Промпти для для роботи та бізнесу

Промпт не робить мовну модель безпомилковим консультантом. Але чітка задача, потрібні факти й зрозумілі критерії якості дають відповіді, які можна швидко перевірити й застосувати.

Що змінилося

Кілька років промпти росли: довгі ролі, теги, «думай крок за кроком», купа заборон. Нові моделі потребують цього менше.

Anthropic у липні 2026 повідомила, що для Claude Opus 5 і Fable 5 прибрала понад 80% системного промпта Claude Code без вимірюваної втрати на своїх coding-оцінках. Це про агентів у Claude Code, не інструкція прибирати правила зі звичайного чату. Звідти варто взяти лише обережність: не копіювати довгі ритуали, написані під старі моделі.

OpenAI в API-документації GPT-6 радить починати з промпта, який уже працює, прибирати по одній групі інструкцій, прикладів чи інструментів, щоразу повторюючи перевірки, і писати кожну інструкцію один раз.

Google для Gemini 3 (сторінку оновлено 17 вересня 2026) радить бути точним і прямим, тримати один формат розмітки й керувати довжиною відповіді прямо.

Wharton Generative AI Labs перевірили два популярні ритуали на моделях 2024–2025 років. Експертна персона не дала надійного приросту точності на складних фактичних питаннях з варіантами відповідей, а ручне «думай крок за кроком» на reasoning-моделях дало малий виграш і довшу відповідь (на 20–80% за часом). Це орієнтир, а не закон для нинішніх моделей.

Крок 0. Шість питань перед написанням

1. Яке рішення чи дію має підтримати відповідь?

2. Хто читач (власник, комерційний директор, фінансист)?

3. Які факти я реально маю?

4. Коли відповідь готова (обсяг, блоки, що можна виконати одразу)?

5. Чого модель не повинна вигадувати (ціни, закони, конкурентів, «середні по ринку»)?

6. Як я перевірю результат?

Крок 1. Результат і критерій готовності

Починайте з дії та результату, а не з ролі.

Погано: «Допоможи збільшити продажі».

Краще: «Запропонуй три способи збільшити кількість заявок за наступний місяць без збільшення рекламного бюджету. Для кожного вкажи перший крок, потрібні дані та спосіб вимірювання».

Додайте критерій готовності до відповіді: «План готовий, якщо кожна рекомендація спирається на надані дані або позначена як припущення». Так ви оцінюєте не те, чи відповідь подобається, а чи вона виконує задачу.

Крок 2. Факти й контекст

Модель не знає вашого бізнесу, поки ви не розповісте. Дайте:

що за продукт, для кого, що вже пробували;

наявні цифри (навіть приблизні, з позначкою «приблизно»);

чого ви свідомо не знаєте.

Крок 3. Правила для цифр і невідомого

Це найчастіша причина вигаданих відповідей. Якщо промпт вимагає «спиратися лише на надані факти» і водночас просить назвати терміни, бюджет і кількість людей, яких у даних немає, ці вимоги суперечать одна одній.

Дайте моделі законний вихід:

Anthropic радить прямо дозволити моделі висловити невпевненість замість того, щоб вгадувати. Це не гарантує точності, але допомагає відрізнити факти від здогадок.

Питання користувачу. Багатокроковий опитувальник відлякує зайнятого власника, а вигадані цифри ще гірші. Тому правило таке: «Став запитання лише тоді, коли без відповіді результат буде марним, не більше трьох. Інакше виконуй завдання на явних припущеннях». OpenAI у документації GPT-6 радить для агентів спершу доробити вже дозволену роботу й показати конкретний результат на затвердження, а також має окремий розділ про межі, коли моделі слід питати. Це правила для агентів з інструментами. У чат-промпт я переношу їх як практичний компроміс, а не як цитату.

Крок 4. Формат і приклад

Якщо потрібен план, попросіть план. Якщо порівняння, назвіть колонки. Якщо коротко, вкажіть обсяг. Формулюйте позитивно: не «не використовуй списки», а «пиши суцільним текстом».

