. Менять ли стратегию.
Для простых вопросов это лишнее. Нужна формула или определение — спрашивай напрямую.
Но если модель отвечает за пять секунд и звучит уверенно — это сигнал. Скорее всего, она угадывает, а не анализирует. Стоит включить режим: вопросы, допущения, риски, проверка. Ответ превращается в рабочий материал, с которым можно двигаться дальше.
Частая ошибка - это писать «подумай пошагово» и ждать глубины. Модель послушно выдаст шаги, но очевидные. Без проверки допущений, без рисков. Хочется качественное рассуждение, тогда задавайте план явно.
!!! Больше кейсов на канале “AI для продакта”