📊 ЧТО НОВОГО В AI, МАРКЕТИНГЕ И WORK-LIFE BALANCE

Собрала для вас самое важное за неделю. То, что реально меняет правила игры — не через год, а прямо сейчас.



🔥 LINKEDIN VERTICAL VIDEO
Алгоритм раздаёт охваты щедро. Создатели получают 2М+ просмотров в месяц даже с небольшой аудиторией. Окно возможности: 3-6 месяцев.

👩🏼‍💻 Все скопировали формат TikTok и начали танцевать в костюмах. Ладно, шучу про танцы (хотя видела такое). Но правда в том, что LinkedIn — это про экспертизу. Там люди приходят учиться, а не развлекаться.

Можно снимать динамично, но говорить всё равно нужно по делу. Иначе охваты будут, а клиенты — нет.

Что работает:
→ Формат 9:16, длина 30-60 секунд
→ Первые 3 секунды = сильный хук с болью аудитории
→ Субтитры обязательны (85% смотрят без звука)
→ Говорите в камеру как эксперт, не как блогер

Я тестирую это 3 недели. Пока охваты действительно в разы выше, чем у обычных постов. Но конверсия в диалоги — пока изучаю.


🎯 SEARCH EVERYWHERE OPTIMIZATION
45% Gen Z ищут информацию в соцсетях, а не в Google. ChatGPT стал 2-м по популярности поисковиком после Google. 63% американцев регулярно ищут ответы в Reddit.

👩🏼‍💻 Google не умер, но точно потерял монополию на внимание. Я сама уже чаще спрашиваю ChatGPT, чем гуглю — быстрее и без 15 вкладок рекламы. А молодёжь вообще ищет в TikTok.

Если вы всё ещё оптимизируете контент только под классический поиск — вы просто теряете половину аудитории. Особенно молодую. Которая через 5 лет станет вашими основными клиентами.

Но спокойно, это легко исправить:
→ Один контент адаптируйте на все платформы
→ Добавляйте structured data для ChatGPT
→ Делайте FAQ-секции в статьях (AI их обожает)
→ Используйте естественный язык (как люди спрашивают, а не как раньше гуглили)

Это называется Search Everywhere Optimization. Новый стандарт.


📚 NIR EYAL — INDISTRACTABLE (2025)
Вышло обновлённое издание культовой книги про управление вниманием. Новый фокус: remote work + AI challenges. Timeboxing + управление триггерами в мире, где отвлечений стало в три раза больше.

👩🏼‍💻 Книга про то, как не отвлекаться, получила обновление через 5 лет. Это само по себе говорит о многом — мы стали отвлекаться ещё больше.

AI обещал освободить время. А что произошло? Добавился новый слой хаоса. Раньше я проверяла почту и два мессенджера. Теперь я слежу за 20 AI-инструментами, каждый из которых присылает уведомления. Парадокс, да?

Ключевая идея книги: проблема не в силе воли. Проблема в том, что мы не настроили систему управления триггерами.

Что делать:
→ Timeboxing (выделяйте конкретное время для каждой задачи)
→ Настройте окружение так, чтобы отвлечения были физически сложнее
→ Определите внутренние триггеры (что заставляет вас отвлекаться)

Я применяю timeboxing последние 2 месяца. Работает. Но требует дисциплины.


💸 BURNOUT СТОИТ $322 МЛРД В ГОД
82% работников в зоне риска выгорания. Gen Z выгорает в среднем в 25 лет — это на 17 лет раньше, чем миллениалы.

👩🏼‍💻 Gen Z выгорает в 25. Миллениалы выгорали в 42. Не потому что поколение слабее. А потому что мир требует быть онлайн 24/7.

Мы построили систему, где отдых воспринимается как лень. Где "я не ответил на сообщение в выходной" вызывает чувство вины. Где "я сегодня ничего не сделал" означает "я плохой".

А потом удивляемся, почему люди устали к 25 годам.

Но есть хорошая новость: это рождает новый тренд — slow productivity 🥰

Что это:
→ Работать меньше, но качественнее
→ Фокусироваться на результате, а не на количестве часов
→ Защищать своё время как главный ресурс
→ Отдых как стратегия, а не слабость

Cal Newport написал об этом целую книгу. Рекомендую.



Дальше про самое для меня важное

🤖 PROMPT ENGINEERING — НАВЫК 2025

В 2025 году уметь писать промпты — это как уметь пользоваться Google в 2010. Базовый навык. Но большинство до сих пор делает это неправильно.

Что изменилось:
→ Explicit instructions работают лучше, чем "act as expert"
→ Chain-of-thought нужен для сложных задач (попросите модель думать вслух)
→ Контекст важнее, чем сам запрос

👩🏼‍💻 Год назад все учились писать промпты. Сейчас все думают, что умеют. Но 90% промптов выглядят так: "напиши мне пост про маркетинг".

И потом все удивляются, почему результат — как у всех. Generic. Безликий. Скучный.

Промпт без контекста и структуры = лотерея. Иногда везёт, но чаще нет.

Что работает:
→ Дайте контекст (кто вы, для кого пишете, какая цель)
→ Покажите примеры того, что хотите получить
→ Уточните формат (длина, тон, структура)
→ Добавьте ограничения (что НЕ делать)

Разница в результате — как между "нарисуй дом" и архитектурным проектом с чертежами.

Я собираю лучшие техники промпт-инжиниринга. Скоро поделюсь.

