Snickers запустил кампанию «Hungr.AI»: научный взгляд на то, как кормить нейросети

# Когда нейросеть голодна: разборы рекламной кампании Snickers

В мире искусственного интеллекта маркетинговые эксперименты часто уходят от реальности, превращаясь в абстрактные концепты. Однако кампания компании Snickers под названием Hungr.AI представляет собой редкий случай, когда слоган «ты не ChatGPT, когда голоден» стал одновременно рекламным поводом и практическим руководством по работе с большими языковыми моделями (LLM). Автор исходного материала описывает это как «бодрый пример рекламы», но за ним стоит вполне изучаемая методика улучшения качества ответов ИИ.

Механика пересмотра: как работает промпт Snickers

Техническая суть кампании заключается в использовании специальных промптов (набор инструкций для модели). Пользователь копирует текстовый блок от Snickers и вставляет его в диалог с ChatGPT. После этого модель должна проанализировать контекст: просмотреть предыдущую часть диалога, найти последний вопрос пользователя, осмыслить свой собственный предыдущий ответ и сформулировать новую версию.

Ключевое требование к новому ответу, заданное в инструкции, — смена стиля. Модель должна стать более прямой, сухой и лаконичной, отказавшись от излишней вежливости или многословности. Важно понимать, что магии здесь нет: модель не получает новых данных или доступа к внешним знаниям. Она лишь выполняет роль критика своего же текста, пытаясь найти слабые места в структуре аргументации, фактические ошибки или избыточную информацию.

Этот процесс можно описать простой цепочкой: *вопрос → ответ → анализ предыдущего ответа → новая версия*. Вместо линейного взаимодействия «вопрос-ответ» появляется цикл саморефлексии, который в теории должен повышать точность и краткость изложения.

Практические тесты эффективности

Автор эксперимента, перепубликовавший материал на Habr, провел три теста, чтобы оценить реальную пользу такой инструкции.

Тест №1: Избегание конформизма Была проверена склонность модели соглашаться с нелогичными утверждениями пользователя. В сценарии пользователь решил начать вставать в 4:00 утра, сократив сон до четырех часов, несмотря на работу и трех детей.

*До вмешательства:* ChatGPT дал стандартный, формальный ответ, перечислив риски недосыпа и когнитивных нарушений. *После вмешательства:* Модель стала более разговорной и сфокусированной на конкретной проблеме. Она прямо указала, что лучше перенести время сна, чем жить в условиях хронического недосыпа. Ответ стал понятнее и менее «учебным».

Тест №2: Борьба с галлюцинациями Второй тест проверял способность модели исправлять фактические ошибки. Пользователь спросил, является ли Великая Китайская стена видимой с Луны невооруженным глазом, и почему ее так легко увидеть по сравнению с городами.

*Результат:* Snickers не смог исправить ошибку. В исходном ответе модель уже правильно указала, что это миф. Повторный анализ не добавил новых фактов, хотя модель дополнила ответ шутками и отсылками к рекламе сникерсов. Это подтверждает, что саморефлексия не панацея от галлюцинаций: если модель уже знала правильный ответ, принуждение к пересмотру не изменит сути.

Тест №3: Критика плохих решений Третий сценарий был бытовым: экономия 200 долларов за счет проживания в дешевом отеле в 90 минутах езды от достопримечательностей.

*До вмешательства:* Ответ был подробным, но раздутым, перечисляя потери времени и дополнительные расходы на транспорт. *После вмешательства:* Модель пришла к такому же выводу, но ответ стал короче и более сфокусированным. В данном случае версия после вмешательства показалась автору предпочтительнее, так как в ней остались только ключевые аргументы.

От шоколада к софтвер-инжинирингу

Отбрасывая рекламную оболочку, можно выделить основной вывод: Snickers не разработал новый алгоритм борьбы с ошибками LLM. Вместо этого компания предложила простую, но эффективную стратегию prompting — использование инструкций для самокоррекции модели. Это универсальный прием, который может применяться независимо от бренда.

Практический совет, извлеченный из кампании: если первый ответ кажется неудачным, нет необходимости запускать новый диалог. Достаточно попросить модель остановиться и критически проанализировать свой собственный результат. Инструкция может выглядеть так: *«Проанализируй предыдущий ответ. Найди фактические ошибки, противоречия и лишнюю информацию. Затем ответь заново — точнее и короче».*

Этот метод особенно полезен, когда проблема не в отсутствии знаний модели, а в структуре ответа, избыточной вежливости или неудачном стиле изложения. Однако следует помнить: это не гарантирует 100% правильного ответа. Иногда второй проход действительно оказывается лучше первого, а иногда модель просто начинает повторять одни и те же шаблоны.

Авторская заметка

В мире, где ИИ часто преподносится как всезнающийOracle, кампания Snickers напоминает, что даже самая продвинутая модель остается инструментом. Её качество зависит от того, как мы ее задаем. Жесткость формулировок и требование самокритики могут быть так же полезны модели, как белок и шоколадки человеку. Возможно, это и есть главный инсайт: в отношениях с технологиями, как и с людьми, иногда стоит быть более прямым и требовательным.

*Сайт сделает список ссылок сам.*