З прикладами вендори трохи розходяться. Документація Anthropic радить 3–5 різних і схожих на вашу ситуацію, а блог Anthropic радить почати з одного і додавати, якщо формат і далі плаває. Google радить завжди включати few-shot, але застерігає, що забагато прикладів змушує модель «підганяти» відповідь під них. Практичний шлях: почніть з одного реального прикладу і додавайте ще, якщо структура пливе. [Few-Shot] без самих пар «вхід → бажаний вихід» нічого не означає.

Крок 5. Структура й порядок

Розділяйте інструкції, контекст і дані заголовками (# Контекст, # Дані) або тегами. Google і Anthropic допускають обидва варіанти, головне, один формат у всьому промпті.

Для великих матеріалів (орієнтир поточної документації Anthropic: від приблизно 20 тис. токенів) ставте документи вище за інструкції, приклади й питання. Anthropic повідомляє, що питання в кінці давало до 30% кращу якість у їхніх тестах на складних запитах з кількома документами, а не в короткому чаті.

Google для Gemini 3 ділить інакше: жорсткі обмеження, роль і формат у system instruction або на самому початку, а великий контекст ставити перед конкретним питанням, і питання в кінець.

Короткий промпт на пів сторінки так переставляти не потрібно.

Що працює, а що вже ритуал

Ролі. Anthropic пише, що навіть одне речення ролі в system prompt може змінити поведінку й тон. Але біографія на п'ять рядків і «ти експерт із 10-річним досвідом» не додають правдивості. У дослідженні Wharton слабкі персони («неспеціаліст», «дитина») часто знижували точність, а експертна на складних фактичних питаннях не покращувала. Це були тести з варіантами відповідей на старіших моделях, не бізнес-плани.

Квадратні дужки й великі літери. Моделі не сприймають їх як спеціальні команди. Це звичайний текст.

«Не вигадуй». Саме по собі не гарантує. Конкретне правило працює краще: «використовуй лише факти з блоку Дані; якщо факту немає, напиши "невідомо"».

«Думай крок за кроком». Google пише, що Gemini 2.5 і 3 самі міркують усередині, і не обов'язково просити виписувати план у відповіді. У поточній документації Anthropic ручний chain-of-thought лишається запасним варіантом, коли thinking вимкнене. На новіших моделях (Fable 5, Opus 5, Sonnet 5.5) покладайтеся на вбудоване міркування: прохання виписувати його в тегах може бути відхилене. Для бізнес-плану корисніше вимагати список припущень перед планом.

Довжина. Довший промпт не завжди кращий. Додавайте деталь лише тоді, коли без неї модель стабільно помиляється.

Мова промпта. Англійська не обов'язкова. Це моя практична порада, а не позиція вендорів: протестуйте обидва варіанти на вашій задачі.

Шаблон

Скопіюйте, заповніть поля у фігурних дужках, зайве видаліть. Починайте з Мети, Контексту й Формату, а решту додавайте, якщо без неї модель помиляється.

# Мета
Допоможи {дія} для {аудиторія або команда}.
Рішення, яке має підтримати відповідь: {рішення}.
Результат готовий, якщо {критерій успіху}.

# Контекст
Продукт або послуга: {опис}.
Клієнти: {опис}.
Поточна ситуація: {що відбувається зараз}.
Що вже пробували: {результати або «невідомо»}.
Ресурси й обмеження: {команда, бюджет, строки}.
Чому важливі обмеження: {причина}.

# Правила
- Відокремлюй надані факти від припущень.
- Не вигадуй дані про компанію, клієнтів, ринок, ціни чи результати.
- Оцінки строків, бюджету й кількості людей подавай діапазоном лише за наявності підстав. Якщо підстав немає, напиши «невідомо» і що саме потрібно зібрати.
- Запитання став лише тоді, коли без відповіді результат буде марним, не більше трьох. Інакше виконуй на явних припущеннях.

# Формат
1. Рекомендація в одному реченні.
2. Відомі факти та припущення.
3. План: крок, очікуваний результат, відповідальний, строк.
4. Метрики: назва, поточне значення або «невідомо», ціль, як і коли вимірювати.
5. Ризики на найближчі 30 днів.
6. Три дії на цей тиждень.
Обсяг: до {N} слів. Мова: українська.