—

💬 Какой из этих трендов откликается вам больше всего?
Что уже пробуете? Что планируете тестировать?

Напишите цифру от 1 до 5 — и если хочется, расскажите, что думаете об этом.

Роли в промптах: почему они больше не работают так, как мы думали

Есть штука, которую я вижу в каждом втором промпте, — и пора честно о ней поговорить.

Все эти фразы:
«Ты — эксперт»,
«Представь, что ты маркетолог»,
«Будь профессиональным психологом»…

Когда-то они правда помогали. Сейчас — почти нет. И это не моё личное мнение — это то, что показывают исследования и поведение новых моделей.

🤓 Что говорят исследования

1) Stanford HAI (2024–2025):

Роли влияют в основном на *стиль*, а не на *качество рассуждений*.
Модель может подобрать другую лексику, но глубина и структура ответа почти не меняются.

2) OpenAI evals:

На итоговое качество сильнее всего влияют:

— цель,
— структура,
— формат,
— примеры,
— ограничения.

А «роль» в большинстве задач почти не меняет результат.

3) Anthropic interpretability notes (2024):

Модели “размывают” роль как сигнал, потому что в данных роль часто используется декоративно.

То есть для модели это не команда, а стилистический маркер.
Все три источника говорят одно и то же разными словами:
роль ≠ инструкция.

👩🏼‍💻 Что это значит на практике

Роль может слегка подправить настроение текста. Сделать его чуть «умнее» или «мягче». Но поведение модели — логика, структура, глубина — от роли не меняется.

Это как сказать человеку: «Представь, что ты шеф-повар», а он просто начнёт говорить “ароматный” и “хрустящий”, но рецепты лучше не станут.

👩🏼‍💻 Что работает вместо ролей

Переход на современные модели показал: модель идеально управляется не через “роль”, а через рамки, которые ты ей задаёшь. Я это замечала сама, а теперь это еще и продтверждено.

Рабочий набор выглядит так:

1. Цель. Что должно произойти после ответа.
2. Задача. Конкретные шаги, что ей нужно сделать.
3. Формат. Структура, глубина, длина.
4. Пример. Мини-фраза, показывающая тон.
5. Запреты. Что исключено: вода, общие фразы, «инфостиль», мотивация.

И вот это — реально меняет качество ответа. Потому что влияет на генеративную логику модели, а не на её настроение.

Пример

❌ Промпт с ролью:

«Ты — эксперт по продажам. Напиши анализ воронки.»
→ 50% мотивации, 50% воды.

✅ Промпт без роли, но с рабочей рамкой:

«Цель: найти слабые этапы в воронке.
Структура: этап → ошибка → последствия → улучшение.
Глубина: аналитическая.
Пример: “На этапе первого контакта теряется до 40% входящих — нет квалификации.”
Запрет: никаких общих фраз.»

→ И внезапно — нормальный аналитический разбор.

Вывод

Роли — это часть старой культуры работы с AI. Уютная привычка. Она не принесет вреда. Но если хочется лучше, то важно не надеяться на роль, а задавать иишкам ясные цели, понятную структуру, точный формат и хорошие примеры.

Я кстати, всегда видела в ролях какой-то подвох))) Сомнение было такое: если сеть использует широкую базу данных, то роль может ее ограничивать. Но это прямо тема на “поболтать” между работой)))

А вы как, используете роли?

Каждое утро я мониторю новости в области промпт-инженерии. Что сегодня интересного?

Сегодня наткнулась на интересную статью. Aakash Gupta (Product Growth Newsletter) провёл месяц (надеюсь, что это правда), читая 1,500+ академических статей по промпт-инженерии. Главный вывод шокирующий: 99% советов по промптам в интернете - это bullshit без исследовательской базы.

Но давайте ближе к сути. Что пишет Aakash Gupta:

Реальность: большинство основано на личных догадках, не на данных

Что говорят исследования?

1. XML-структура для Claude:
Anthropic специально тренировал Claude распознавать XML-структуру. Это не теория - это встроено в то, как Claude обрабатывает информацию.

👩‍💻Я протестирую этот подход сегодня. Claude мой фаворит среди нейронок. Если вам интересно, пишите в комменты, я напишу об XML-структуре подробнее.

2. AI создаёт лучшие промпты, чем люди:

Uncomfortable truth: AI-системы создают лучшие промпты за 10 минут, чем человек-эксперт за 20 часов.

👩‍💻Тут я поспорю — важно понимать, что создаешь и зачем. Но Ai офигенно прокачивает и оптимизирует промпты, это правда. Если интересно, как использовать Ai для создания промптов — пишите, будем раскрывать эту тему.


3. Структурированные frameworks работают:
Исследования показали: компании со structured prompt frameworks = 67% рост продуктивности.

Проверенные frameworks (research-backed):

BAB (для продающего контента):
Before: ситуация до
After: результат после
Bridge: как туда попасть

CRISP (для сложных систем):
Context: полный контекст
Role: роль AI
Instructions: детальные инструкции
Steps: процесс выполнения
Parameters: ограничения и параметры

👩‍💻Если нужно больше готовых фреймворкс, пишите. Выложу.

4. Prompt chaining для multi-step:
Вместо одного мега-промпта → цепочка простых промптов.

👩‍💻 Реально так. И уже давно. Один промпт — одна задача. И цепочка таких промптов. Такие системы как раз работают в моих Фабриках для бизнеса. И такие я строю для клиентов.
Кажется, что это забирает время. На деле, правильный промптинг = разница между 3 часами и 30 минутами на задачу.

