ИИ заполняет пробелы за вас — и никогда не говорит об этом

Вы просите Claude суммировать 40-страничный контракт — и получаете аккуратную страницу текста. Выглядит хорошо, пока вы не сверяете её с оригиналом и не обнаруживаете, что пункт о продлении договора исчез. Это не сбой модели: это одно из десятков скрытых решений ИИ, которые она приняла молча, потому что вы их не оговорили. Об этом — недавнее видео консультанта Dylan Davis, и мысль там простая, но полезная для всех, кто регулярно работает с Claude Code, subagents или любыми LLM-пайплайнами.

Четыре типа решений, которые ИИ принимает за вас

Любая формулировка задачи содержит неопределённость, и модель обязана её как-то разрешить, чтобы вообще выдать результат. Davis сводит эти развилки к четырём категориям. Первая — трактовка расплывчатых слов: что именно значит «важное» в контракте — платежи и расторжение, или ещё и продление? Вторая — форма результата: длина, тон, структура ответа, которые вы не указали явно. Третья — разрешение противоречий в исходных данных, когда, например, в документе встречаются две разные даты и модель без объяснений выбирает одну. И четвёртая, самая болезненная категория — то, что ИИ просто выбросил из результата, не упомянув об этом вовсе, как раздел про приложения к договору.

Проблема в том, что вы видите только финальный текст, а не карту решений за ним. Чтобы поймать пропуск, приходится вручную сверять исходник с выводом — а это именно та рутинная работа, ради избавления от которой и звали ИИ.

Один промпт, который делает решения видимыми

Решение у Davis подкупающе простое: одна строка в системном промпте или в описании skill — «Пока выполняешь задачу, веди лог каждого решения, которое ты приняла, особенно там, где я не дал явных указаний». Модель возвращает не только результат, но и отдельный журнал: «вы не определили, что значит «важное» — я расставила приоритет на платежи и расторжение, раздел о продлении не покрыла» или «встретила две даты, на странице 3 и странице 40, выбрала вторую».

Ключевой навык здесь — порядок чтения: сначала лог, потом сам результат. Так расхождения с вашими ожиданиями видны за секунды, а не после построчной сверки документов. Это особенно легко встраивается в Claude Code: лог решений естественно ложится в системный промпт проекта или в инструкцию skill, которая уже используется на повторяющихся задачах.

Разовая правка или системный фикс

Разобрав лог, у вас три пути. Большинство пунктов — процентов восемьдесят — можно просто принять: модель нередко решает лучше, чем решили бы вы сами, и в этом смысл делегирования. Часть решений требует точечной правки конкретного результата. А третий случай — самый ценный: если один и тот же промах повторяется из задачи в задачу (скажем, модель раз за разом намекает клиентам на гибкость по цене, хотя политика жёсткая), это сигнал внести правило не в конкретный ответ, а в инструкции проекта или skill. Тогда развилка закрывается один раз и навсегда, а не пересобирается вручную каждую неделю. Чем чаще так делать, тем короче становится сам лог — модель просто перестаёт натыкаться на уже решённые вопросы.

Когда стоит зайти с другой стороны

Для рутинных задач логирования постфактум достаточно. Но для критичных или многошаговых процессов Davis советует перевернуть порядок: сначала попросить ИИ перечислить все развилки, которые возникнут в задаче, и отранжировать их по влиянию на итог, а уже потом дать явные указания по верхним пунктам списка. Не обязательно закрывать все развилки — достаточно топ-10, остальное можно доверить модели.

Почему это важно

За приёмом стоит смена привычки: перестать судить ИИ только по результату и начать спрашивать, что осталось за кадром. Для команд, которые гоняют Claude через одни и те же skills или project instructions месяцами, это не разовый лайфхак, а способ накапливать точность: каждая замеченная закономерность превращается в постоянное правило, и со временем количество ручных правок падает само собой.