ChatGPT никогда не скажет «мне не хватает данных» — он придумает ответ. Чинится четырьмя блоками в промпте

Спроси ChatGPT «какой ноутбук взять» — и он назовёт конкретную модель, не зная ни твоего бюджета, ни задач. Спроси «что делать с продуктом» без единой цифры — получишь уверенную стратегию. Фразу «мне не хватает данных» модель не говорит почти никогда: недостающее она молча придумывает. Врач-исследователь Koyar Afrasyab из шведской Kinvectum AB (июль 2026) прогнал 1200 клинических вопросов через четыре топ-модели и показал: четыре блока в промпте заставляют модель сначала проверить, хватает ли данных, — и честно останавливаться, когда не хватает. Проверил на бытовых вопросах — работает.

В чём проблема: модель оптимизирует «полезный ответ», а не честный

Модель подбирает каждое следующее слово так, чтобы ответ выглядел полезным продолжением разговора. В обучении на человеческих оценках конкретный уверенный ответ стабильно получал балл выше, чем «мне не хватает информации», — из-за этого паттерн «остановись и переспроси» у модели почти выбит. Поэтому, когда в твоём вопросе дыра, она не тормозит: молча достраивает недостающие факты — бюджет, контекст, анамнез — и отвечает так, будто ты всё это ей дал. Снаружи подделку не видно: ответ структурный, уверенный, полный. В исследовании это называют уверенностью без оснований — галлюцинация, замаскированная под экспертизу. Как студент на экзамене, который не знает билет, но отвечает бодро: за уверенную чушь иногда ставят зачёт, за молчание — никогда.

Решение: инвентаризация данных перед ответом

Не проси ответ сразу — заставь модель сначала провести инвентаризацию. Приём называется Evidence-Sufficiency Wrapper — обёртка, проверяющая достаточность данных. Это один промпт с четырьмя блоками: что известно → чего не хватает → хватает ли для ответа → и только потом сам ответ. Перед блоком «ОТВЕТ» модель обязана вынести вердикт «достаточно ли», и если нет — вместо совета выдаёт список: что собрать и почему это меняет решение. Всё в одном сообщении, без цепочек и повторных запросов.

→ Что делать: оборачивай запрос в четыре блока:

Ты — {роль}.

Перед тем как отвечать, пройди структурированный анализ:

ЕСТЬ ДАННЫЕ: перечисли всё, что предоставлено в запросе
и что ты знаешь о ситуации

НЕТ ДАННЫХ: перечисли ключевые данные, которых не хватает
для обоснованного ответа на {тип задачи}

ДОСТАТОЧНО ЛИ: вынеси вердикт — можно ли дать обоснованный
ответ с тем, что есть? Обоснуй одним предложением.

ОТВЕТ: если данных достаточно — {что сделать}.
Если недостаточно — перечисли в порядке приоритета,
что нужно выяснить и почему это критично для решения.

{задача}

Почему это работает

Модель по умолчанию тянется к «полезному продолжению», а не к честности. В обучении уверенные ответы оценивались выше оговорок, поэтому при дыре в данных она достраивает картину сама, а не останавливается. Четыре блока меняют задачу: не «ответь», а «сначала перечисли». Перечислять и классифицировать — сильная сторона модели, поэтому пробелы становятся видны ей самой ещё до ответа: в исследовании одна только структура, без всяких запретов, дала 38% эффекта. Явная инструкция «если данных недостаточно — не отвечай, а скажи, чего не хватает» добавила остальные 62%: у модели появляется легальная точка остановки, и «полезным» становится не совет, а список недостающего. Границы приёма честно: на полных данных обёртка почти ничего не меняет — она работает именно на дырах. И следи за перегибом: часть моделей уходит в сверхосторожность и требует уточнений даже там, где всё есть, — у одной из протестированных точность упала с 75% до 17%. Лечится мягкой формулировкой: вместо «не отвечай» пиши «отвечай с явной оговоркой, чего не хватает».

Пример

Классика жанра — «какой ноутбук купить?». Обычный ChatGPT назовёт конкретную модель, не зная ни бюджета, ни задач. С обёрткой тот же вопрос выглядит так:

Ты — консультант по выбору техники.

Перед тем как отвечать, пройди структурированный анализ:

ЕСТЬ ДАННЫЕ: перечисли всё, что предоставлено в запросе.

НЕТ ДАННЫХ: перечисли ключевые данные, которых не хватает
для обоснованной рекомендации.

ДОСТАТОЧНО ЛИ: вынеси вердикт — можно ли рекомендовать
конкретную модель с тем, что есть? Обоснуй одним предложением.

ОТВЕТ: если данных достаточно — назови 2–3 модели с обоснованием.
Если недостаточно — перечисли в порядке приоритета, что нужно
выяснить и почему это критично для выбора.

Вопрос: какой ноутбук купить?

В «НЕТ ДАННЫХ» модель выпишет бюджет, задачи, вес, автономность, привязку к операционке. В «ДОСТАТОЧНО ЛИ» честно скажет: нет, рекомендовать рано. А в «ОТВЕТЕ» вместо случайной модели даст список вопросов в порядке важности — и объяснит, как каждый ответ меняет выбор. Тот же приём работает с договором, где не хватает ключевых условий, со справкой без контекста и с вопросом «что со мной, если болит бок».

Где пригодится

Разбор документов — договор без ключевых условий, справка, выписка: модель сначала скажет, чего в них не хватает
Здоровье — «что со мной по двум симптомам»: вместо диагноза из воздуха получишь список, что уточнить у врача
Бизнес-решения без цифр — стратегия, запуск, выбор рынка: модель потребует выручку и данные о клиентах, а не нальёт воды
Правило: если сам не уверен, что дал модели всё нужное, — оборачивай запрос в четыре блока

Если хочешь такие находки из свежих исследований каждый день — их присылает бот @NovaPaperAlert_bot.

Опирался на исследование «Judge-dependent safety gains and model-specific helpfulness costs of evidence-sufficiency prompting in clinical LLMs» (arXiv 2607.18086).