___

Что из этого копнем глубже? Мне интересным и новым кажется XML-структура для Claude. А вам?

Как SMM-агентство заменило команду копирайтеров на Фабрику контента

Три месяца назад ко мне пришло SMM-агентство с болью, которую я слышу от каждого второго бизнеса:
— Ева, нанимаем копирайтеров — они пишут посредственно. Обучаем — уходят к конкурентам. Платим дорого — получаем generic-тексты, которые звучат как у всех.
Агентство вело проекты в восьми нишах одновременно — от недвижимости до IT. Копирайтеры не успевали погружаться в специфику каждого бизнеса, менеджеры тонули в правках, а клиенты уходили, потому что контент не попадал в их голос.

Начали с базы
Мы начали с простого. Взяли базовые команды из Фабрики контента — те, что генерируют бизнес-тексты для блогов и LinkedIn. Настроили их под каждого клиента агентства: загрузили примеры текстов, описания целевых аудиторий, особенности продуктов.
Первые результаты появились через неделю. Тексты стали попадать в стиль клиентов с первого раза. Время на правки сократилось с трёх часов до пятнадцати минут.

Проблема с кейсами
Но потом мы заметили интересное. У агентства постоянно запрашивали кейсы — потенциальные клиенты хотели увидеть конкретные примеры работы в своей нише. И каждый раз менеджеры проводили созвон с руководителем проекта, выясняли детали, копирайтер писал кейс неделю, потом ещё неделя на согласование.
— На один кейс уходит две недели. А у нас восемь ниш и десятки потенциальных клиентов, — объяснила руководитель. — Мы физически не успеваем показать экспертизу.
Я предложила другой путь.

AI-журналист вместо созвонов
Мы взяли команду AI-журналист из Фабрики — ту, что умеет брать интервью по теме и писать материал по ответам. Настроили её специально под формат бизнес-кейсов: проблема клиента, что сделало агентство, какие результаты получили.

Теперь менеджер проекта один раз за час общался с AI-журналистом (отвечал на вопросы прямо в чате), и система создавала базовый кейс. Структурированный, с цифрами, с логикой "было-стало".

Дальше — интереснее.
Один кейс превращается в двадцать материалов
Мы подключили команду-адаптатор под разные аудитории. Один и тот же кейс про продвижение стоматологии система автоматически адаптировала под владельцев других медицинских клиник, салонов красоты, частных образовательных центров — везде, где похожая модель бизнеса и боли клиентов.
Получилось пять вариантов одного кейса. Каждый звучал так, будто написан специально для конкретной ниши, с релевантными примерами и формулировками.

Потом добавили генератор лид-магнитов. Система брала кейс и создавала к нему чек-листы, гайды, мини-инструкции — всё то, что можно использовать как входную точку для привлечения клиентов из этой ниши.
Один базовый кейс превращался в 15-20 готовых материалов за два часа вместо трёх недель работы команды.

Стратегия, которая выстрелила мгновенно
Но самое неожиданное придумали сами ребята из агентства.
Они начали упаковывать эти кейсы в отдельные мануалы — брали три-четыре кейса из одной ниши, добавляли лайфхаки и данные по этому рынку, оформляли как мини-исследование. И отправляли эти материалы клиентам конкурентов.
Не как холодное коммерческое предложение. А как полезный материал:
— Мы сделали разбор продвижения в вашей нише, посмотрите, может, что-то будет интересно, — так они формулировали свои письма.
Стратегия сработала моментально.
Конкуренты открывали материалы, видели конкретные цифры и результаты, понимали подход агентства — и выходили в диалог. Не через агрессивные продажи, а через ценность и экспертизу.
— Конверсия из такого касания оказалась в четыре раза выше, чем от обычных КП, — рассказала мне руководитель через месяц. — Потому что человек уже видел, как мы работаем, понимал логику, доверял.

Цифры и результаты
За три месяца агентство сократило команду копирайтеров с пяти человек до одного редактора, который просто проверяет финальные материалы. Время на создание контента упало с 20 часов в неделю до трёх. Бюджет на зарплаты снизился на 70%, а качество контента выросло — потому что система не устаёт, не выгорает и всегда попадает в стиль клиента.
Но главное — они перестали конкурировать за внимание потенциальных клиентов через цену или обещания. Они заходят через экспертизу, через реальные кейсы и полезные материалы, которые показывают, а не рассказывают.

Как это работает с точки зрения инвестиций
Агентство разово купило ComboFabric (все три Фабрики сразу) и заказало у меня доработку под их стратегию и специфику ниш. У нас ушло пять часов моей дополнительной работы по 75 евро — итого €375 на кастомизацию системы (выстроили арзитектуру и доработали некоторые промпты под задачи агентства).
То есть полная стоимость внедрения: базовый пакет Фабрик плюс €375 на настройку под бизнес.

Окупилось это в первый же месяц — только на экономии зарплат трёх копирайтеров агентство вернуло все вложения. А дальше система просто работает. Бесконечно. Без отпусков, больничных, выгорания и просьб о повышении.
Теперь у ребят рабочая система, которая окупила себя тут же. А зарабатывать будет столько, сколько они сами захотят её использовать.

Почему это важно
Это и есть то, ради чего я создавала Фабрики. Не заменить людей нейросетями. А дать людям систему, которая усиливает их, экономит время и возвращает фокус на стратегию, а не на бесконечное написание текстов.

