Як працювати зі ШІ: три навички, важливіші за готові промпти

Ви готуєте з ChatGPT текст для лендингу. Отримуєте привабливу пропозицію, а в ній – речення: «Дослідження показують, що 67 % клієнтів залишають кошик, коли не бачать вартості доставки заздалегідь». Цифра підходить ідеально: конкретна, переконлива, готова для заголовка. Є лише одна проблема: модель щойно її вигадала. Разом із дослідженням.

Якщо ви керуєте бізнесом або відповідаєте за маркетинг, то, ймовірно, перебуваєте в одній із двох ситуацій. Або вже використовуєте ШІ для комерційних пропозицій, дописів і листів – і час від часу ловите модель на вигадках. Або ще вагаєтеся, бо чули про галюцинації та не хочете осоромитися перед клієнтом текстом, у якому половина фактів хибна. Обидві позиції раціональні.

В обох випадках обмеження штучного інтелекту можна значною мірою контролювати. Для цього вам знадобляться три навички з цієї статті. Але спершу я маю показати, чому проблема не лише в машині. Вона ще й у нас.

Чому ми довіряємо машинам, які вигадують?

Нашу довіру до машин перевіряли задовго до того, як хтось почув про ChatGPT. У відомому дослідженні психологині Кетлін Мосьє (Kathleen Mosier) і Лінда Скітка (Linda Skitka) посадили професійних пілотів у авіасимулятор на маршруті Сан-Франциско – Лос-Анджелес. Мосьє присвятила кар’єру вивченню рішень екіпажів у кабіні й співпрацювала з дослідницьким центром NASA Ames. Скітка – соціальна психологиня, яка згодом стала відомою дослідженнями моральних переконань.

У симуляторі на пілотів чекала пастка: суперечливі сигнали про пожежу двигуна. Прилади показували займання лівого двигуна. Планшет з електронним аварійним чеклістом наказував вимкнути… правий.

Три чверті пілотів послухали автоматику. Прилади й підготовка підказували інше, однак 75 % екіпажів вимкнули справний двигун, бо так порадила система. У контрольній групі з паперовим чеклістом такої самої помилки припустилися лише 25 %.

Дослідниці назвали це явище упередженням автоматизації (automation bias). Коли машина щось підказує, людина перестає так само уважно самостійно шукати й опрацьовувати інформацію. Підказка перетворюється на короткий шлях: замість думати ми перевіряємо, що каже система, і рухаємося далі. Згодом Мосьє та Скітка описали два види помилок: пропуск – система чогось не помітила, тож і ми теж – та виконання – система наказала, тож ми зробили без перевірки.

Зі ШІ ми потрапляємо в ту саму пастку. Читаємо навскіс і пропускаємо вигадані дані. Або взагалі не замислюємося: система пропонує стратегію, а ми її виконуємо.

Та в дослідженні є й добра новина. Пілоти, які відчували особисту відповідальність за користування автоматикою, частіше перевіряли її підказки й робили помітно менше помилок. Усвідомлення, що ви користуєтеся автоматизованою системою, плюс відчуття, що саме вам доведеться підписатися під результатом, – із цього й почнемо. Далі потрібні три навички, які допоможуть утримати керування.

Перша навичка: знати, звідки модель бере знання

Щоб контролювати вигадки, потрібно зрозуміти, як модель узагалі «говорить». Механізм простіший, ніж здається.

Мовна модель робить по суті одну річ: передбачає наступний токен, тобто фрагмент слова. Отримує текст і оцінює, що статистично має з’явитися далі. Потім повторює. І ще раз. Уся красномовність ChatGPT виникає з двох чинників:

процес повторюється тисячі разів – навіть кілька разів для одного слова;
під час обчислення ймовірності враховуються десятки мільярдів параметрів. Людському мозку важко осягнути такий масштаб, тому він здається нам магією чи інтелектом.

Але знаєте що? Ви робите щось подібне. Коли говорите, то не плануєте речення до останнього слова – мозок подає наступні просто в процесі. Коли розповідаєте давню історію й не пам’ятаєте деталі, він непомітно вставляє щось правдоподібне. Якого кольору була орендована автівка? З’явиться вигаданий колір. Так само з ім’ям офіціанта чи сумою в рахунку. Психологи називають це конфабуляцією. Ніхто її не помічає, бо доповнення пасує до історії. Іноді не помічаємо навіть ми самі.

