Нейросеть для написания текстов: где помогает, а где портит

Ольга ведёт бухгалтерское сопровождение в Самаре. Двенадцать постоянных клиентов, канал в Telegram, который она завела в прошлом августе и с тех пор ведёт сама по вечерам.

В апреле она попробовала два разных дела с нейросетью. Сначала попросила пересказать короче свою же статью про переход на новую форму отчётности — три тысячи знаков ужать до поста. Получилось с первого раза, она поправила два слова и выложила.

Через неделю попросила написать пост про изменения в порядке уплаты взносов. Ответ пришёл уверенный, с датами и номерами пунктов. Одна дата была неправильной, а номер пункта — несуществующим. Ольга это заметила только потому, что сама двенадцать лет в профессии.

Один инструмент, один вечер, два противоположных результата. И дело не в везении: эти две задачи устроены по-разному, и модель обязана была справиться с первой и провалить вторую.

Разница простая. Когда смысл уже есть в тексте, который вы дали, модель работает надёжно. Когда смысл нужно взять откуда-то ещё — из закона, из вашей практики, из головы клиента, — она достраивает его из вероятностей. И достраивает уверенно.

Что вы узнаете из статьи

• Три типа текста, где машина справляется почти всегда и правки уходят минуты
• Три типа, где она проваливается по устройству, а не по недоработке
• Почему тот же самый запрос во второй и третий раз даёт другой результат
• Какой из ответов стоит брать в работу, если вы попросили несколько вариантов
• Что изменить в своей работе, чтобы доля пригодных черновиков выросла

---

Где машина справляется с первого раза

Общее у этих задач одно: исходный смысл вы принесли сами. Модель только меняет форму.

Переработка готового. Сократить, развернуть, переложить с площадки на площадку, сменить тон с официального на разговорный. Статья превращается в пост, пост — в сценарий короткого ролика, пятнадцать абзацев — в пять. Тут промахнуться почти негде, потому что придумывать нечего.

Черновик по вашим тезисам. Вы дали шесть пунктов своими словами, пусть коряво, и попросили связать в текст. Работает надёжно, экономит тот самый час, когда сидишь перед пустым экраном.

Скучная механика. Убрать повторы, резать длинные предложения, выровнять оформление списка, собрать двадцать вариантов заголовка, вычистить канцелярит. Модель делает это ровно и не устаёт к пятнадцатому тексту, в отличие от человека.

Отдельно скажу про вычитку. Проверять грамматику машиной удобно, но она ловит не всё и иногда «поправляет» правильное. Сверять её замечания всё равно приходится — просто это быстрее, чем вычитывать с нуля.

Почему эти три типа работают? Потому что модель предсказывает следующее слово на основе того, что уже есть в контексте. Чем больше в контексте вашего, тем меньше ей приходится добирать из общего фона интернета. Пересказ вашей статьи — это задача, где ваш текст занимает почти весь вход.

Где не справляется никогда

Здесь всё зеркально: смысла во входе нет, и модель его сочиняет.

Факты, цифры, нормы, даты. История Ольги — типичная. Модель выдаёт выдуманные цифры и ссылки не потому, что сломалась, а потому что в этом месте фразы цифра вероятна, и она подставляет правдоподобную. Опасность в том, что ошибку видно только специалисту. Человек без опыта в теме прочитает и поверит.

Экспертное мнение. «Мы считаем, что переходить на такой режим до октября не стоит, и вот почему» — это ваша позиция, которой у модели нет. Она напишет обзор аргументов за и против, вежливый и симметричный. Позиции в нём не будет, а читатель приходил именно за ней.

Живой случай. Разбор конкретного заказа, где было непонятно, что делать, и вы приняли решение. Детали, имена, суммы, поворот в середине. Всё это существует только у вас в голове или в переписке.

Ваша интонация. Модель по умолчанию пишет усреднённо. Получается гладко, но безлико: текст, который мог бы выпустить любой из ваших конкурентов, потому что в нём нет ничего вашего.

Тут стоит оговориться. Все четыре пункта — про то, что модель не возьмёт информацию из ниоткуда. Но если вы её принесёте, дальше она справится: позиция, случай и тон прекрасно перекладываются в текст, когда сказаны вслух.

То есть граница проходит не между «умеет писать» и «не умеет», а между «смысл дан» и «смысл нужно придумать». Мне кажется, это единственное правило, которое стоит запомнить из всей статьи.

Три попытки одного запроса — и почему они разные

Попробуйте дать один и тот же запрос трижды подряд. Ответы будут разными. Иногда заметно разными.

