Почему ИИ пишет шаблонный мусор — и три способа это исправить

Потому что разница между этими двумя подходами — это разница между копирайтером-ресёрчером и рерайтером ТОП-10 за три копейки с биржи.

Почему ИИ без материалов крутится в петле шаблонов

В прошлом посте показывал небольшой эксперимент: стоит попросить модель написать статью без единого входного файла — и она начинает воспроизводить усреднённые паттерны из обучающей выборки. Одни и те же структуры, одни и те же банальные тезисы, одни и те же очевидные примеры.

Я проверял это лично, десятки раз. Результат в чистом чатике без входных данных — это текст, который мог бы написать любой другой пользователь с тем же промптом. Буквально из одного теста.

Хочешь выйти из этой петли и генерировать лучше конкурентов, которые «пишут» просто в чатике? Вот три рабочих подхода.

Способ 1: Подключить базу знаний компании или эксперта

Реальные материалы — это то, чего у конкурента нет по определению. Закрытые кейсы, реализованные проекты, учебные материалы для продажников, внутренние FAQ, скрипты продаж. Всё это контекст, который превращает генерацию из рерайта в нечто живое.

Расскажу честно, как это работает на практике у нас в ResultUP. Когда мы начинали генерировать контент для клиентских проектов без входных материалов — тексты были технически приличными, но абсолютно безликими. Ни одного реального примера, ни одной детали, которую нельзя придумать за пять минут. Клиенты это чувствовали.

Как только начали загружать в работу реальные кейсы проектов — тон изменился. Появились конкретные цифры, конкретные ситуации, конкретные решения. Читатель это считывает мгновенно.

Технически подключение реализуется двумя путями:

1. RAG-архитектура или база знаний в пайплайне генерации
2. Файлы в проектах/ботах внутри чат-интерфейсов (Claude Projects, кастомные GPT и аналоги)

Закидывать всю базу знаний напрямую в контекст — не нужно. Почему — расскажу ниже.

Способ 2: Использовать доноров ценной информации

Второй подход — тянуть внешние источники с уникальным контентом, которого нет в стандартной обучающей выборке модели.

1. Телеграм-каналы. Публичные каналы выкачиваются буквально в четыре клика через готовые парсеры. Я использую выгрузку своего канала @seokotenkov, чтобы модель цитировала мои реальные формулировки и примеры — а не изобретала их заново. Это сохраняет авторский голос и добавляет в текст реальные инсайты, а не их имитацию.
2. YouTube-видео. Транскрипты роликов — отличный донор структурированной экспертизы. Особенно хорошо работает с интервью, вебинарами, обучающими видео — там эксперт говорит конкретными примерами, а не общими словами. Транскрипт подаётся в контекст, и модель пишет материал на основе реального речевого контента.

Логика простая: чем уникальнее входной материал — тем уникальнее выход.

Способ 3: Запустить deep research перед генерацией

Если модели не дать источников, она возьмёт несколько самых очевидных из ТОП-поиска и перескажет их. Это и есть рерайт, только автоматический.

Deep research меняет сценарий. Берёшь план страницы или статьи, закидываешь его в режим исследования (Perplexity Deep Research, ChatGPT Deep Research, Gemini Deep Research) и просишь собрать источники по каждому разделу и подразделу. На выходе получаешь структурированную базу: исследования, данные, цитаты, примеры.

После этого генерация превращается из рерайта в редактуру. Ты работаешь с конкретным материалом, а не с усреднёнными паттернами. Разница в качестве — принципиальная.

Как технически подавать материалы в модель

Есть два сценария, и у каждого свои ограничения.

Сценарий 1: Файлы напрямую в чат

Файл попадает в контекстное окно целиком. Быстро и просто — но есть ловушка. Если материала слишком много, модель начинает хуже соблюдать инструкции и теряет фокус на задаче. Контекстное окно не резиновое, и при переполнении качество деградирует.

Правило: в чат добавляй только самое важное. Итоговый конспект из ресёрча. Выжимку по продукту на две-три страницы. Конкретный кейс, а не всю библиотеку.

Тут можно возразить: а как же Gemini с контекстом на миллион токенов? Я проверял — результаты неоднозначные. Большой контекст не гарантирует точное следование правилам. Мой эксперимент с Gemini и выполнением инструкций — вот здесь, смотрите сами.

Сценарий 2: Подключение через проект или бота (мини-RAG)

Здесь материалы не закидываются в контекст целиком. Они дробятся на чанки, индексируются, и модель при каждом запросе вытаскивает только релевантные фрагменты. Это позволяет работать с гораздо большим объёмом информации без деградации качества.

Claude Projects, кастомные GPT с базой знаний, собственные RAG-пайплайны — всё это реализации одного принципа. Загружаешь сто страниц материалов, модель использует только те три абзаца, которые нужны прямо сейчас.

Итог: из чего реально складывается качество генерации

Качество AI-текста определяется не промптом. Промпт — это только инструкция. Качество определяется тем, с каким материалом работает модель.

Три уровня входных данных дают три уровня результата:

1. База знаний компании → уникальность и фактическая точность
2. Доноры контента (каналы, видео, интервью) → авторский голос и живая конкретика
3. Deep research → глубина и доказательная база

Комбинируй все три — и получаешь текст, который конкурент не воспроизведёт простым промптом в чистом чатике.

В следующих постах начну показывать, как это выглядит на практике: реальные схемы, скриншоты процессов и примеры генераций с реальными входными данными. Дневник экспериментов веду в канале @seokotenkov — залетайте, там всё открыто и без воронок.