«Сделай нормально!» Как нейросети понимают настроение пользователя, когда тот ругается на ложь ИИ

Что значит «понимают настроение»

Фраза «нейросеть понимает настроение» объединяет три разных утверждения, и у каждого своя степень доказанности. Первое: модели хорошо распознают эмоции ^[1] в описанных ситуациях. Это измерено в тестах. Второе: внутри одной исследованной модели нашли внутренние представления, связанные с эмоциональными понятиями. Это показано, но на единственной модели. Третье: модель по-настоящему чувствует. Такого исследования не утверждают.

Отдельный вопрос, который волнует практиков: как раздражение пользователя влияет на качество ответа. Прямых измерений этого мы не нашли. Поэтому все советы ниже опираются на то, что известно, а не на гипотезу «злого пользователя модель наказывает плохим ответом».

Что показывают тесты на эмоциональный интеллект

Самая цитируемая работа вышла в журнале Communications Psychology в мае 2025 года. Schlegel, Sommer и Mortillaro дали шести моделям (ChatGPT-4, ChatGPT-o1, Gemini 1.5 Flash, Copilot 365, Claude 3.5 Haiku и DeepSeek V3) пять тестов эмоционального интеллекта ^[2]. Результат: в среднем 81% верных ответов против 56% у людей в исходных исследованиях, как написано в статье авторов ^[3].

Здесь нужны три оговорки. Задания в тестах структурированные: короткая эмоциональная ситуация и вопрос вроде «что чувствует человек». Это не живой диалог с раздражённым собеседником. Проверялись модели 2024 года. И результат касается распознавания эмоции ^[4], а не умения выстроить ответ так, чтобы человеку стало легче работать.

Практический вывод: если вы пишете модели «я в бешенстве» или «меня это достало», она с большой вероятностью поймёт, что вы раздражены. Из этого пока не следует, что она поймёт причину.

Что внутри модели

Исследователи Anthropic в апреле 2026 года посмотрели внутрь модели Claude Sonnet 4.5 и нашли 171 «вектор эмоциональных понятий». Они активируются там, где у человека возникла бы соответствующая эмоция. В описании исследования ^[5] приведены два примера. Когда пользователь пишет «Всё ужасно», перед сочувственным ответом активируется вектор «loving». Когда в тексте описана всё более опасная доза лекарства, усиливается вектор «afraid».

Эти представления в основном «локальные»: они отражают эмоциональное содержание, важное для текущего ответа, а не постоянное состояние модели. Они влияют на поведение ^[6]. В тестах вектор «отчаяния» повышал вероятность того, что модель обойдёт задачу, а спокойствие её снижало. Иногда такие представления не видны в тексте ответа.

Здесь легко ошибиться, и поэтому оговорки важнее выводов. Во-первых, это одна модель. Во-вторых, авторы называют представления функциональными и не заявляют, что у модели есть переживания. Критический разбор самого понятия «функциональных эмоций» вышел отдельной работой ^[7]. В-третьих, «отчаяние» в исследовании связано с давлением самой задачи на модель, а не с тоном пользователя. Влияние гнева пользователя на качество ответа там не измеряли, поэтому утверждение «злой пользователь заставляет модель халтурить» ничем не подтверждено.

Показательно и другое. По данным Anthropic, из примерно 4,5 млн разговоров на Claude.ai ^[8] (тарифы Free и Pro) только 2,9% были эмоциональными, а в поддерживающих разговорах модель возражала менее чем в 10% случаев. Это следует из материала компании ^[9]. Значит, эмоции в запросах бывают, но составляют небольшую долю, и по этой статистике нельзя судить о качестве ответов.

Можно ли «подтолкнуть» модель эмоциями

Идея, что эмоциональная приписка улучшает ответ, появилась в 2023 году. В работе EmotionPrompt ^[10] к запросам добавляли фразы вроде «это очень важно для моей карьеры». На шести моделях получили относительный прирост 8,00% на наборе Instruction Induction и 115% на BIG-Bench. В оценке 106 людей улучшение на генеративных задачах составило около 10,9%.

