Anthropic, компания, стоящая за популярной моделью AI Claude, выпустила статью, которая на первый взгляд может показаться сухой технической заметкой. На самом деле в ней скрыты важные подсказки для всех, кто использует искусственный интеллект в работе — от стартапов до крупных корпораций. Речь идёт не о новых функциях, а о том, как правильно настроить старые промпты (инструкции для AI), чтобы новая модель Claude работала дешевле и эффективнее.
Проблема в том, что многие разработчики и компании, которые интегрируют AI в свои продукты, просто переносят настройки со старых моделей на новые, не проверяя, как это влияет на затраты и качество. Например, инструкция «отвечай максимально подробно» может заставить модель делать десятки лишних запросов к базе знаний, увеличивая стоимость вызовов без реальной пользы.
В одном из тестов Anthropic после удаления таких «костылей» средняя стоимость задач поддержки клиентов упала на 14,6%, а точность даже выросла на 5,3%. Это не просто цифры — это реальная экономия, которая может изменить бизнес-модель компании.
Но почему это происходит именно сейчас? Дело в том, что новые модели AI становятся умнее, и им не нужны те «трюки», которые раньше помогали компенсировать их слабые стороны. Например, если раньше модель плохо понимала контекст, то разработчики добавляли в промпт требование «сначала напиши черновик рассуждений». Теперь новая модель может обойтись без этого, но если инструкция осталась, она будет только тратить дополнительные токены (единица измерения затрат на AI) на лишние действия.
Ещё одна проблема, о которой мало кто знает, — это кэш. Когда AI выполняет задачу, она может сохранять результат в кэше, чтобы не повторять одни и те же действия. Но если вы измените даже мелочь — например, добавите временную метку в промпт или поменяете порядок описания инструментов, — весь кэш сбрасывается. Это значит, что система будет тратить время и ресурсы на повторные вычисления, хотя могла бы использовать уже готовые ответы.
Anthropic уже решила эту проблему для своей модели Claude Code, добавив автоматические проверки, но многие компании до сих пор не знают об этих инструментах.
Интересно, что иногда более сильная модель может дать лучший результат при меньших настройках «усилий». Например, в тестах на платформе CursorBench новая модель Fable 5.1 с минимальным уровнем рассуждений (low) показала результат, сравнимый со старой версией Fable 5 с максимальным уровнем (high), но при этом обошлась в три раза дешевле.
Это означает, что заставлять новую модель «думать на максимуме» не всегда оправдано — иногда достаточно дать ей меньше времени на размышления, и она справится лучше, чем слабая модель на полной мощности.
Но как это всё работает на практике? Представьте, что у вас есть чат-бот для поддержки клиентов. Вы настроили его так, чтобы он всегда отвечал максимально подробно, потому что раньше это улучшало качество. Но теперь новая модель Claude может отвечать быстрее и точнее без лишних деталей. Если вы не обновите промпт, бот будет продолжать тратить ресурсы на ненужные поиски в базе знаний, увеличивая ваши расходы.
При этом клиенты могут даже не заметить разницы в качестве — им просто важно получить ответ быстро.
Anthropic уже предлагает инструменты, которые помогают автоматически проверять промпты и находить места, где можно сэкономить. Например, команда /claude-api prompt-audit анализирует инструкции на наличие лишних или устаревших правил, а /claude-api cost-optimize показывает, где можно снизить затраты. Но многие разработчики просто не знают об этих возможностях или не уделяют им внимания, потому что считают, что новые модели «и так всё понимают».
На самом деле, даже небольшие изменения в настройках могут дать значительную экономию.
Что это значит для бизнеса? Если вы используете AI в своей работе — будь то обработка запросов клиентов, генерация контента или анализ данных — то вероятнее всего, вы переплачиваете. Новые модели становятся умнее, но им нужны другие инструкции. Если вы не обновите промпты, то рискуете тратить больше, чем нужно, без реальной отдачи. При этом конкуренты, которые оптимизируют свои настройки, могут получить преимущество — например, снизить цены на свои услуги или увеличить прибыль.
Но есть и риски. Не все изменения в промптах сразу дадут положительный эффект. Например, если вы слишком сильно упростите инструкции, модель может начать отвечать неточно или неполно. Поэтому важно тестировать новые настройки на реальных данных, а не просто копировать рекомендации из статьи. Также стоит учитывать, что разные задачи требуют разных подходов — то, что работает для поддержки клиентов, может не подойти для генерации кода или юридических документов.
В долгосрочной перспективе эти изменения могут привести к тому, что использование AI станет ещё более доступным для малого бизнеса и стартапов. Сейчас многие компании отказываются от AI из-за высоких затрат, но если удастся оптимизировать настройки, то стоимость может снизиться настолько, что искусственный интеллект станет обычным инструментом, как Excel или CRM. Это особенно важно для России, где многие компании ещё только начинают внедрять AI из-за нехватки опыта и ресурсов.
Но для этого нужно, чтобы разработчики и IT-отделы начали серьёзнее относиться к оптимизации промптов. Сейчас многие просто берут готовые шаблоны или копируют настройки из открытых репозиториев, не проверяя, насколько они актуальны. Если бы все компании пересмотрели свои инструкции для AI, то общая экономия могла бы составить миллионы долларов в год.
Но для этого нужны не только новые инструменты от компаний вроде Anthropic, но и культура оптимизации — понимание, что даже небольшие изменения могут дать большой эффект.