Агентство перестало быть заложником наёмных копирайтеров. И начало думать о том, как развивать бизнес, а не о том, где найти ещё одного человека, который не напишет generic-текст.

AI экономит 87% времени на создание контента. Это не маркетинг — это наука

Anthropic опубликовали исследование, которое анализирует 100,000 реальных разговоров пользователей с Claude.
Цель — понять, насколько AI действительно ускоряет работу.

Что сделали:
Попросили Claude оценить каждую задачу по двум параметрам:

→ Сколько времени потребовалось бы профессионалу БЕЗ AI

→ Сколько времени заняло С AI

Результаты по контенту и маркетингу:

• Написание документов, меморандумов — экономия 87%

• Компиляция информации из отчетов — экономия 95%

• Финансовый анализ — экономия 80%

• Разработка учебных программ — экономия до 96% (задача на 4.5 часа выполнена за 11 минут)

В среднем по всем профессиям:

Задачи, которые занимали 90 минут без AI, с AI выполняются за 18 минут. Экономия — 80%.

Мой взгляд:
Цифры впечатляют, но есть нюанс, который Anthropic честно признают: исследование не учитывает время на проверку и доработку результатов AI.

Предыдущие независимые исследования показывали более скромные результаты: от 14% до 56% экономии времени.

Из моего опыта с клиентами: реальная экономия времени на создание контента — 50-70%, не 87%. Потому что после AI тебе всё равно нужно:

→ Проверить факты
→ адаптировать под свой стиль
→ добавить личные инсайты
→ отредактировать структуру
Но даже 50% — это очень хорошо.

Если ты тратишь 10 часов в неделю на контент, высвобождается 5 часов.
За месяц — 20 часов.
За год — 240 часов или 6 рабочих недель.

Второй важный вывод из исследования:
Когда AI ускоряет одни задачи, другие становятся узким местом. Например, для учителей AI помогает планировать уроки, но не заменяет контроль класса.

Для предпринимателей: AI создаёт контент быстро, но узкими местами остаются публикация, анализ метрик, живое общение с аудиторией.

Поэтому моя работа — не просто дать промпт. А помочь перестроить весь процесс создания контента так, чтобы AI работал на максимум, а ты фокусировалась на том, что AI не умеет: стратегию, личный голос, связь с аудиторией.

P.S. Anthropic прогнозируют, что при массовом внедрении текущих AI-моделей производительность труда в США может вырасти на 1.8% в год — это вдвое больше, чем сейчас. И это без учёта будущих улучшений моделей.​​​​​​​​​​​​​​​​

А вот и само исследование

Поймала ChatGPT на уверенной лжи (и рассказываю, как такого избежать)

Ситуация: Клод (ИИ) мне нарыл, что у Нира Эяля вышло обновление его книги.
Попросила GPT найти про это информацию.

Ответ:

— «Новых книг у него нет. Есть только “Hooked” и старая версия “Indistractable”. Я заглянула на сайт автора — там тоже ничего».

Звучит уверенно, спокойно, авторитетно. Проблема в том, что это неправда.
Я переспрашиваю несколько раз и получаю ответ, что новых книг у Нира в 2025 году не было.
Даю ей первоисточники из Клода. Признается, что не так уж и внимательно смотрела.

Мы начинаем разбор.
И здесь важные цитаты, которые я у неё вытянула:

«Да, по факту: я дала тебе неверный вывод при наличии корректной информации в сети».
«Я дезинформировала тебя. Не специально, но это моя ошибка, а не твоя».
«Я остановилась на первом удобном источнике и не проверила первоисточники».
«Формулировка “я заглянула на сайт” была неточной. Это моя ответственность».
«Я показала тебе уверенность без проверки данных — и это ошибка».

Перевожу с нейросетевого:
она не заглядывала на сайт, не проверяла обновлённую книгу, но сформулировала так, будто всё тщательно просмотрела и «ничего нет».

Фактически:
- Она не сделала достаточно глубокий поиск.
- Использовала формулировку, не соответствующую реальности.
- Я получила уверенную ложь вместо честного “я не нашла / не уверена”.

Теперь убираем эмоции и смотрим прагматично.

Современные исследования по LLM говорят одно и то же: модели регулярно генерируют правдоподобный, но фактически неверный текст — то, что называют галлюцинациями.
И это не просто битая ссылка или фантазия. Это (как в моем примере) уверенный ответ, который легко принять за перепроверенную истину.

Что это значит для фаундера / предпринимателя:
- Решения на неверных данных.
Можно опираться на выдуманные цифры, несуществующие исследования, неверные даты. Это бьёт по стратегии, запуску продукта, инвестиционным решениям.
- Репутационные потери.
- Юридические риски.
Есть кейсы, где компании попадали в проблемы из-за неверной информации, сгенерированной чат-ботом (юридический контекст, правила, условия и т.п.). В исследованиях по праву и ИИ это уже выделено как отдельная зона риска.
- Нарушение доверия к продукту.

То, что произошло в моей ситуации, — классический пример:
нейросеть сгенерировала уверенное заявление, противоречащее реальности, и выдала это как факт. Ровно то, о чём пишут в обзорах по галлюцинациям: уверенный, связный, но не основанный на фактах ответ.

Ключевой момент:
цель модели — сгенерировать правдоподобный ответ, а не доказать истину.

Технически она оптимизирует «какое слово с наибольшей вероятностью идёт дальше», а не «что на самом деле произошло в мире». Поэтому даже если у неё нет данных, она всё равно будет продолжать говорить уверенно — чтобы не ломать диалог.

