Фреймворк 4D: как перестать переписывать за нейросетью

Летом 2023 года нью-йоркский адвокат подал в федеральный суд документ со ссылками на шесть судебных решений, которых никогда не существовало: все шесть придумала нейросеть. Судья выписал штраф, история облетела все издания, и вывод из неё сделали удобный - машина врёт. Врёт она и правда регулярно, только человек в этой истории проиграл гораздо раньше, в тот момент, когда переслал сырой ответ дальше как готовый документ и не поставил между чатом и судом ни одной проверки.

Ты в суд ничего не подаёшь, у тебя другое: третье за утро переписывание письма, которое модель вроде бы написала правильно. Причина та же самая - задача ушла в чат наполовину. В сообщении было сказано, что сделать, и не было ни слова о том, для кого, в каком виде, когда считать готовым и чего трогать нельзя.

4D - фреймворк из курса AI Fluency: делегирование, описание, различение, добросовестность. Четыре вопроса про то, что вообще отдавать машине, как ей объяснить, как проверить сделанное и за что отвечаю я, когда работу выполнила модель. Правки после этого никуда не деваются, но становятся заметно мельче.

Если хочешь видеть, как это выглядит в ежедневной практике, загляни в закрытый канал ИИмперии - там каждый день что-то новое в работе с ИИ: разборы задач, готовые промпты и связки, шаблоны ролей цифровых сотрудников.

Почему ты переписываешь за нейросетью каждый второй ответ?

Потому что модель не знала, что здесь считается хорошим результатом. Ты это знал, но держал в голове, а в чат ушла одна строчка, и все пробелы модель заполнила самым вероятным вариантом - усреднённым, вежливым, ни для кого. Поломки при этом случаются трёх разных сортов, и лечится каждая своим способом.

Бывает, ответ верный, но чужой: формулировки не твои, ритм не твой, слова, которые ты в жизни не произносил. Здесь просело описание, потому что модель не видела ни одного твоего текста и не получила ни одного запрета.

Другая поломка выглядит противоположно: текст гладкий, читается прекрасно, а цифры взяты с потолка, условия договора пересказаны «в целом», ссылка ведёт в пустоту. Провалилось различение, ответ прошёл приёмку по первому впечатлению, факты никто не сверял.

Самый обидный случай - когда ответ и правильный, и красивый, только задача была поставлена не та. Ты попросил написать письмо клиенту, хотя решать надо было другое: работаем мы с этим клиентом дальше или закрываем сделку и идём к следующему. Сломалось делегирование на самом входе, машине досталась часть работы, которую стоило делать самому, и она честно её выполнила.

Внешне все три выглядят одинаково - ты садишься переписывать, - а 4D разводит причины по разным углам, и дальше чинится конкретное место вместо промпта наугад.

Что такое фреймворк 4D и чем он отличается от списка приёмов промптинга?

Delegation, Description, Discernment, Diligence, по-русски - делегирование, описание, различение, добросовестность. Все приёмы промптинга, которые ты когда-либо читал, целиком помещаются внутри второго слова, а остальные три описывают то, что происходит до запроса и после ответа.

Приёмы вылизывают одно сообщение, тогда как 4D работает с полным кругом: решил, объяснил, проверил, применил под своим именем. Безупречно сформулированный запрос ничего не спасёт, если задачу вообще не стоило отдавать машине, а самый точный ответ обернётся неприятностью, когда ты переслал его клиенту не читая.

Делегирование отвечает на вопрос, что я отдаю и каким инструментом; ломается оно там, где человек передал модели само решение вместо подготовки к нему. У описания вопрос другой: что сказать, чтобы тебя поняли, и здесь всё рушится, когда вместо задачи в чат уходит строчка. Различение занимается качеством ответа, и его типичный провал - оценка «звучит убедительно». Добросовестность выясняет, чья под результатом подпись, и подводит в тот момент, когда работа уходит наружу без второй пары глаз. Первые пару недель держи эти четыре слова на виду: как только рука тянется переписать ответ, сначала назови шаг, на котором недоработал ты сам.

Делегирование: что отдавать модели, а что оставить себе?

Отдавай то, где понятно, что значит «готово», и где много механики: черновики, структурирование, поиск по собственным документам, перевод из формата в формат, разбор сырых данных. Себе оставляй вкус, доступ к людям и подпись - финальные решения, переговоры, приоритеты, обещания клиенту. Границу проводит цена ошибки, а сложность задачи тут вообще ни при чём: выдумать красивое КП модели легче, чем правильно сложить два столбца в таблице.

