Нейросеть отвечает усреднённо, пока не получит постоянный контекст

Почему дефолт всегда усреднённый

Большая языковая модель обучена на пересекающихся текстах всего интернета. Когда контекста мало, она достраивает пробел самой частой формулировкой – статистической серединой. Отсюда ощущение, что тексты от разных нейросетей на разных проектах похожи друг на друга: индустрия уже назвала это «морем одинаковости». Точная формулировка запроса помогает локально, но каждый новый чат снова стартует с чистого листа, и содержательная часть брифа испаряется вместе с окном диалога.

Для маркетинга это дорого вдвойне. Сначала команда тратит время на повторный ввод вводных, потом – на переписывание усреднённого черновика под голос бренда. Главные издержки прячутся именно в этом двойном проходе: сама генерация почти ничего не стоит.

Что технически меняет постоянный контекст

В Claude для этого есть раздел «Проекты»: внутри создаётся проект, в «Знания проекта» загружаются документы и цифры, в «Инструкции» описывается, кто ты, чем занимаешься и каким тоном отвечать. Дальше любой чат внутри проекта уже держит эту рамку. Достаточно настроить один раз – и модель отвечает под конкретную задачу, без ритуала объяснений заново.

Важно понимать, что это витрина общего явления, доступного далеко не у одного вендора. У OpenAI тот же приём называется Custom GPTs, у любого разработчика собирается из системной инструкции и базы знаний через RAG (retrieval-augmented generation, генерация с подтягиванием документов). У корпораций – ИИ-помощники с доступом к внутренним данным. Механика общая: инструкции задают роль и тон, база знаний подтягивает факты, и нейросеть перестаёт быть чистым листом.

Масштаб темы: цифры

Генеративный ИИ в маркетинге давно вышел из стадии экспериментов. По исследованию McKinsey «The state of AI in early 2024», 65% организаций регулярно применяют генеративный ИИ хотя бы в одной функции, и именно маркетинг и продажи стали направлением, где применение за год более чем удвоилось. Потенциальный вклад в продуктивность маркетинга McKinsey в отчёте «The economic potential of generative AI» (2023) оценивал в 5–15% от совокупных расходов на маркетинг, около 463 млрд долларов в год.

В России картина похожая. По данным исследования «Яков и Партнёры» и Яндекса (декабрь 2025), 71% компаний используют генеративный ИИ хотя бы в одной функции, и 77% из них – именно в маркетинге и продажах.

Почему подключить нейросеть мало

Доступ к модели уже почти ни о чём не говорит. По оценке АКАР, 97% российских рекламных агентств используют ИИ, но лишь 16% встроили его во все процессы, а главным барьером 60,7% называют нехватку навыков. То же на глобальном уровне: по исследованию BCG «Where's the Value in AI?» (октябрь 2024), 74% компаний пока не получили от ИИ ощутимой бизнес-ценности, и только 4% вышли на устойчивую отдачу.

Как венчурный инвестор я вижу этот разрыв постоянно: инструмент внедрён, а отдачи нет, потому что модель работает вслепую. Держится всё ровно на том, что нейросеть гоняют без постоянного контекста. Пилот на голых запросах выдаёт демо, а на потоке ломается о согласованность бренда.

Как это выглядит на уровне бренда

Самый показательный пример – платформа Fizzion, которую Coca-Cola собрала вместе с Adobe (о ней компания рассказала в собственном пресс-релизе). Бренд-гайдлайны там перестают быть PDF-документом и превращаются в машиночитаемый контекст: правила по логотипу, шрифтам и изображениям кодируются в идентичности бренда, которые ИИ применяет автоматически по всем форматам и рынкам. Система работает на 200+ брендов в 200+ странах и ускоряет производство контента, по заявлению компании, до десяти раз.

Смысл ровно тот же, что и у «Проектов», только на корпоративном масштабе. Доминик Хайнрих, старший директор по глобальному дизайн-интеллекту и технологиям The Coca-Cola Company, описывает задачу так: «Мы решали проблему неправильного истолкования бренд-гайдлайнов – критического барьера для ИИ».

Что меняется в работе агентства

Переиспользуемый контекст сдвигает три вещи сразу. Первое – скорость: голова команды перестаёт тратиться на повторный брифинг, потому что бренд-книга, портрет аудитории, tone of voice, продуктовые факты и прошлые кампании загружены один раз. Второе – согласованность: когда контекст зашит в проект, каждый исполнитель работает по одному сценарию, и тон со словарём бренда перестают расползаться между копирайтером, стажёром и подрядчиком на аутсорсе. Третье – порог входа: по ощущению практиков, черновик выходит готовым процентов на семьдесят-девяносто, правка сводится к доводке, и переписывать текст с нуля уже не приходится. Стажёр с настроенным проектом выдаёт материал в голосе бренда, даже не зная бренд-книгу наизусть, потому что контекст держит рамку за него.

Для агентства это переводит ИИ из генератора одноразовых черновиков в носитель бренд-знания, которое не зависит от того, кто именно сегодня сидит за задачей.

Где переиспользуемый контекст не спасает

Контекст снимает часть проблем и создаёт новые, о которых стоит помнить заранее.

Первое – устаревшая база знаний. Если цены, политики и продуктовые факты в проекте не обновляются, нейросеть уверенно транслирует старое как актуальное. История Air Canada здесь показательна (разбор дела на Forbes): чат-бот авиакомпании выдумал несуществующую политику возврата, а канадский трибунал в феврале 2024 года признал это введением в заблуждение и обязал компанию выплатить пассажиру 812 долларов. Довод перевозчика, что бот – отдельная сущность, суд отклонил. Член трибунала Кристофер Риверс отреагировал на эту логику прямо: «Air Canada утверждает, что не может отвечать за информацию, предоставленную её же представителем, включая чат-бота. Замечательное заявление».

Второе – конфиденциальность. Загружать в облачную модель неопубликованные кампании, стратегию и клиентские данные рискованно. В 2023 году инженеры Samsung за пару недель слили в публичный чат внутренний код и транскрипт совещания, после чего компания запретила сотрудникам публичные нейросети. Для бренд-данных это прямая аналогия.

Третье – контекст не заменяет стратегию. Если позиционирование само по себе «как у всех», то и настроенная под него модель выдаст «как у всех». А почти готовый черновик провоцирует пропустить финальный контроль – хотя ломаются как раз последние проценты: факты, нюансы тона, юридические формулировки.

Вывод для команды

Как основатель и инвестор я отношусь к этому просто: нейросеть полезна ровно настолько, насколько ей один раз дали контекст. Переиспользуемый контекст – это гигиена работы с моделью, без всякой магии. Разовый запрос даёт медианный голос, общий для всего рынка. Один раз собранная база знаний и внятные инструкции сдвигают модель от этой медианы к бренду и снимают с команды повторный брифинг на каждой задаче. Начинать имеет смысл с малого: один проект под один бренд, куда сложены бренд-книга, tone of voice, факты о продукте и пара сильных прошлых материалов как образец.

Подписывайтесь на мой блог – здесь я разбираю, как предприниматели используют ИИ в реальных процессах, во что инвестирует венчур и как строить системную работу вместо разовых экспериментов.