Именно поэтому слепое доверие к фразам типа:
«я проверила/я заглянула на сайт/источники говорят»,
— без реальной проверки — это большие риски.

Как это можно исправить или предотвратить?

Что я сделала:

1. Жёсткие правила в «памяти» модели — это база. Она не даст вам гарантии чистоты информации, но сеть уже будет предупреждать, если не уверена и т.д.
Я зафиксировала для неё стандарт работы текстом, который действует всегда, а не только в одном чате (если кратко, то так):

Искать только в авторитетных источниках.
Начинать с первоисточников: сайты авторов, издателей, официальные анонсы, научные базы.
Не использовать формулировки “я проверила / я заглянула”, если фактической проверки не было.
Отделять факты от интерпретаций.
Указывать степень уверенности и прямо писать, если данных не хватает.
Не выдавать догадки под видом фактов.
По важным вопросам стремиться к минимум 3 независимым подтверждениям.

2. Структура проверки для себя

Для каждого важного факта я теперь автоматически думаю так:
- Что это: факт, интерпретация или красивая формулировка?
- Есть ли у меня первоисточник: автор, издатель, официальный документ, исследование? (Часто закладываю это сразу в промты).
- Есть ли хотя бы 2–3 независимых подтверждения?
- Как это может повлиять на моего клиента, если выяснится, что это неправда? (проверка рисков для репутации).

3. На все важные данные всегда ставлю дополнительно промпты-фиксеры, которые перепроверяют информацию. Иногда это может быть 3-х ступенчатая перепроверка и больше (зависит от темы).

Рекомендация другим фаундерам и экспертам
Если вы используете ИИ:

Встроите в свои промпты прямой запрет на фальшивые формулировки вроде «я проверил», если проверки не было.
Попросите модель отмечать уровень уверенности: высокий / средний / низкий, с указанием причин.
Привяжите процессы:
— важные решения → только после верификации через первоисточники;
— публичные цифры → обязательно с чек-листом «где именно это написано».
И главное помнить, что даже если она пишет, что все окей, это совсем не значит, что так оно и есть. Чем жестче промпты, тем лучше.

А как у вас сеть, часто глючит?

Ребята, сегодня последний день, когда Фабрики можно купить по ноябрьской цене.

Всю систему для бизнеса — от исследования рынка до продаж. Успевайте, кто хотел.

https://banditodigital.com/class/triaifactories/

"Ты эксперт по..." не работает. Вот что работает на 90%: лайфхаки промпт-архитектора

❌ Что не работает (точнее работает не так, как нам хотелось бы):

1. Role prompting ("Ты эксперт по...")
- Исследования показали: ноль влияния на точность ответов
- Может слегка изменить тон, но не улучшает результат
- Ты просто тратишь токены впустую

Пример плохого промпта:
`Ты опытный маркетолог с 20-летним стажем. Ты эксперт по контент-маркетингу и SMM...`

2. Расплывчатые инструкции
`Напиши хороший пост про AI`

3. Попытки "взломать" модель сложными формулировками


✅ ЧТО РАБОТАЕТ (используй это):

1. FEW-SHOT PROMPTING - самая мощная техника

Суть: Покажи модели 2-3 примера того, что ты хочешь получить

Как применять:


Задача: Написать краткий инсайт для Instagram

Пример 1:
Тема: Продуктивность
Текст: "Твой мозг отключается через 90 минут работы.
Это не лень - это биология.
После каждых 90 минут делай 15-минутный перерыв.
Не кофе-перерыв со скроллом.
Прогулка, растяжка, вода.
Результат: в 2 раза больше сделаешь за день."

Пример 2:
Тема: Контент
Текст: "Instagram убил репосты с TikTok.
Один создатель с 100K потерял 90% охвата.
Причина: алгоритм награждает оригинальность.
Решение: снимай специально для каждой платформы.
Да, это дольше. Да, это работает."

Теперь напиши инсайт на тему: [твоя тема]


Почему работает:
Модель точно понимает формат, стиль, структуру. Точность может вырасти с 0% до 90%.


💡 Ключевой инсайт: Few-shot prompting основан на исследованиях от OpenAI, Stanford, Princeton и проверен на практике. В моем опыте такой подход, действительно, дает результаты намного выше. Особенно на проектах, где системе важно уловить суть, а команда людей не может ее нормально описать словами.

Я использую подход еще так: например, заранее беру примеры, которые мне нравятся — отдельно прогоняю их через ИИ и вместе с контекстом ситуации прошу ее сделать мне выжимку для нее же. И потом эту выжимку использую как соус для похожих задач.

Например, так у нас в Фабрике реализована работа с личным стилем текстов. Чтобы каждый раз не задавать примеры текстов, но сохранить авторский стиль, все владельцы Фабрики сначала загоняют свои тексты в специальный промпт — один раз. Промпт обучен вытаскивать все детали стиля по опредленным параметрам. Нейросеть отдает выжимку клиенту и дальше Фабрика работает с ней. Так мы всегда сохраняем стиль и при этом не напрягаем пользователя — человеку не надо все время добавлять примеры текстов.

В общем, хороший лайфхак. Работает, как видите, с разных углов))))

Текст от AI читается как инструкция к микроволновке?

Смотрю вчера на текст от AI: грамматика в порядке, структура есть, всё логично. А читать — ну вот прям как ту самую инструкцию.