Перед тем как открыть чат, ответь себе на два вопроса. Первый: что именно я хочу получить. Фраза «помоги с рассылкой» не задаёт ничего; из формулировки «письмо на 900 знаков, которое вернёт в диалог тех, кто был на демо и пропал» уже понятно, что делать. Когда результат не называется одной фразой, модель угадает его тем более.

Дальше стоит прикинуть, кто справится лучше. Иногда лучше справляется таблица, скрипт или живой человек. Разбор в материале о том, с каких задач вообще начинать автоматизацию рутины, помогает не тащить в ИИ то, что дешевле закрыть регламентом на полстраницы. Полезно заранее знать и места, где модель системно плывёт: точный счёт, свежие события, твои внутренние цифры. Честный список таких мест собран в статье о том, чего нейросеть не умеет, и прочитать его лучше до того, как доверишь ей отчёт для банка.

Отдельно решается, чем именно делать: для длинных документов удобнее одно, для коротких быстрых задач другое, а практическое сравнение есть в разборе, что выбрать под конкретную задачу - Claude или ChatGPT. Если ты подходишь к этой модели впервые, начни с базового объяснения, что такое Claude и чем он отличается.

Эта статья закрывает один вопрос: как перестать переписывать за моделью на уровне отдельной задачи. В общей картине 4D стоит в самом начале, потому что без него не собирается ни один цифровой сотрудник: регламент роли - это и есть записанные делегирование, описание и правила проверки. Если хочешь пройти путь целиком и по порядку, можно забрать бесплатное обучение - доступ приходит по почте, материал открывается сразу.

Как разделить одну задачу между собой и моделью?

Внутри одной задачи работу делят по-разному, и выбор зависит от того, насколько ясно ты сам представляешь результат.

Автоматизация выглядит как «отдал и забрал готовое». Она работает там, где формат устоялся и результат легко проверить: расшифровка встречи, свод таблицы, черновик по шаблону. На новой задаче, где ты сам ещё не понял, чего хочешь, этот режим буксует.

В соавторстве вы идёте диалогом: набросок, вопросы, правка, финал. Так делают стратегию, позиционирование, тяжёлое письмо, разбор конфликта. Тот же диалог съедает лишние двадцать минут, когда тебе нужен объём: сто описаний товаров через беседу никто не делает.

При агентском режиме модель сама планирует шаги и ходит в файлы и сервисы. Он годится для повторяемого процесса с обратимыми действиями и опасен там, где кнопку не нажать обратно: платежи, отправка клиентам, удаление данных.

Чаще всего люди берут автоматизацию там, где нужно соавторство: кидают строчку про новую услугу, получают общий текст, злятся и переписывают. Правильный ход был противоположный - пять минут, где вопросы задаёт модель, а отвечаешь ты, и тогда у неё на руках оказываются твои мысли вместо догадок о них.

Обратная ошибка тише, но обходится дороже. Человек ведёт двадцатиминутную беседу с моделью о том, что объяснял ей уже трижды за неделю, и такая беседа означает всего лишь ненаписанный регламент. Про то, когда пора переходить от разовых запросов к постоянно работающей схеме, есть разбор темы ИИ-агентов для бизнеса.

Описание: что именно сказать, чтобы не переписывать?

Рабочее описание держится на контексте, форме результата, признаке готовности и границах. Убери любое из четырёх, и модель подставит туда усреднённое.

Контекст начинается там, где заканчиваются общие слова: «мы продаём курсы» одинаково подходит школе английского и MBA за миллион. Нужны продукт, цена, для кого он, какое возражение звучит чаще остальных, на какой стадии находится человек. Пока ты не описал свой бизнес, модель о нём ничего не знает. Когда контекст повторяется из задачи в задачу, ему место в отдельном документе, и как это сделать, разобрано в материале про то, как дать нейросети базу знаний.

Форму результата называй числом и структурой: таблица из пяти колонок, письмо на 900 знаков, три варианта заголовка по 60 символов. Просьба «напиши покороче» превращает ответ в лотерею, где ты проигрываешь каждый раз.

Признак готовности меняет ответ сильнее, чем целый абзац инструкций по стилю, потому что у формулировки «готово, если менеджер может отправить это клиенту без правок» есть точка, до которой надо дойти, и модель в неё целится.