Причина в устройстве: модель не выбирает единственно верное слово, она выбирает из нескольких вероятных с некоторой долей случайности. Без этой доли тексты выходили бы одинаковыми и деревянными. С ней — живее, но непредсказуемее.

Что из этого следует практически.

Первое. Первый ответ не эталон. Если он не понравился, это ещё не приговор задаче — возможно, просто выпал неудачный вариант. Имеет смысл попросить ещё два и сравнить.

Второе. Разброс между ответами — это диагностика вашего запроса. Если три варианта похожи как близнецы, вход был достаточно жёстким и модель почти не гадала. Если ответы получились совершенно разными по смыслу, значит, вы оставили слишком много свободы, и стоит дописать ограничения.

Третье. Брать нужно не «самый красивый», а тот, где больше вашей конкретики. Красота правится за пять минут, а отсутствие фактуры не правится вообще.

И четвёртое, менее очевидное. Каждый новый разговор начинается с нуля. Модель не помнит ни вчерашний пост, ни ваши позавчерашние правки. Поэтому качество скачет не только внутри одного вечера, но и от недели к неделе: в понедельник вы описали компанию подробно, в четверг торопились и не описали.

Именно это мы и пытались убрать, когда собирали кабинет: анкета проекта хранит цели, аудиторию, ограничения и правила бренда один раз, и они подставляются ко всем материалам сами. Разброс от этого не исчезает, но перестаёт зависеть от того, насколько вы сегодня внимательны. Как описать голос бренда так, чтобы им можно было пользоваться, — разбирали отдельно, и это, пожалуй, самая недооценённая часть работы.

---

Сверьтесь с собой

Четыре признака того, что вы ставите модели невыполнимые задачи.

Первый: вы просите написать текст по теме, в которой сами разбираетесь поверхностно. Тогда ошибку вы не заметите — и это самый опасный из четырёх случаев.

Второй: в вашем запросе нет ни одной цифры, ни одного имени, ни одного ограничения. Только тема и формат.

Третий: вы ждёте, что текст прозвучит «как вы», но нигде не описали, как звучите вы. Прилагательные вроде «живо и профессионально» не считаются: под ними каждый понимает своё.

Четвёртый: вы берёте первый ответ и правите его час. Обычно быстрее выбросить и попросить заново с уточнениями — час правки означает, что задача была сформулирована не так.

Совпало два и больше? Тогда дело точно не в сервисе, и переход на другой ничего не изменит.

---

Часто задаваемые вопросы

Можно ли поручить нейросети статью целиком?

Обзорную статью по общеизвестной теме — да, с обязательной проверкой фактов. Статью, где нужна ваша позиция или разбор конкретного случая, — нет: получится связный пересказ того, что и так есть в интернете.

Почему текст читается гладко, но как будто ни о чём?

Модель тянется к самому вероятному продолжению, а самое вероятное — это самое частое. Лекарство одно: конкретика. Цифры вместо «многие», случай вместо «часто бывает», имя города вместо «в регионах».

Сколько правок обычно нужно?

По нашему опыту, на переработке готового — минуты. На тексте с фактами — дольше, чем кажется, потому что проверять приходится каждое число. Универсальной цифры тут нет, слишком зависит от темы.

Определят ли, что текст писала машина?

Иногда да, по ровному ритму и отсутствию деталей. Но читатель обычно реагирует не на происхождение текста, а на его пустоту. Порядок проверки перед публикацией снимает большую часть признаков заодно с настоящими проблемами.

Что делать, если ни один из вариантов не подошёл?

Не просить четвёртый. Вернуться к запросу и дописать то, чего в нём не было: для кого текст, что должно остаться в голове у читателя, чего писать нельзя. Обычно после этого хватает одной попытки.

---

Заключение

Нейросеть надёжна ровно там, где смысл уже принесён вами: пересказ, переупаковка, черновик по тезисам, механическая чистка. И ненадёжна там, где смысл нужно взять из закона, из вашей практики или из головы клиента.

История Ольги показательна не ошибкой в дате, а тем, что обе задачи она ставила одинаково — и получила закономерно разное. Инструмент вёл себя ровно так, как устроен.

Отсюда рабочий вывод. Долю пригодных черновиков поднимает не смена сервиса, а привычка приносить своё: цифры, случаи, позицию, список запретных слов. Пока этого нет, любая модель будет писать средний текст, потому что среднее — это всё, что у неё есть без вас.

Проверить, насколько меняются черновики, когда контекст описан один раз и не набирается заново, можно бесплатно: тариф Free не требует карты. Заполняете анкету проекта — и первые же материалы выходят другими. Начать можно на dobro-code.ru.