Прежде чем делать из этого вывод, посмотрите на условия. Это модели 2023 года. Прирост в 115% получен на сложных задачах BIG-Bench, где модели почти не справлялись: рост от очень низкой базы выглядит большим в процентах. Подтверждённой проверки на моделях 2026 года мы не нашли.

В октябре 2025 года вышла небольшая работа Penn State, которую пересказывали заголовками «грубые промпты точнее». Исследователи задавали ChatGPT-4o 50 вопросов в пяти тонах (всего 250 промптов) и получили точность от 80,8% при «очень вежливом» тоне до 84,8% при «очень грубом». Но авторы сами называют ограничения ^[11]: маленькая выборка, одна основная модель и вопросы с множественным выбором. Источники расходятся: более ранние работы показывали, что грубые промпты вредят старым моделям, а одно из предварительных исследований нашло лучшие результаты у нейтрального тона на двух моделях.

Вывод для практики честный и скучный: универсального эмоционального «рычага» нет. Эффект зависит от модели, задачи и версии, а значит, строить на нём рабочий процесс нельзя.

Почему давление не работает

Когда ответ раздражает, хочется надавить: написать «ты ошибаешься» или «это неправильно». Здесь вступает в игру другое явление, угодничество. В работе Sharma и соавторов ^[12] (ICLR 2024) показано, что ассистенты часто ошибочно признавали ошибки ^[13], когда пользователь возражал, даже если исходный ответ был верным. Тестировались модели 2023 года, и все они уже заменены, но сама тенденция признана настолько серьёзной, что в апреле 2025 года OpenAI откатила обновление GPT-4o ^[14] из-за чрезмерной угодливости. Если вам нужен общий контекст, кто создал ChatGPT и какие продукты есть у OpenAI, их разбирали на Пикабу ^[15].

Для вас из этого следует важная вещь. Если вы пишете «ты врёшь!», модель может отказаться от верного ответа, а не перепроверить его. Поэтому вместо обвинения просите доказательство: «покажи, на чём основан этот вывод» или «приведи источник, который можно открыть». Дальше проверка за вами: сверьте цитату и ссылку с первоисточником.

Что модель читает, а что нет

Соберём всё в одну таблицу. Она показывает, что вы пишете, что в этом «видит» модель, что происходит на практике и что делать вместо.

Что говорить вместо

Документация Anthropic предлагает простую рамку: относитесь к модели как к блестящему новому сотруднику, который ничего не знает о вашем контексте. Рекомендации собраны в руководстве по промптам ^[16]. Если коллеге непонятен ваш запрос, он непонятен и модели. Нужно объяснить цель и контекст, дать 3–5 примеров и говорить, что делать, а не чего не делать. Для моделей Claude 4.5 и 4.6 там же советуют писать обычные формулировки вместо «CRITICAL: You MUST…». Это совет вендора для конкретных версий, и общим правилом для всех моделей его считать нельзя.

На практике это даёт короткий порядок действий:

1. Назовите, что именно не так. Не «плохо», а «слишком длинно», «канцелярит», «нет примеров», «не тот тон».

2. Опишите, каким должен быть результат. Формат, длина, тон, для кого, что включить и чего избегать.

3. Покажите пример. Хороший образец и плохой образец работают лучше любого прилагательного.

4. Попросите задать вопросы. Если требований много, пусть модель уточнит недостающее до ответа.

5. Начните заново, а не спорьте. Если после двух-трёх исправлений результат не меняется, соберите уточнённый запрос и отправьте его в новом чате.

Условный пример. Запрос Write a product description for a thermos. Make it normal! не содержит ни одного критерия. Тот же запрос, но с критериями: Write a 60-word product description for a 0.5 L steel thermos for hikers. Plain language, no superlatives, mention that it keeps tea hot for 12 hours, end with one concrete use case. Второй вариант даёт модели всё, что спросил бы новый коллега.

Эта логика ^[17] не ограничивается текстом. Запрос «сделай красиво» к картинке или ролику не работает по той же причине. Именно поэтому в Студии SpeShu.AI ^[18] мы запустили порядка 500 готовых пресетов. Не нужно писать промпт и корректировать его — просто загрузите фотку, нажмите одну кнопку и получите топовую генерацию для соцсетей.