В границы идёт всё, чего нельзя: выдумывать цифры, обещать сроки, использовать слова из чёрного списка, ссылаться на несуществующие материалы. Отдельной строкой пропиши поведение при нехватке данных - «не хватает информации, спроси, не додумывай». По опыту эта строка заметно сокращает количество выдумок в ответе.

Образцы стоят особняком. Приложи пару своих текстов и скажи: держи этот тон. Свой стиль почти невозможно описать словами, выходит гороскоп, а показанный пример модель считывает сразу.

Как выглядит рабочее описание задачи на примере коммерческого предложения?

Разница видна на одной задаче: после первого запроса ты перепишешь текст целиком, после второго подправишь два места. Вот короткий вариант, ради которого всё и приходится переделывать:

Напиши коммерческое предложение для клиента на внедрение ИИ.

Рабочий вариант, цифры здесь выдуманы для примера, подставляй свои:

Контекст: мы внедряем ИИ-ассистента в отдел продаж. Клиент - производственная компания, отдел продаж из шести менеджеров. Мы созванивались, боль клиента в том, что менеджеры подолгу заполняют CRM после звонков. Решение о покупке принимает коммерческий директор, бюджет согласует собственник.

Задача: напиши коммерческое предложение на одну страницу со структурой - боль словами клиента, что мы делаем по шагам, что меняется в работе менеджера, что нужно от клиента, следующий шаг.

Границы: не придумывай цифры экономии и сроки окупаемости, вместо них опиши, что именно перестанет делать менеджер руками. Не используй слова «инновационный», «уникальный», «революционный». Цену не указывай, её обсуждаем отдельно.

Готово, если коммерческий директор прочитал за две минуты и понял, что мы предлагаем и что делать дальше. Если данных для какого-то блока не хватает - задай вопросы, не додумывай.

Второй вариант дольше набирать, зато правка после него короче, и главное - он переиспользуется: меняешь блок с контекстом, всё остальное остаётся на месте. Так разовый промпт превращается в шаблон, а шаблон со временем обрастает поправками, которые ты внёс руками в прошлые пять раз.

Для документов, которые ты потом правишь и возвращаешь в работу, удобнее, когда ответ приходит отдельным редактируемым документом рядом с чатом, механика описана в статье про то, как артефакты превращают ответ в рабочий документ. Та же логика описания работает и на подготовке к разговору: как собрать контекст перед звонком, разобрано в материале про подготовку к продающему звонку.

Различение: как отличить красивый ответ от правильного?

Различение сводится к привычке смотреть на ответ с трёх сторон: сам текст, ход работы и поведение модели в диалоге. Беглое чтение проверяет только первую сторону, да и ту вполсилы.

Главный враг здесь гладкость: хорошо написанная неправда проходит внутренний фильтр легче, чем криво написанная правда, и ровно на этом погорел адвокат из первого абзаца, выдуманные дела выглядели точно как настоящие. Поэтому цепляй проверку к тому, что сверяется с источником, а ощущение убедительности вычитай из оценки полностью.

Порядок для делового текста несложный. Сначала выпиши из ответа всё проверяемое - числа, названия, даты, ссылки на условия - и сверь каждое. Число без источника не идёт в документ, каким бы красивым оно ни было. Дальше проверь, следует ли вывод из написанного выше, потому что модель умеет строить красивый мостик там, где связи нет вообще. Потом вернись к собственному описанию и посмотри, что она пропустила: четыре пункта из пяти делаются молча, без всякого предупреждения. Напоследок перечитай текст на предмет слов, которые ты бы клиенту никогда не сказал.

С цифрами история отдельная. Модель хорошо объясняет, как считать, и плохо считает в длинных цепочках, поэтому таблицы отдавай вместе с формулами и проси расписать расчёт по шагам, чтобы итог можно было пересобрать самому. Как это устроено на практике, разобрано в материале про работу Claude с таблицами и формулами. Для аналитики полезно заранее понимать, какие вопросы вообще стоит задавать данным, потому что плохой ответ обычно начинается с плохого вопроса.

Как проверить, на чём модель строила ответ?

Заглядывать в ход работы приходится там, где результат не сверить глазами за минуту: расчёты, выбор из вариантов, разбор длинной переписки. Ты просишь модель показать, на чём она стояла, откуда взяла каждый вывод и что осталось догадкой, и это обходится дешевле, чем перепроверять всё заново.

Формулировка «покажи, на какие места в документе ты опираешься» заставляет привязать каждый вывод к цитате. Если цитаты не нашлось, значит, вывод придуман, и видно это сразу.

