Зачем платить аналитику, если промпт думает за него?

Yevhenii Rozov · 2026-05-25

23:40, пятница, 14 февраля. Я сижу с CSV на 340 строк, клиент ждёт анализ воронки в понедельник, и у меня уже четыре часа работы - и полный мусор на выходе.

Не потому что эти плохие. Потому что я делал всё неправильно.

4 часа итераций, которые не стоили ничего

Я отправлял запросы один за другим. "Проанализируй воронку." "Найди узкие места." "Что говорят эти о конверсии на третьем шаге?"

Каждый раз модель выдавала что-то своё. Иногда фокусировалась на конверсии, иногда на среднем чеке, иногда придумывала выводы которых в данных не было. К 23:00 у меня было шесть разных "анализов" которые противоречили друг другу.

Один говорил что проблема в первом касании. Другой - что в follow-up. Третий вообще решил что данных недостаточно для выводов.

Это не была проблема модели. Это была моя проблема - я давал задачу без процесса, и модель каждый раз придумывала свой процесс с нуля.

Самое обидное - я уже работал с этим клиентом три месяца. Он платил $400 в месяц за автоматизацию. И вот я сижу в пятницу вечером и не могу выдать нормальный анализ за четыре часа. Это было бы смешно, если бы не было так дорого - моё время стоит денег, и я его тратил впустую.

Я знал про chain-of-thought промпты. Читал про них. Думал, что это для каких-то сложных задач, а не для "просто проанализируй CSV".

Ошибался.

Я собрал промпты по этой теме в PDF. Забери бесплатно: https://t.me/airozov_bot

Один промпт, который изменил вечер

В 23:40 я написал промпт по-другому. Не "что скажешь про данные", а явную цепочку шагов которую модель должна пройти.

Вот его структура - не дословно, но суть:

Шаг 1 - опиши данные. Что вообще здесь есть. Какие колонки, какой диапазон значений, есть ли аномалии, пропуски, что бросается в глаза без интерпретации.

Шаг 2 - выдвини гипотезы. На основе того что видишь - какие могут быть причины текущих показателей. Минимум три версии. Не выбирай лучшую, просто перечисли.

Шаг 3 - проверь каждую гипотезу. Посмотри на эти через призму каждой версии. Что подтверждает, что опровергает.

Шаг 4 - сформулируй вывод. Только после шагов 1-3. С указанием на какие конкретно строки или паттерны опираешься.

Это и есть chain-of-thought промпт. Ты не просишь ответ - ты задаёшь процесс мышления.

За 12 минут я получил анализ на пять экранов. Со структурой, с логикой, с конкретными числами. Модель нашла паттерн который я сам не заметил за четыре часа - конверсия падала не на третьем шаге воронки, а между вторым и третьим, и только у сегмента с первым касанием через холодный email.

Клиент прочитал в понедельник утром и написал "это глубже чем я ожидал". Перевёл дополнительные $200 за "качество инсайтов".

Те же данные. Тот же Claude. Другой промпт.

Разница - в том, что я перестал просить результат и начал задавать процесс.

Почему это работает - и почему большинство этого не понимает

Я долго думал, что chain-of-thought это про сложность. Что это нужно когда задача математическая, или когда нужно что-то доказать.

На самом деле это про контроль над процессом мышления модели.

Когда ты пишешь "проанализируй данные" - модель сама решает с чего начать, что считать важным, какой глубины достаточно. И каждый раз это решение разное, потому что нет якоря.

Когда ты пишешь "сначала опиши, потом выдвини гипотезы, потом проверь" - ты создаёшь этот якорь. Модель не может перепрыгнуть к выводу не пройдя через описание. Она не может выдать гипотезу не опираясь на то что уже описала.

Это убирает галлюцинации. Не полностью, но значительно - потому что каждый шаг становится проверкой предыдущего.

Я проверил это на десяти разных задачах за следующие две недели. Конкурентный анализ, разбор пользовательских отзывов, оценка технического долга по коду, структурирование требований от клиента. Везде один и тот же паттерн - явная цепочка шагов даёт более консистентный и глубокий результат чем свободный запрос.

Самый неожиданный вывод - длина промпта не имеет значения. Я пробовал писать длинные подробные описания задачи без структуры шагов. Результат хуже, чем короткий промпт с явными "шаг 1, шаг 2, шаг 3". Модели важна не детализация контекста, а явная последовательность операций.

Это counter-intuitive. Большинство людей думают что чем больше контекста - тем лучше результат. Нет. Важнее структура процесса, а не объём информации.

Второй неожиданный вывод - это работает лучше на Claude чем на ChatGPT. Не потому что ChatGPT плохой. А потому что Claude лучше держит инструкцию по шагам и не срезает углы на середине цепочки. Я переключился на Claude для аналитических задач полтора года назад и разница заметна.

Каждый день разбираю один такой инструмент в Telegram: https://t.me/yevheniirozov

Попробуй прямо сейчас

Зайди на claude.ai. Возьми любую задачу где тебе нужен анализ - данные, текст, ситуация, что угодно.

Напиши этот промпт:

*"Шаг 1 - опиши что видишь в [твои данные/текст/ситуация] без интерпретации, только факты. Шаг 2 - выдвини минимум три гипотезы которые объясняют эти факты. Шаг 3 - проверь каждую гипотезу через данные, что подтверждает и что опровергает. Шаг 4 - только после шагов 1-3 сформулируй вывод с указанием на что конкретно опираешься."*

Не меняй структуру. Просто подставь свои эти в первый шаг.

Посмотри что получится по сравнению с тем что ты обычно пишешь.

Мне понадобился один пятничный вечер и $200 бонуса от клиента чтобы понять что я платил за хаос, а не за анализ. Тебе хватит пяти минут.