Модель конфабулює так само, токен за токеном. Поки передбачення спирається на те, що вона справді «бачила» – у тренувальних даних або в матеріалах, які ви їй дали, – результат тримається ближче до фактів. Та коли у знаннях є прогалина, модель не зупиняється з повідомленням про помилку. Вона продовжує й заповнює порожнечу статистично доречним змістом: правдоподібним числом, назвою звіту чи ім’ям експерта. Так і виникло моє «дослідження про 67 % покинутих кошиків»: модель знала, як у маркетингових текстах звучать статистичні дані, й згенерувала таке речення.

Андрій Карпатий (Andrej Karpathy), один із засновників OpenAI, називає моделі dream machines – машинами сновидінь. Галюцинування для них природне, а промптами ми лише спрямовуємо сни. Здатність вигадати статистику й здатність написати влучний слоган – той самий механізм. Не можна вирізати одне, не знищивши друге.

Якщо вигадки неможливо викорінити, залишається контроль. А він починається із запитання: звідки модель бере те, що вам каже? Джерел три, й кожне потребує від вас іншої поведінки.

Ваги моделі – те, що вона приносить із собою

Ваги – це стисла пам’ять усього, на чому навчали модель: мільярди сторінок тексту, перетворені на параметри. Звідси вона «знає» правила копірайтингу, формати дописів у LinkedIn і загальну інформацію про вашу галузь.

Практичний тест для кожного власника бізнесу: запитайте модель про власну компанію та конкурентів, але без доступу до пошуку в інтернеті. Ви одразу побачите, що міститься у вагах: іноді напрочуд багато, іноді нічого, а іноді – найнебезпечніший варіант – суміш правди й конфабуляції. Цей експеримент навчить вас про межі моделі більше, ніж чимало курсів.

Погана новина: ви не можете впливати на ваги. Коли користувачі говорять про «навчання власного ШІ», у 99,9 % випадків вони не мають на увазі зміну ваг моделі. Це дорогий і тривалий процес, який більшості з нас не окупиться.

Дві добрі новини. По-перше, модель завжди можна змінити: замінити ChatGPT на Gemini чи Claude. Ця можливість стане ще цікавішою біля третьої навички. По-друге, ваги – лише одне з джерел, на які спирається модель. Два інші ви вже можете змінювати.

Видимий контекст – те, що додаєте ви

Друге джерело у ваших руках: усе, що ви пишете чи вставляєте в розмову. Запитання, інструкції, документи, файли. Це робоча пам’ять моделі й найсильніший інструмент проти галюцинацій. Моделі, яка може цитувати, не потрібно вгадувати.

У щоденній роботі маркетолога це виглядає так. Готуєте пропозицію? Додайте прайс, опис послуги й два справжні відгуки клієнтів, замість припускати, що модель «щось знає» про компанію. Потрібні дописи для продажу? Прикладіть сторінку продукту й перелік типових заперечень із розмов відділу продажів. Хочете проаналізувати кампанію? Експортуйте дані та передайте файл, а не переказуйте цифри з пам’яті.

Наповнювати контекст буває нудно. Але в щоденній роботі зі ШІ це найефективніший відомий спосіб обмежити вигадки – і найкоротша дорога до текстів, що звучать як ваша компанія, а не як середнє арифметичне інтернету.

Знову погана й добра новина. Без практики ми кепсько заповнюємо контекст. Припускаємо, що модель знає те, чого знати не може, а потім сердимося через галюцинації. Добра новина: цю проблему розв’язують структури промптів. Це третя навичка.

Невидимий контекст – те, що модель знаходить сама

Третє джерело – найновіше й найпідступніше. Сучасні моделі можуть під час роботи звертатися назовні: шукати в інтернеті, читати сторінки, під’єднуватися до ваших інструментів через сервери MCP. Model Context Protocol дає моделі змогу зазирнути, наприклад, у календар, CRM чи поштову скриньку. Усе знайдене потрапляє до тієї самої робочої пам’яті, що й ваші інструкції. З однією різницею: ви не завжди бачите, як інформація туди потрапила.

Ви доручаєте дослідити конкурентів перед підготовкою пропозиції. Модель шукає в інтернеті й повертається з аналізом. На чому він ґрунтується? На галузевому звіті – чи на дописі з форуму від людини з твердими переконаннями та слабкими джерелами? Не перевірите – не дізнаєтеся. Тож виробіть звичку ставити контрольне запитання: «На яких джерелах ґрунтується ця відповідь? Покажіть список». Перегляд списку займає тридцять секунд. Надіслати клієнтові аналіз на основі форумної легенди коштує дорожче.