Когда просишь отметить, что здесь факт из твоих данных, а что предположение модели, домысел перестаёт лежать рядом с фактом одним шрифтом, как будто они равны.

Ещё полезно спрашивать, где она меньше всего уверена и что проверила бы первым: получается готовая карта мест для твоей собственной проверки, и внимание не уходит на то, что и так надёжно.

Хорошо работает второй проход. Первым сообщением модель делает работу, вторым ты просишь её же разнести сделанное по конкретным критериям. Отдельный запрос на критику даёт больше, чем просьба сделать сразу хорошо, потому что автор и редактор - разные роли, и внутри одного сообщения они мешают друг другу.

Стоит следить и за поведением в долгом диалоге. Через два десятка сообщений модель начинает поддакивать и повторяться, признак железный: ты пишешь «мне кажется, тут не так», и она мгновенно меняет позицию, не приводя ни одного нового аргумента. Такое согласие означает усталость контекста, лечится оно новым чатом и чистым описанием. Как вытаскивать из длинных переписок решение вместо пересказа, разобрано в статье о том, как превратить переписку в решение.

Добросовестность: за что ты отвечаешь, когда работу сделала модель?

Отвечаешь ты за всё, что ушло наружу под твоим именем, и разбирательства на эту тему уже были.

В 2024 году канадский пассажир поехал на похороны, поверив чат-боту авиакомпании, который выдумал правило о возврате части стоимости билета. Деньги ему потом не вернули, он пошёл в трибунал, и там представители перевозчика всерьёз доказывали, что чат-бот отвечает за свои слова сам, как отдельное лицо. Трибунал такой аргумент не принял и обязал платить компанию.

Добросовестность распадается на данные, прозрачность и применение, и ни одна из трёх частей не делегируется.

С данными разбираются до загрузки файла: посмотри, что в нём лежит - персональные данные клиентов, коммерческая тайна партнёра, сканы паспортов. Всё это обезличивается перед отправкой, имена меняются на «Клиент А», реквизиты убираются, структура остаётся. Большинству задач хватает именно структуры документа, настоящие фамилии там модели не нужны.

Прозрачность внутри команды держится на простом правиле: все знают, какие тексты проходят через модель и на каком этапе. Снаружи всё зависит от жанра. Черновик письма, который ты вычитал и переписал под себя, помечать незачем, а вот экспертное заключение, которое клиент читает как твою личную работу, - разговор совсем другой.

Обратимое действие можно доверить машине, необратимое проходит через человека: отправка КП, подписание договора, публикация, платёж, ответ на претензию. Модель, кстати, отлично вылавливает в договоре опасные формулировки, и именно так её и стоит использовать, механика разобрана в материале про то, как вычитывать договор. Подписывать и торговаться всё равно тебе, вместе с последствиями.

Есть и тихий риск, о котором не пишут в инструкциях, - привыкание. Когда модель три месяца подряд выдаёт нормальные ответы, ты перестаёшь читать внимательно, и ошибка проходит именно в этот момент, на девяностый день. Поэтому в регламент стоит зашить выборочную проверку: раз в неделю берёшь один готовый результат и разбираешь его так, будто видишь модель впервые.

Как 4D превращается в регламент цифрового сотрудника?

Регламент роли - это те же четыре шага, только вынутые из головы и записанные. Делегирование превращается в зону роли: какие задачи она берёт, что передаёт человеку, каким инструментом работает. Из описания получается файл с контекстом компании, шаблонами запросов под типовые задачи и образцами тона. Различение живёт в чек-листе приёмки, где перечислено, что сверяем, где модель обычно врёт и что считается готовым. Для добросовестности отводят правила по данным и короткий список того, что не уходит наружу без человека.

Как только это записано, роль перестаёт жить в голове одного человека: новый сотрудник открывает документ и работает так же, как ты, потому что вместе с доступом к чату он получает контекст и критерий приёмки. Что вообще входит в такую роль и чем она отличается от «просто чата», разобрано в материале про то, что такое цифровой сотрудник. Трезвый взгляд на пределы этой идеи собран в статье про цифрового двойника сотрудника: роль воспроизводит участок работы, до человека целиком ей далеко.

Дальше роли собираются в процессы, и вот на этом уровне уже видно, где у тебя на самом деле утекает время. Общую карту участков можно посмотреть в разборе автоматизации бизнес-процессов с ИИ.

Где 4D ломается и что делать, если переписывание не уходит?