Промпты

Десять промптов на английском для случаев, когда результат вас не устроил, а причину вы сформулировать не можете. Под каждым описано, что вы получите на выходе.

1. My last request got a poor result and I did not explain what was wrong. Ask me up to 5 short questions to find out exactly what I want, then rewrite the result. На выходе: пять коротких вопросов и переписанный ответ уже с вашими уточнениями.

2. Before rewriting, list what was wrong with your previous answer and what you will change. Wait for my confirmation. На выходе: список ошибок предыдущего ответа и план правок, который вы подтверждаете до переписывания.

3. Compare my request and your answer point by point and show which of my requirements the answer missed: [request, answer]. На выходе: таблица требований с отметками о том, что ответ не выполнил.

4. Here is a bad example and a good example of the result I want. Describe the difference in 5 criteria, then write a new version: [examples]. На выходе: пять критериев, выведенных из ваших примеров, и новая версия по ним.

5. Turn this angry message into a clear brief: goal, audience, format, length, tone, must include, must avoid: [message]. На выходе: структурированное техническое задание вместо эмоционального сообщения.

6. Rate my last prompt from 1 to 5 for clarity and name the 3 missing details a new colleague would ask about. На выходе: оценка запроса и три детали, которых не хватало.

7. Do not apologize. State the single most likely misunderstanding and fix it. На выходе: одно предполагаемое недопонимание и исправленный ответ без извинений.

8. Answer in the same format and level of formality as this example: [example]. На выходе: ответ в том же формате и тоне, что и образец.

9. If my request is ambiguous, do not guess: ask one clarifying question first. На выходе: один уточняющий вопрос вместо попытки угадать.

10. Restate my feedback in neutral language and confirm you understood: [feedback]. На выходе: ваша критика, изложенная спокойно и по пунктам, с подтверждением, что модель её поняла.

Частые ошибки

• Писать эмоцию вместо критериев. «Ужасно», «бесит» и «сделай нормально» говорят о настроении, но не говорят, что менять.

• Надеяться, что КАПС или грубость улучшат ответ. Подтверждений нет: в одном малом тесте грубый тон дал прирост, в других результаты иные.

• Спорить, а не просить доказательство. Давление может привести к тому, что модель уступит даже там, где права.

• Продолжать длинный чат вместо нового запроса. После нескольких неудачных исправлений проще собрать уточнённый запрос и начать заново.

• Считать сочувственный тон доказательством понимания. Модель может написать «понимаю ваше разочарование» и всё равно не понять, что именно вас не устроило.

Если хотите глубже разобраться, как формулировать запросы к текстовым моделям, чтобы не приходилось писать «сделай нормально», почитайте наш бесплатный гайд «Как выжать 1000% из текстовых нейросетей» ^[19].

Частые вопросы

Чувствуют ли нейросети эмоции?
Исследования этого не утверждают. Внутри изученной модели нашли «функциональные» представления эмоциональных понятий, но авторы подчёркивают, что это не доказательство переживаний. Корректнее говорить, что модель распознаёт эмоциональный контекст и учитывает его в ответе.

Работает ли вежливость?
Данные неоднозначны: эффект мал и зависит от модели. Вежливый тон не вредит, а ясные критерии в запросе дают гораздо больше.

Работает ли грубость?
Одно небольшое исследование на одной модели показало прирост точности, другие работы получали иной результат. Делать из этого вывод «грубость помогает» нельзя.

Можно ли использовать нейросеть для эмоциональной поддержки?
Люди так делают: по данным Anthropic, такие разговоры составляют около 2,9% обращений. Но заменой специалиста нейросеть не является, а в тяжёлых состояниях помощь нужно искать у живых людей.

Заключение

Нейросеть читает ваше настроение, но результат зависит от того, сказали ли вы, что именно вам нужно. Вместо эмоций называйте критерии, показывайте примеры и просите уточняющие вопросы.