Практична порада: інструменти на зразок ChatGPT мають постійні інструкції, яких модель дотримується в кожній новій розмові. Додайте туди вимогу завжди показувати джерела.

Дослідники довіри до автоматизації Джон Лі та Катріна Сі називають це калібруванням довіри. Майстерність не в тому, щоб довіряти машині чи завжди їй не довіряти, а в тому, щоб знати, коли вона заслуговує на довіру. Три джерела дають просту шкалу. Відповідь із ваг сприймайте як думку начитаного знайомого: цікаво, але треба перевірити. Відповідь із ваших документів значно надійніша. Відповідь з інтернету настільки добра, наскільки добрі знайдені джерела, – перевірте їх.

І ще одна пастка. Дослідження співпраці зі ШІ виявляють парадокс пояснення: що плавніше й докладніше модель обґрунтовує відповідь, то більше ми їй довіряємо – незалежно від правильності. До людей ми ставимося так само: упевнене пояснення здається правдивішим.

Друга навичка: перейдіть від чату до файлів

Ця навичка вимагає змінити уявлення про роботу зі ШІ. Більшість людей зводить її до одного режиму – вікна чату. Ви ставите запитання, отримуєте відповідь, копіюєте у Word. Тим часом інструменти розділилися на три рівні, кожен для іншого типу роботи.

Режим чату – це розмова. Модель відповідає текстом, іноді створює зображення. Результат ви переносите далі вручну. Чудовий для мислення: мозкового штурму кампанії, ескізу пропозиції, тестування заголовків, навчання. Обмежений, коли результатом має бути файл, таблиця чи презентація.
Режим завдань – це робота безпосередньо з файлами. Модель отримує доступ до папки, документів та інструментів і замість розповідати, що можна зробити, просто виконує завдання. Приклади з маркетингу: отримує папку фотографій і CSV, повертає вісімдесят описів товарів. Отримує експорт із платформи розсилок, готує звіт із сегментацією та рекомендаціями. Перетворює запис розмови з клієнтом на нотатку, пропозицію й запис у CRM через MCP. Ви більше не кур’єр між чатом та рештою комп’ютера.
Режим коду дає моделі змогу не лише працювати з файлами, а й написати програму, що допоможе виконати ваше завдання. Для маркетингу назвімо це просунутим рівнем. Більшості з нас він не потрібен.

Проблема в тому, що кожен постачальник називає ці рівні по-своєму. Ось шпаргалка станом на липень 2026 року.

OpenAI

Рівень чату: ChatGPT
Рівень завдань: ChatGPT Work із липня 2026 року; раніше Codex
Рівень коду: Codex або ChatGPT Code

Google

Рівень чату: Gemini
Рівень завдань: Antigravity 2.0 із червня 2026 року; раніше Google не мав інструмента такого рівня
Рівень коду: Antigravity IDE й Antigravity CLI із червня 2026 року; раніше Gemini CLI

Anthropic

Anthropic «завжди» тримав усі три режими в Claude, хоча їхнє розташування теж часто змінюється.

Рівень чату: вкладка Home, режим Chat у розмові; до липня 2026 року – вкладка Chat
Рівень завдань: вкладка Home, режим Cowork; раніше – вкладка Cowork
Рівень коду: вкладка Code, фактично завжди

Цей список застаріє швидше, ніж хотілося б. Лише в червні та липні 2026 року майже кожен постачальник перетасував бренди. Назви й надалі змінюватимуться. Поділ чат–завдання–код залишиться, бо відповідає трьом справді різним типам роботи.

Чому перехід від чату до режиму завдань – окрема навичка, а не технічна дрібниця? Із двох причин.

Перша практична: різниця в продуктивності стрибкоподібна. У чаті ви просите текст звіту й самі форматуєте його абзац за абзацом. У режимі завдань отримуєте готовий файл, а модель дорогою сама переглядає вихідні матеріали в папці. Це різниця між диктуванням листа й делегуванням листування.

Друга причина психологічна. Дослідження Майкла Герліха 2025 року за участю 666 людей виявило зв’язок між частим використанням ШІ та слабшим критичним мисленням. Посередницьким механізмом було cognitive offloading – передавання розумових дій машині. Це звучить як аргумент проти ШІ, та висновок тонший. Проблема виникає, коли ми віддаємо машині мислення. Режим завдань дає змогу віддати їй інше – виконання.