Схема бессильна в трёх ситуациях: когда у тебя самого нет представления о хорошем результате, когда контекст раздут и модель теряет середину, когда нужного знания нет ни в модели, ни в твоих файлах. Промптом это не чинится, чинится источником данных или твоим собственным решением.

По симптомам разложить проще всего так:

Симптом	Какой шаг просел	Что делать
Ответ верный, но звучит чужим голосом	Описание	Приложить свои тексты и список запретных слов
Каждый раз объясняешь одно и то же заново	Описание	Вынести контекст в отдельный документ и подключать его
В тексте появились цифры, которых ты не давал	Описание и различение	Строка «не выдумывай данные, задай вопрос» плюс сверка чисел руками
Задача была не та, хотя ответ хороший	Делегирование	Сформулировать результат одной фразой до открытия чата
К концу длинного диалога модель соглашается со всем	Различение	Новый чат с чистым описанием, ключевые выводы перенести руками
Результат ушёл клиенту с ошибкой	Добросовестность	Наружу только через человека
Из пяти пунктов сделаны четыре	Различение	Сверять готовое с собственным списком пунктов

Бывает и так, что правки не уходят, сколько описание ни улучшай. Тогда честный вывод один: эта задача пока не делегируется. Так случается с работой, где результат определяется твоим вкусом, а вкус в слова не переводится, и с задачами, где входные данные вообще нигде не записаны и хранятся в головах людей. Здесь стоит отдать модели подготовку - собрать материал, накидать варианты, задать тебе неудобные вопросы, - а решение оставить себе.

Не всякую рутину надо тащить в языковую модель. Часть задач дешевле закрыть формулой или скриптом, и сравнение подходов есть в материалах про макросы против ИИ в Excel и про то, что реально автоматизируется на Python.

Как внедрить 4D за неделю, не останавливая работу?

Перестраивать всю работу не нужно. Возьми одну задачу, которая повторяется чаще остальных, доведи её до шаблона, потом займись следующей. Через месяц вместо россыпи случайных чатов у тебя будет набор рабочих описаний.

Условие к задаче одно: она возвращается минимум раз в неделю, и результат можно проверить - отчёт, письмо, разбор заявок, описание товара. Дальше пропиши одной фразой, что должно получиться и кто это читает, и отдельной строкой то, что в этой задаче ты не отдашь никогда. Собери описание из контекста, формы, признака готовности, границ и пары образцов, а потом сохрани его файлом, потому что в истории чата оно умрёт вместе с чатом.

Следующим шагом сделай чек-лист приёмки, короткий, потому что длинный не выполняет никто, включая тебя: что сверяем с фактами, где модель обычно врёт, что означает «готово». Прогони задачу несколько раз подряд и после каждого прогона дописывай в шаблон то, что пришлось править руками. В конце реши, что можно отправлять сразу, а что уходит только после твоей подписи, и решай это на холодную голову, пока над тобой не горит клиент в пятницу вечером.

Хороший первый кандидат - повторяющаяся сводка: формат жёсткий, критерий понятный, результат виден сразу. Как её собрать, описано в материале про ежедневную сводку на одну страницу. Если задача пока не выбрана, помогает список из разбора семи задач для малого бизнеса или более широкий обзор того, какие задачи вообще закрывает ИИ-ассистент. Со временем меняется сам характер правок: переписывание с нуля уступает место паре тронутых абзацев, и ради этого схему и заводят.

Источники

• AI Fluency: Framework & Foundations - Anthropic - описание фреймворка 4D от авторов курса.
• Anthropic Academy - бесплатные курсы, включая AI Fluency.
• Prompt engineering overview - Claude Docs - официальная подборка приёмов формулировки задач.
• Be clear, direct, and detailed - Claude Docs - про то, почему контекст и критерий готовности решают больше, чем длина промпта.
• Use examples (multishot prompting) - Claude Docs - как образцы задают тон и формат ответа.
• Let Claude think (chain of thought) - Claude Docs - основа для проверки того, как модель пришла к выводу.
• Anthropic Usage Policy - границы допустимого использования, полезно при работе с чужими данными.
• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv) - исследование, из которого выросла практика пошагового рассуждения.
• Language Models are Few-Shot Learners (arXiv) - работа, показавшая силу примеров в запросе.
• NIST AI Risk Management Framework - рамка управления рисками ИИ, из которой удобно брать логику ответственности за применение.
• Automation bias - Wikipedia - про привыкание доверять автоматике и почему нужна выборочная проверка.
• Anthropic Help Center - справка по работе с файлами, проектами и настройками.