# Приклад формату (необов'язково)
{один короткий реальний приклад бажаної відповіді}

# Дані
{вставте документи, цифри, листування}

# Запит
{конкретне питання чи дія}

Якщо дані великі, перенесіть блок # Дані на початок промпта.

Було і стало

Умовний приклад: стоматологічна клініка.

Було:

Стало:

Другий промпт довший, але саме він дає відповідь, яку можна перевірити: у ньому є рішення, факти, правила для невідомого й формат.

Як перевірити перед упровадженням

Один вдалий результат нічого не доводить. Зберіть 5–10 запитів: 3–5 типових, 2 складні (мало даних, суперечливі вимоги), 1 порожній або дивний. Для кожного заздалегідь визначте, що вважатимете помилкою. Наприклад, чи відрізняє модель факти від припущень, чи не вигадує цифри, чи тримає формат, чи кроки конкретні, чи метрики мають поточне значення або «невідомо».

Далі:

Запустіть той самий промпт кілька разів: відповіді можуть відрізнятися, потрібна стабільність.

Змінюйте одне правило за раз і повторюйте перевірку на тих самих прикладах.

Прибирайте групи інструкцій, які нічого не змінюють (так радить OpenAI).

Збережіть робочий варіант як шаблон і міняйте лише блок «Дані».

Коли промпта замало

Він не гарантує правильності. Цифри, юридичні й фінансові висновки перевіряє людина.

Не кожну проблему варто лікувати промптом. Anthropic зауважує, що швидкість і вартість іноді простіше виправити вибором іншої моделі.

Не вставляйте в публічні сервіси персональні дані клієнтів і комерційну таємницю без політики вашої компанії.

Якщо модель виконує дії (листи, форми, платежі), потрібні технічні обмеження й підтвердження людини, а не лише слова в промпті.

Чек-ліст

Є рішення, яке підтримує відповідь, і критерій готовності?

Факти окремо від інструкцій, і сказано, чого невідомо?

Немає суперечливих вимог?

Є правило для цифр і прогалин?

Формат описано, а за потреби є справжній приклад?

Для великих документів (від приблизно 20 тис. токенів): у Claude документи вище за інструкції й питання; у Gemini 3 жорсткі правила лишаються на початку.

Протестовано на 5–10 випадках, змінювали по одному правилу?

Матеріал підготовлено командою проекту kotovich.uk

Слідкуйте за оновленнями та обговоренням у Telegram

Питання і відповіді

Чи потрібна роль у промпті?

Не обов'язково. Одне речення про перспективу («розглянь це як керівник продажів, який шукає реалістичні кроки для невеликої команди») допомагає з тоном і підходом. За документацією Anthropic, навіть одне речення ролі змінює поведінку. Але роль не підвищує правдивість відповіді: у дослідженні Wharton експертна персона не дала надійного приросту точності на складних фактичних питаннях. Тож не пишіть біографію і не замінюйте роллю дані та критерії.

Українською чи англійською писати промпт?

Жоден вендор не вимагає англійської. Українські інструкції зазвичай працюють нормально, але це моя практична порада, а не їхня позиція. Протестуйте обидва варіанти на вашій задачі й залиште той, що дає стабільніший результат.

Чи досі потрібно писати «думай крок за кроком»?

Часто ні. Google пише, що моделі Gemini 2.5 і 3 міркують усередині, тож не обов'язково просити виписувати план у відповіді. У поточній документації Anthropic ручний chain-of-thought лишається запасним варіантом, коли thinking вимкнене, а на новіших моделях прохання виписувати міркування в тегах може бути відхилене. Для бізнес-задач корисніше вимагати окремий список припущень перед планом.

Скільки прикладів додавати?

Вендори тут розходяться. Документація Anthropic радить 3–5 різних і схожих на вашу ситуацію, блог Anthropic радить почати з одного, а Google радить завжди включати few-shot, але застерігає від надмірної кількості. Практично: почніть з одного реального прикладу й додавайте, якщо формат плаває.

