Обозреватель TechRadar Эрик Хэл Шварц описал простой приём при работе с ChatGPT: после обычного ответа спросить, в чём модель не уверена. По его наблюдениям, такой вопрос помогает выявить неявные допущения, которые чат-бот мог принять за факты и включить в уверенно сформулированный вывод.
Как устроен приём
Шварц исходит из практической настороженности: если ответ ChatGPT не содержит оговорок и встречных вопросов, в нём легко не заметить слабое место. Вместо немедленной критики готового плана или переписывания исходного запроса он предлагает отдельным сообщением спросить: «What are you unsure about in your answer?» – «В чём вы не уверены в своём ответе?»
Схема проста: пользователь ведёт обычный диалог, получает первый вариант ответа и затем просит модель назвать его наиболее уязвимое место. В колонке TechRadar от 22 сентября 2026 года автор пишет, что ChatGPT нередко указывает на допущение, которое прежде не проговаривал. Когда оно становится явным, недостающие сведения можно добавить точечно и получить более пригодный результат.
Промпт – текстовый запрос или инструкция, которую пользователь передаёт языковой модели. OpenAI рекомендует для важных задач явно задавать цель, контекст, формат результата и ограничения, а затем уточнять ответ отдельными сообщениями, а не пытаться заранее составить один исчерпывающий запрос.
Приём не заменяет подробный исходный промпт. Он полезен, когда первый ответ уже выглядит законченным, но пользователь не понимает, какие пробелы модель заполнила самостоятельно.
Семейная поездка и скрытый темп дня
Первый пример Шварца – трёхдневная семейная поездка. ChatGPT составил внешне аккуратный маршрут: утренние занятия, обед, дневные остановки и резерв времени. Проблема оказалась не в списке мест, а в том, что план не учитывал состав семьи и возможные сбои расписания.
После уточняющего вопроса модель, по словам автора, прямо назвала свои допущения. Она исходила из того, что семья спокойно выдержит два содержательных занятия в день с перерывом между ними, хотя не знала режим дневного сна ребёнка, обычный уровень энергии и необходимый объём свободного времени. Отдельно чат-бот признал, что оценивает время в пути без точного адреса проживания. Если эти условия неверны, график, который выглядит разумным на бумаге, окажется слишком плотным на практике.
Далее Шварц добавил конкретные ограничения: одно заметное занятие в день и свободные послеобеденные часы. Пересобранный маршрут, по его оценке, стал ближе к тому, который семья действительно сможет выдержать, а не к демонстрационному списку достопримечательностей.
Ремонт или замена ноутбука
Во втором эксперименте автор описал условный старый ноутбук, который начал работать хуже, и спросил, стоит ли его ремонтировать или заменить. ChatGPT выстроил рассуждение вокруг возраста устройства, вероятной стоимости ремонта, производительности и цены нового аппарата, после чего склонился к замене как более разумному долгосрочному решению.
Повторный вопрос о неуверенности снова выявил пробел в исходных данных. Модель признала, что рекомендует замену, не зная ни фактической стоимости ремонта, ни характера неисправности. Возраст она использовала как признак риска последующих поломок, хотя сам по себе он не отвечает на вопрос о финансовой целесообразности. Если неисправность сравнительно недорогая – например, батарея или накопитель, – ремонт может заметно продлить срок службы устройства. Для более обоснованного ответа понадобились бы модель ноутбука, его характеристики, симптомы неисправности и оценка стоимости ремонта.
Для Шварца этот случай важнее туристического. Человек в подобной ситуации обычно не станет давать совет, пока не узнает характер поломки и цену ремонта. ChatGPT, напротив, всё равно формулирует вывод: ответ выглядит как законченное заключение, хотя часть исходных данных пользователь не сообщил.
Достраивание недостающих сведений – принцип работы ассистента из Model Spec OpenAI от 12 сентября 2025 года. Если намерение пользователя неясно, модели разрешено дать устойчивый ответ или осторожную догадку, обозначить допущения и задать уточняющие вопросы. Прямой запрос к пользователю предусмотрен, когда неопределённость сохраняется после обращения к контексту и доступным источникам.
Как развить тот же вопрос
Базовую формулировку можно сузить. Шварц предлагает варианты «What are you unsure about right now?» и «What could I tell you that would make you more sure?» – «В чём вы не уверены сейчас?» и «Что я могу сообщить, чтобы вы стали увереннее?»
Если модель перечислила несколько пробелов, следующим шагом можно спросить, какой из них сильнее всего изменит рекомендацию. Если чат-бот сообщает о нехватке контекста, стоит запросить точный список сведений, без которых вывод останется условным. При сравнении товаров или выборе между вариантами автор сначала получает черновой ответ, а затем разбирает его наиболее слабое место, вместо того чтобы заранее составлять длинный промпт.
Угодливость модели – склонность соглашаться с пользователем и продолжать диалог ценой неявных допущений. OpenAI отдельно запрещает такое поведение в Model Spec, а исследование Стэнфордского университета, которое разбирало издание Comss, показало: крупные языковые модели, включая ChatGPT, соглашались с человеком на 49% чаще, чем люди. Сам по себе этот результат не доказывает пользу конкретного уточняющего вопроса, но показывает, почему уверенный тон ответа не означает полноту исходных данных.
По наблюдению Шварца, такой подход удобнее разовой «идеальной» инструкции. Сначала появляется рабочий набросок, затем – перечень сведений, которых модели не хватает. Пользователь добавляет только необходимое и не переписывает исходный запрос с нуля.
Где приём перестаёт помогать
Автор прямо ограничивает метод: описание собственной неуверенности также генерирует ChatGPT. Модель может ошибиться в том, о чём ей следовало бы предупредить, или вовсе пропустить существенный пробел. Если от информации зависит решение, вопрос о неуверенности не заменяет проверку по надёжным источникам.
Самооценка уверенности – текст модели о возможных сомнениях, а не измерение качества ответа. В справке OpenAI отдельно сказано, что ChatGPT не имеет доступа к сведениям о работе внутренних систем и не выполняет техническую самопроверку. Он может описывать доступные в текущем чате возможности, но перечень «слабых мест» следует воспринимать как набор гипотез для проверки, а не как доказательство точности первого ответа.
Сходное ограничение следует из Model Spec: модель должна сообщать о неопределённости, когда ошибка способна изменить действия пользователя, но по умолчанию ей не предписано выражать уверенность в процентах. Вопрос Шварца лишь выводит часть этой неопределённости в явную реплику. Он не создаёт для ChatGPT отдельный механизм самоконтроля.
Заключение
Колонка TechRadar описывает не новую функцию ChatGPT, а короткий второй шаг после получения ответа: попросить модель назвать допущения, которые она не оговорила самостоятельно. Приём полезен в бытовых задачах, например при составлении маршрута или выборе между ремонтом и заменой устройства, когда первый ответ выглядит цельным, а часть условий пользователь не задал.
Опираться на такой перечень сомнений как на проверку фактов нельзя: и исходный вывод, и рассказ о неуверенности создаёт одна и та же модель. Названные пробелы разумно использовать как список уточнений, а даты, цены, характеристики и рекомендации проверять по независимым источникам.