Копіювання, форматування, вставляння й упорядкування файлів не потребують вашого інтелекту; це податок на мислення. Вдало використана автоматизація сплачує його за вас, залишаючи енергію для рішень: до кого ми звертаємося, що обіцяємо, чим відрізняємося? За однієї умови – ці рішення й надалі ухвалюєте ви. У режимі завдань контроль контексту стає ще важливішим, бо модель працює довше й самостійніше.

Третя навичка: будуйте промпти, а не колекціонуйте їх

Залишилася навичка, з якої починає більшість посібників, – а я навмисно залишив її наостанок. Промпт, написаний без розуміння джерел знань і режиму роботи, схожий на чудово сформульоване запитання, поставлене не тій людині й не в тій кімнаті.

Добрий промпт має принаймні три складники.

Роль. Коли ви пишете «Ви – досвідчений стратег електронної комерції», то не граєте в театр. Ви спрямовуєте модель у конкретну ділянку її хмари знань. У вагах тексти стратегів розташовані близько; роль допомагає отримати відповідь із цього сусідства, а не з усього інтернету, де про продажі висловлюються всі.
Завдання. Ви визначаєте результат: що має з’явитися, у якій структурі, для кого та якої довжини. Не «Напишіть щось про наш продукт», а «Напишіть три варіанти заголовка лендингу для людини, яка порівнює нас із конкурентами й боїться вартості впровадження».
Орієнтир. Найчастіше забутий складник: щось, що вибиває модель із письма «як у всіх». Приклад листа, який у вас спрацював. Уривок тексту у вашому стилі. Контрприклад: «Уникайте тону, в якому кожне речення звучить як слоган». Без орієнтира модель повертається до середини статистичного розподілу – усередненої мови інтернету, яку ваші конкуренти отримують із тієї самої моделі. Орієнтир каже: не звідти, а звідси.

Роль, завдання й орієнтир достатні для більшості щоденних потреб. Практичну логіку показую на шістнадцяти прикладах у статті про промпти ChatGPT для копірайтингу.

Для серйознішого завдання – комунікаційної стратегії, пропозиції ключовому клієнтові чи плану кампанії – раджу структуру CRIT, яку популяризував Джефф Вудс: Context, Role, Interview, Task, тобто контекст, роль, інтерв’ю, завдання.

Найцікавіший третій складник. У класичному промптингу ви вгадуєте, що потрібно моделі, й намагаєтеся вмістити все в одну інструкцію. CRIT міняє ролі: спершу попросіть модель взяти у вас інтерв’ю. «Перш ніж почати, ставте мені запитання – по одному за раз, – доки не зберете все необхідне». Модель запитає про те, чого ви могли не врахувати: хто ухвалює рішення з боку клієнта, що клієнт уже пробував, чому це не спрацювало.

Ви відповідаєте на запитання замість писати твір.

І ось ми повернулися до першої навички. Інтерв’ю заповнює видимий контекст, тільки тепер модель керує процесом і сама вказує на прогалини у власних знаннях. Замість конфабулювати відсутні факти вона запитує про них. Три навички з цієї статті – не окремі уроки. Це одна система.

Із чого почати?

Якби мене запитали, як працювати зі ШІ, і я міг би відповісти одним реченням, воно звучало б так: будьте пілотом, а не пасажиром. Пасажир сідає, довіряє й споживає результат. Пілот знає, звідки машина бере дані, обирає режим польоту й точно повідомляє, куди летимо. Із досліджень Мосьє та Скітки ми знаємо, що відрізняє добрих пілотів автоматизації: вони відчувають, що під результатом підписуються самі, а не машина.

На сьогодні три завдання – по одному для кожної навички:

Перше: запитайте модель без пошуку в інтернеті про свою компанію та конкурентів. Подивіться, що міститься у вагах. А перш ніж використати наступну відповідь у тексті для клієнта, запитайте: «Звідки ви це знаєте? Покажіть джерела».
Друге: дослідіть режим завдань. Відкрийте згадані інструменти або вкладки. Доручіть агенту завдання, результатом якого мають бути справжні файли, – наприклад, описи товарів із фотографій. Звикніть до такого способу роботи: за ним майбутнє.
Третє: візьміть промпт, яким користуєтеся найчастіше, і перевірте, чи має він роль, завдання та орієнтир. Якщо орієнтира немає – а зазвичай його немає, – додайте приклад тексту, який вважаєте вдалим.

Якщо хочете заглибитися, прочитайте, як працюють мовні моделі, або відразу переходьте до практики з 16 промптами для копірайтингу. Щоб відпрацювати процес із командою, перегляньте мої воркшопи. Живі сесії відбуваються англійською; матеріали можна локалізувати за домовленістю.