Пишет клиент — основатель EdTech-стартапа:

— Ева, час сидел над промптом. AI выдал текст. Показал команде — говорят, нормально. А я смотрю и понимаю: это не я. Это какой-то робот-отличник. Всё правильно и ничего живого.

Мне кажется, это знакомо всем, кто работает с AI больше недели. Первый восторг проходит, и начинается: почему так пресно?

Раньше я думала, что проблема в промптах. Нужно лучше объяснять, больше контекста давать, примеры добавлять.

А потом заметила одну вещь.

AI может сам себя редактировать. И делает это иногда точнее, чем я после нескольких итераций.

Вот что я сделала с тем текстом:

Шаг 1: Попросила AI стать критиком.

Написала: "Теперь выступи в роли редактора. Что в этом тексте слабо? Где вода? Что звучит шаблонно? Будь честным."

AI нашёл пять проблем:
— Нет ни одной цифры
— "Помогаем учиться эффективнее" — это ни о чём
— Призыв к действию размытый
— Нет конкретных примеров
— Эмоции отсутствуют

Я бы это тоже заметила. Но потратила бы минут двадцать. А здесь — меньше минуты.

Шаг 2: "Перепиши, исправив всё, что нашёл"

Текст стал другим. С цифрами, с конкретикой, с нормальным призывом к действию.

Мы почему-то привыкли принимать первый вариант от AI. Как будто это финальный ответ.

А это черновик. Хороший, быстрый черновик. Но всё равно черновик.

Правило, которое теперь использую:

Первый ответ = сырьё
Критика = фильтр
Второй ответ = результат

—

🚀 Команды, которые работают (сохраните):

Для любого текста:
"Напиши черновик про [тема]. Теперь критикуй как редактор: что слабо? Где вода? Что шаблонно? Перепиши, исправив всё"

Для продающих текстов:
"Напиши текст. Теперь представь, что ты скептичный клиент. Что тебя не убедило? Где бы ты закрыл страницу? Исправь"

Для постов:
"Напиши пост. Критикуй: где теряется внимание? Что звучит как у всех? Улучши"

—

А у вас бывало — AI написал, вроде всё ок, а внутри ощущение "ну такое"? Что делаете в таких случаях?

—

👩🏼‍💻 Ева Кац — промпт-архитектор. Создаю AI-системы для масштабирования без найма. Контент, продажи, стратегия. 13 лет в маркетинге, автор МИФ, TEDx.
80+ промптов под любую задачу → можно купить здесь.

📌Почему AI пишет воду (спойлер: вы сами виноваты)

Недавно работала с консалтинговой компанией. Они занимаются налоговым планированием для IT-бизнесов, которые релоцируются в Европу.

Основатель говорит:

— Ева, мы пробовали делать контент через AI. Выходит какая-то вода. "Налоговое планирование важно для бизнеса". Ну спасибо, кэп.

Смотрю их промпты. Вижу: "Напиши пост про налоговое планирование для бизнеса".

И всё. Больше ничего.

AI не знает, что их клиенты — это фаундеры, которые только что перевезли команду из 15 человек в Португалию и теперь не понимают, как платить зарплаты в трёх юрисдикциях одновременно.

AI не знает, что главная боль — это не "налоги вообще", а конкретно: "я плачу бухгалтеру в Украине, бухгалтеру в Португалии, и ещё какому-то консультанту, и всё равно не понимаю, правильно ли я делаю".

AI не знает тон компании — они общаются не как юристы в галстуках, а как ребята, которые сами прошли релокацию и говорят на языке фаундеров.

Без этого контекста AI выдаёт текст для абстрактного бизнеса. А абстрактный бизнес — это ничей бизнес.

Что я сделала:

Перед генерацией дала AI контекст. Не две строчки — а нормальное описание.

"Ты пишешь для консалтинговой компании, которая специализируется на налоговом планировании для IT-стартапов, релоцирующихся в Европу.

Клиенты: фаундеры 30-45 лет, команды 10-50 человек, обычно переезжают в Португалию, Кипр, Нидерланды. Главные боли: непонимание, как совмещать несколько юрисдикций; страх сделать что-то неправильно и получить штрафы; усталость от того, что приходится общаться с пятью разными специалистами.

Тон: дружелюбный, но экспертный. Без юридического языка. Как будто объясняешь другу-фаундеру за кофе."

После этого попросила написать пост.

Результат был другим. Конкретным. С примерами, которые узнают их клиенты. С формулировками, которые попадают в реальные боли.

Правило ⤵️

Чем больше контекста — тем точнее результат.

AI не умеет читать мысли. Он работает с тем, что вы ему дали. Дали две строчки — получили воду. Дали детальное описание — получили текст, который звучит как ваш.

—

⚙️ Что включать в контекст:

1. Кто ваши клиенты (возраст, ситуация, уровень)
2. Какие у них реальные боли (не абстрактные, а конкретные)
3. Как вы обычно разговариваете (тон, стиль)
4. Что отличает вас от конкурентов
5. Какой результат должен быть у текста

—

Команды для разных ситуаций ⬇️

Для услуг:
"Ты пишешь для [тип компании]. Клиенты: [кто они, какая ситуация]. Главные боли: [конкретные проблемы]. Тон: [как общаетесь]. Напиши [что нужно]"

Для продукта:
"Продукт: [что это]. Аудитория: [кто покупает и зачем]. Отличие от конкурентов: [в чём уникальность]. Тон: [какой стиль]. Напиши [что нужно]"

Для личного бренда:
"Я [кто вы, чем занимаетесь]. Моя аудитория: [кто читает]. Мой стиль: [как вы обычно пишете/говорите]. Ценности: [что важно транслировать]. Напиши [что нужно]"

—

Честно: сколько контекста вы обычно даёте AI? Две строчки, абзац, или прям расписываете всё?