Чи потрібні теги і квадратні дужки на кшталт [Chain of Thought]?

Ні. Моделі не сприймають їх як спеціальні команди. Для розділення блоків використовуйте заголовки (# Контекст) або теги, але один формат у всьому промпті.

Як зменшити кількість вигаданих цифр?

Дайте моделі законний вихід: «Оцінки подавай діапазоном лише за наявності підстав, усе, чого немає в даних, познач як "Припущення", якщо оцінити неможливо, напиши "невідомо" і що потрібно зібрати». Anthropic радить прямо дозволити моделі висловити невпевненість. Це не гарантує точності, але допомагає відрізнити факти від здогадок.

Чи може модель ставити мені питання, а чи краще одразу робити план?

Оптимально обмежити питання. Правило з шаблону: питати лише тоді, коли без відповіді результат буде марним (не більше трьох), інакше виконувати на явних припущеннях. Так зайнятий власник не залишить чат через анкету. Логіка близька до порад OpenAI для агентів (спершу конкретний результат, потім питання), але це правила для агентів, тож у чат-промпт їх варто переносити як компроміс.

Чи довший промпт завжди кращий?

Ні. OpenAI радить писати кожну інструкцію один раз і прибирати по одній групі інструкцій, повторюючи перевірки. Anthropic у липні 2026 прибрала понад 80% системного промпта Claude Code для Claude Opus 5 і Fable 5 без вимірюваної втрати на своїх coding-оцінках. Це про агентів у Claude Code, не про звичайний чат. Додавайте деталь лише тоді, коли без неї модель стабільно помиляється.

Де ставити великі документи: на початку чи в кінці?

Залежить від обсягу й вендора. Для матеріалів від приблизно 20 тис. токенів Anthropic радить ставити документи вище за інструкції, приклади й питання і повідомляє про приріст якості до 30% у своїх тестах на складних запитах з кількома документами. Google для Gemini 3 радить жорсткі правила на початку або в system instruction, великий контекст перед питанням, а питання в кінці. Для короткого промпта переставляти нічого не треба.

Скільки разів тестувати промпт?

Мінімум 5–10 запитів: 3–5 типових, 2 складні (мало даних, суперечливі вимоги), 1 порожній або дивний. Запускайте той самий промпт кілька разів, бо відповіді можуть відрізнятися, і змінюйте одне правило за раз.

Чи можна вставляти в модель дані клієнтів і комерційну таємницю?

Без політики вашої компанії щодо даних не варто, особливо в публічні сервіси. Прибирайте або знеособлюйте персональні дані перед вставкою.

Коли промпта недостатньо?

Коли потрібна гарантія правильності: цифри, юридичні й фінансові висновки перевіряє людина.

Коли проблема у швидкості чи вартості: Anthropic зауважує, що це іноді простіше виправити вибором іншої моделі.

Коли модель виконує дії (листи, форми, платежі): потрібні технічні обмеження й підтвердження людини, а не лише слова в промпті.

Чи писати для кожної задачі новий промпт?

Ні. Збережіть робочий варіант як шаблон і міняйте лише блок «Дані». Інструкції не чіпайте, доки не побачите повторюваної помилки.

Джерела

• Prompting best practices і Prompt engineering overview, Anthropic (живі сторінки)

• The new rules of context engineering for Claude 5 generation models, Anthropic, липень 2026 (про агентів і Claude Code)

• Best practices for prompt engineering, Anthropic, листопад 2025 (старіша, використовується для порад про один приклад і про дозвіл сказати «не знаю»)

• Using GPT-6, OpenAI (розділ Prompting best practices; гайд для API й агентів, охоплює GPT-6 і GPT-5.6) і A model guide for the GPT-6 family, OpenAI

• Prompt design strategies, Google (оновлено 17 вересня 2026; розділ Gemini 3)

• Playing Pretend: Expert Personas Don’t Improve Factual Accuracy, Wharton (грудень 2025, моделі 2024–2025)

• The Decreasing Value of Chain of Thought in Prompting, Wharton (червень 2025, моделі 2024–2025)