Три года бизнес учили одному: дай модели роль, распиши контекст, приведи примеры, попроси думать шаг за шагом. Люди собирали подборки промптов, сохраняли шаблоны на все случаи жизни.

В 2026 половина этого арсенала работает против вас.

Что сломалось

В 2025-2026 вышла волна reasoning-моделей: o-серия у OpenAI, Claude Opus 4.7 в режиме глубокого размышления, GPT-5.5, Gemini 3 thinking. Принципиальное отличие в том, что такая модель сама прокручивает цепочку рассуждений внутри ответа. Ей не нужно говорить «подумай шаг за шагом» - она уже думает.

Старые приёмы появились не на пустом месте: модели поколения GPT-4 плохо удерживали задачу и им требовалась опора - роль, структура, примеры. Reasoning-модели эту опору строят сами.

Дальше начинается неприятное. Избыточная структура в запросе тянет за собой избыточную структуру в ответе. Просите развёрнутый пошаговый разбор - получаете развёрнутый пошаговый разбор там, где хватило бы двух предложений. Промпт на пятнадцать строк из чужой подборки заставляет модель отрабатывать все пятнадцать, включая те, что вашей задаче не нужны.

Что работает вместо этого

Центр тяжести сместился с инструкции на контекст и цель. Рабочая формула короткая:

Что на входе - данные, текст, ситуация. Что нужно на выходе - в каком виде и объёме. Одно ключевое ограничение - то, чего делать нельзя, или рамка, которую нельзя нарушать.

Всё. Без «ты - опытный маркетолог с двадцатилетним стажем», без просьбы дышать глубже и думать медленно.

Полезное упражнение: возьмите свой длинный промпт и вычёркивайте из него строки по одной, пока качество ответа не начнёт падать. Обычно выясняется, что работали две строки из двенадцати.

Почему чужие промпты не дают эффекта в компании

Это вторая половина проблемы, и она серьёзнее первой.

Промпт из подборки написан для абстрактной задачи. Он не знает вашего прайса, регламентов, истории переписки с клиентом, того, что вы не работаете с определёнными сегментами, и того, как у вас принято отвечать на возражения.

Поэтому на выходе получается правдоподобный текст «вообще», который сотрудник потом переписывает под реальность. Экономии не возникает - работа просто меняет форму.

Исследование MIT показало, что 95 процентов корпоративных пилотов с генеративным ИИ не дают измеримой отдачи, и одна из главных причин ровно эта: универсальные инструменты хороши для одного человека, потому что гибкие, но не учатся на процессах компании. Подробнее про то, где ИИ окупается, а где нет, я разбирал в отдельной статье.

Что делать бизнесу

Не собирать подборки. Собирать систему.

Один раз описать контекст компании - чем занимаетесь, для кого, что продаёте, какие ограничения. Этот блок подставляется автоматически к каждому запросу, а не копируется руками.

Дать модели доступ к своим данным. Прайс, база знаний, история обращений, документы. Тогда ответ строится на ваших фактах, а не на общих представлениях модели о вашей отрасли.

Зафиксировать удачные формулировки в процессе. Если промпт для разбора заявок работает - он должен жить в системе и применяться одинаково для всех, а не лежать в заметках у одного менеджера.

Проверять на своих примерах. Возьмите двадцать реальных случаев, прогоните, посчитайте, сколько ответов ушло без правок. Это единственная честная метрика.

Разница принципиальная. Промпт - это разовая просьба. Рабочая связка - это когда модель встроена в процесс, знает контекст и выдаёт предсказуемый результат каждый раз.

Если хотите понять, ваша задача решается промптом или нужна система - опишите её в двух предложениях в Telegram @viktdo. Отвечу честно: часть задач закрывается одной удачной формулировкой, и платить за внедрение незачем.

Когда промпт вообще не решение

Полезно понимать границу, чтобы не тратить время.

Не хватает данных, а не формулировки. Если модель не может ответить, потому что информации нет ни в запросе, ни в её памяти, - никакая формулировка не поможет. Нужен доступ к источнику.

Задача требует действия, а не текста. Записать клиента, выставить счёт, обновить статус в CRM - это работа интеграций. Промпт тут вообще ни при чём.

Цена ошибки высокая. Юридические выводы, медицинские рекомендации, финансовые решения. Модель готовит черновик, решение остаётся за человеком, и на этом экономия заканчивается.

Задача разовая. Написать одно письмо - просто напишите его в чате. Внедрение имеет смысл, когда операция повторяется десятки раз в день.

Коротко

Длинные промпты из подборок устарели вместе с моделями, для которых их писали. Reasoning-моделям нужен не сценарий рассуждения, а ясная задача: вход, формат результата, одно ограничение.

А в компании дело вообще не в формулировках. Пока модель не знает ваш контекст и не встроена в процесс, вы будете получать красивые тексты, которые кто-то потом переписывает.

Разберём вашу ситуацию

Напишите в Telegram @viktdo - посмотрю вашу задачу и скажу, где хватит правильной формулировки, а где нужна связка модели с вашими данными. Разбор бесплатный, обычно 15 минут.

Что делаем: интеграцию ИИ в процессы - ответчики на базе знаний компании, разбор заявок, обработка документов; чат-ботов для MAX, Telegram и VK одним сценарием. Прикинуть бюджет можно в калькуляторе.

BotKraft - студия чат-ботов и автоматизации: 5 лет на рынке, больше 300 проектов.