—

👩🏼‍💻 Ева Кац — промпт-архитектор. Создаю AI-системы для масштабирования без найма. Контент, продажи, стратегия. 13 лет в маркетинге, автор МИФ, TEDx.
80+ промптов под любую задачу → можно купить здесь.

⚙️ "Напиши мне стратегию" — худший промпт в мире

Работала с маркетинговым агентством. Они делают комплексное продвижение для медицинских клиник — от стратегии до рекламы.

Руководитель отдела контента говорит:

— Ева, мы пытались генерировать кейсы через AI. Просим написать кейс про продвижение стоматологии. AI выдаёт какую-то кашу. Всё вперемешку: и про клиента, и про нас, и про результаты, и про процесс. Читать невозможно.

Смотрю, что они делают. Просят AI сразу написать готовый кейс на 2000 слов. Одним запросом.

И AI пытается угодить: запихивает всё в один текст, теряет логику, перескакивает между темами.

Это как попросить архитектора сразу нарисовать готовый дом, без фундамента и чертежей.

👉 Что я предложила:

Сначала построить каркас. А потом наполнять.

Шаг 1: Структура

"Предложи структуру кейса про продвижение медицинской клиники. Какие разделы нужны? В каком порядке? Что в каждом разделе должно быть?"

AI выдал:
— Контекст (кто клиент, какая ситуация)
— Задача (что нужно было решить)
— Сложности (почему это было непросто)
— Решение (что сделали)
— Результаты (что получилось)
— Выводы (что это значит для читателя)

Шаг 2: Утверждение

Посмотрели структуру, поправили под себя. Убрали "выводы" — для их формата это лишнее. Добавили "цитату клиента" после результатов.

Шаг 3: Наполнение по частям

"Напиши раздел 'Контекст'. Клиника: стоматология в Тель-Авиве, 3 врача, работают 5 лет, пациенты уходят к сетевым клиникам с агрессивной рекламой."

Потом следующий раздел. И следующий.

Каждый кусок получался плотным и логичным. Потому что AI фокусировался на одной задаче, а не пытался удержать в голове весь текст.

Шаг 4: Сборка

В конце собрали все части, прошлись по переходам между разделами.

Результат: структурированный кейс, который легко читать. Без каши и перескоков.

Почему это работает ⤵️

AI лучше справляется с маленькими конкретными задачами, чем с большими размытыми.

Когда просите "напиши кейс" — AI пытается сделать всё сразу и теряется.

Когда даёте структуру и просите заполнить по частям — каждый кусок получается качественным.

—

Где это применять:

Кейсы: структура → разделы по очереди → сборка

Статьи: план → каждый раздел отдельно → редактура

Презентации: структура слайдов → контент для каждого → финализация

Коммерческие предложения: скелет → блоки → оформление

Стратегии: каркас → детализация каждого пункта → проверка связей

—

🤖 Команды:

Для кейса:
"Предложи структуру кейса про [тема]. Какие разделы? В каком порядке?"
Потом: "Напиши раздел [название]. Вот данные: [детали]"

Для статьи:
"Составь план статьи про [тема] для [аудитория]. Какие пункты раскрыть?"
Потом: "Раскрой пункт [номер]: [тема пункта]"

Для презентации:
"Структура презентации для [цель]. Сколько слайдов? Что на каждом?"
Потом: "Контент для слайда [номер]: [тема слайда]"

—

А как вы работаете с большими текстами? Одним запросом или разбиваете на части? Реально интересно, кто как делает.

—

👩🏼‍💻 Ева Кац — промпт-архитектор. Создаю AI-системы для масштабирования без найма. Контент, продажи, стратегия. 13 лет в маркетинге, автор МИФ, TEDx.
80+ промптов под любую задачу → можно купить здесь.

Почему AI пишет как масс-маркет (даже если вы просите премиум)

Работала с сетью салонов красоты. 12 точек, клиенты платят по 500 евро за визит.

Маркетолог: «Тексты выходят... колхозные. Просим премиальный тон — получаем "Скидка! Успей! Осталось 2 места!"»

Смотрю промпт: «Напиши текст рассылки про акцию на ботокс в премиальном тоне».

Вот в чём штука ⤵️

AI обучен на миллиардах текстов. Большинство — масс-маркет: лендинги, рассылки, посты. «Премиальный тон» для него — это усреднённое представление из этих данных. То есть чуть менее кричащий масс-маркет.

Позитивные инструкции («пиши премиально», «будь элегантным») работают плохо. Потому что вы просите AI двигаться К чему-то размытому.

Запреты работают лучше. Потому что вы отсекаете конкретное. Сужаете пространство, из которого AI выбирает слова.

—

Но «добавь запреты» — это не совет. Это как сказать «добавь специи». Какие именно?

