Модель взяла фразу «нужен экспорт сделок в Excel» и за один проход выдала готовое ТЗ. Лимит 50 000 строк, выгрузка 10–20 секунд, хранение 24 часа в S3, двадцать колонок с воронкой и вероятностью, REST-эндпоинты, выбор библиотеки.

Выглядит убедительно. Ни одну из этих цифр и сущностей никто не задавал.

Мы спросили сорок руководителей, какую задачу они хотят ускорить с помощью ИИ. Запрос №1 с отрывом – постановка задач разработчикам. И это ровно та область, где языковые модели работают надёжнее всего: взять размытую мысль и привести к структуре с критериями приёмки. Совпадение спроса и сильной стороны – почти идеальное.

Опасность в том, что эта сильная сторона маскирует слабую. Модель с одинаковой уверенностью пишет требование, которое вы дали, и требование, которое она придумала сама. Выдуманный пункт неотличим от настоящего – команда возьмёт его как факт и завяжет спринт на ограничениях, которых бизнес не просил.

Лечится одной инструкцией в промпте: если данных не хватает – не угадывай, а вынеси вопрос в список. Вот промпт, который это делает:

Преврати черновую формулировку в ТЗ: 1. Цель – какую проблему решаем. 2. Требования – только из моего текста. 3. Критерии приёмки – при [X], когда [Y], то [Z]. 4. Открытые вопросы – всё, чего не хватает. Не выдумывай требования, сроки и метрики.

Это первый проход. Он даёт черновик с дырами, которые вы закрываете сами или уносите заказчику. Но черновик – даже хороший – ещё содержит двусмысленности и непроверяемые критерии, которые вы не заметите, потому что сами их написали.

Второй проход ловит именно это. Как он устроен и ещё три промпта (user stories, декомпозиция, тест-план) – в разборе со сквозным примером