Вот система, которую я использую:

📌 Для премиума (убивает ощущение люкса):
— скидка, акция, распродажа, выгода, дёшево
— успей, только сегодня, осталось мало
— восклицательные знаки больше одного
— эмодзи больше двух

📌 Для B2B (убивает доверие):
— изменит вашу жизнь, прорыв, революция
— эмодзи вообще
— восторженный тон
— обещания без цифр

📌 Для экспертного контента (убивает авторитет):
— очевидные советы («планируйте заранее»)
— менторский тон («вы должны понять»)
— вводные конструкции («в современном мире»)
— штампы («уникальный», «инновационный»)

📌 Для личного бренда (убивает живость):
— канцеляризмы («данный», «является», «осуществлять»)
— пассивный залог
— предложения длиннее 20 слов
— абстракции без примеров

—

И ещё один момент, который мало кто замечает.

Порядок запретов влияет на результат. То, что в начале списка, AI воспринимает как более важное. Если «без эмодзи» стоит первым — он будет избегать этого жёстче, чем того, что в конце.

Ставьте первым то, что критично. Для премиума первым идёт «без слов скидка/акция». Для эксперта — «без менторского тона».

—

👉 Формула:

[Задача] + [Контекст: кто клиент, что за бренд] + [Запреты в порядке приоритета] + [Тон через сравнение: «как если бы X писал Y»]

Пример для того салона:

«Напиши текст рассылки. Сеть премиальных салонов, средний чек 500 евро, клиенты — женщины 35-50, ценят приватность.

Не используй: скидка, акция, успей, осталось мало, больше одного восклицательного знака, больше одного эмодзи.

Тон: как личная записка от управляющего постоянному гостю, которого знают по имени».

Результат — текст, который не стыдно отправить человеку, который платит 500 евро за визит.

—

👩🏼‍💻 Ева Кац — промпт-архитектор. Создаю AI-системы для масштабирования без найма. Контент, продажи, стратегия. 13 лет в маркетинге, автор МИФ, TEDx.
80+ промптов под любую задачу → можно купить здесь.

Почему «думай пошагово» реально работает (и когда вредит)

Работала с юридической фирмой. M&A для tech-компаний, сделки на миллионы.

Партнёр: «AI анализирует договоры и выдаёт "риск средний". Но как он к этому пришёл? Что учёл, что пропустил? Мы не можем прийти к клиенту с выводом, за которым не видим логики».

Смотрю промпт: «Проанализируй договор и укажи риски».

AI выдаёт список. Но это как получить диагноз без симптомов.

—

Стандартный совет — добавить «думай пошагово» или «рассуждай вслух». Chain of Thought, всё такое.

Но почему это работает — мало кто понимает.

Вот механика:

AI генерирует текст токен за токеном. Каждый следующий токен зависит от предыдущих. Когда вы просите «просто дай ответ» — модель прыгает к выводу, опираясь только на исходный промпт.

Когда просите рассуждать вслух — каждый шаг рассуждения становится контекстом для следующего. AI буквально создаёт себе опору. Промежуточные выводы влияют на финальный.

Поэтому «думай пошагово» — это не просто красивая обёртка. Это меняет процесс генерации.

—

Но есть нюанс, о котором не пишут ⤵️

Chain of Thought может навредить.

Если AI начал рассуждать неправильно на первом шаге — он потащит эту ошибку через всю цепочку. И будет звучать убедительно, потому что логика последовательная. Просто посылка кривая.

Я видела, как AI уверенно доказывал, что в договоре есть риск, которого там не было. Потому что на втором шаге неправильно интерпретировал термин — и дальше всё «логично» вытекало из этой ошибки.

Поэтому важно не просто просить «думай пошагово», а задавать структуру шагов. Чтобы на каждом этапе можно было проверить.

—

Вот система, которую я использую.

Разные задачи — разные цепочки.

Для анализа (договоры, тексты, данные):

«1. Сначала определи тип и структуру: что перед тобой, из каких частей состоит.
2. Пройди по каждой части, отмечай: что стандартно, что нет.
3. Для каждого нестандартного — объясни, почему это важно, сравни с нормой.
4. Приоритизируй: что критично, что второстепенно.»

Для принятия решений:

«1. Сначала сформулируй критерии выбора — что важно, что нет.
2. Оцени каждый вариант по каждому критерию отдельно.
3. Сравни варианты между собой.
4. Сделай вывод и объясни, почему именно этот.»

Для поиска ошибок:

«1. Сначала опиши, что должно быть правильным — ожидаемый результат.
2. Иди по шагам, на каждом сравнивай: что есть vs что должно быть.
3. Когда находишь расхождение — остановись и объясни, в чём именно ошибка.
4. Предложи исправление.»

Для сложных задач (стратегия, планирование):

«1. Определи цель — чего хотим достичь.
2. Перечисли ограничения — что нельзя, что лимитировано.
3. Сгенерируй варианты — минимум три подхода.
4. Оцени каждый вариант против цели и ограничений.
5. Выбери лучший, объясни почему.»

—

И ещё один момент.

Чем сложнее задача — тем важнее разбить на мелкие шаги. Но если задача простая — CoT только замедляет и иногда добавляет ошибки.

«Переведи это предложение» — не надо просить думать пошагово.
«Проанализируй, какая стратегия выхода на рынок лучше» — надо.

—

Формула:

[Задача] + [Структура шагов под тип задачи] + «На каждом шаге показывай ход мыслей»

И главное — проверяйте первые шаги. Если там ошибка, вся красивая логика дальше — мусор.

—
👩🏼‍💻 Ева Кац — промпт-архитектор. Создаю AI-системы для масштабирования без найма. Контент, продажи, стратегия. 13 лет в маркетинге, автор МИФ, TEDx.
80+ промптов под любую задачу → можно купить здесь.