У 2026 році Андрій Карпаті, колишній керівник AI у Tesla, запропонував підхід до роботи з великими мовними моделями, який різко контрастує з типовою культурою «просто напиши кращий промпт». Підприємець і розробник Остін Марчезе, який будує продукти на базі Claude, розклав цей підхід на три шари. Перший і ключовий з них — це правильно побудована специфікація (spec), яка перетворює людське розуміння задачі на формат, з яким модель справді може надійно працювати.
Цей матеріал зосереджений саме на першому шарі: як створювати високоякісні спеки для Claude за методом Карпаті, чому «план-режим» моделей недостатній і як перейти від поверхневих завдань до справжніх цілей бізнесу.
Автомийка за 50 метрів: як проста задача викриває глибоку проблему AI
Карпаті наводить, на перший погляд, банальне запитання: «Я хочу поїхати на автомийку, щоб помити машину. Вона за 50 метрів. Мені їхати чи йти пішки?» Сучасні моделі впевнено відповідають: «Йти пішки, бо це дуже близько».
Марчезе перевірив це на чотирьох провідних системах — Claude, Gemini, Grok і ChatGPT. Усі порадили йти. Формально логіка виглядає розумною: коротка відстань, отже, пішки. Але в реальному світі це помилка: ціль — не «дійти до автомийки», а «помити машину», а для цього машина має опинитися на автомийці.
Цей приклад оголює фундаментальну рису сучасних моделей. Вони блискуче працюють там, де все можна виміряти й формалізувати: математика, код, чітко структуровані інструкції. Але в задачах, де критичну роль відіграє контекст і приховані передумови, модель не має «сигналу», на який можна спертися. Вона бачить поверхневий опис ситуації, а не глибинну ціль.
У випадку з автомийкою модель «бачить» лише відстань і загальну людську норму: якщо близько — йди пішки. Вона не розуміє, що ключовий об’єкт задачі — не людина, а автомобіль, який має опинитися в точці послуги. Це не дрібна помилка, а симптом: між людським розумінням задачі та тим, що реально «бачить» AI, існує розрив.
Саме цей розрив і має закрити перший шар методу Карпаті — шар специфікації.
Спека як міст між людською інтуїцією та «обчислювальним мозком» Claude
Карпаті пропонує дивитися на сучасні моделі не як на «цифрових співробітників», а як на потужні статистичні симулятори, яким потрібно дуже чітко пояснити, що саме вони мають робити. У цьому контексті «спека» — це не просто розширений промпт, а формалізований перенос вашого розуміння задачі в структуру, яку модель може обробити без небезпечних припущень.
Марчезе описує перший шар методу так: це створення детальної спеки, яка переносить людське розуміння в формат, придатний для Claude. На відміну від «план-режиму» (plan mode), який генерує загальний план дій, Карпаті вважає, що цього рівня абстракції недостатньо. План занадто високорівневий і залишає моделі надто багато простору для інтерпретацій — саме там і народжуються помилки на кшталт «прогулянки до автомийки».
Замість цього пропонується працювати з AI як із «агентом-співавтором спеки»: не просто просити його «спланувати», а разом із ним проєктувати детальну специфікацію. Спека стає тим самим «контрактом», який фіксує:
- що насправді є ціллю;
- які обмеження та контекст;
- які кроки і в якій послідовності мають бути виконані;
- які рішення потребують людського підтвердження.
У цьому підході головне — не красномовність промпта, а точність і структурованість опису задачі.
Від завдання до цілі: чому «зроби звіт» — це погана спека
Ключова помилка, яку Марчезе бачить у більшості користувачів AI, — вони формулюють для моделі завдання, а не цілі. Наприклад: «Створи звіт за підсумками місяця». На поверхні це виглядає як нормальний запит. Але з точки зору методу Карпаті це лише «поверхневе завдання».
Справжня ціль у такому випадку — не сам звіт, а рішення, яке цей звіт має допомогти ухвалити. Чи потрібно скоротити витрати? Чи варто масштабувати рекламну кампанію? Чи доцільно наймати нових людей у відділ продажів? Саме ці питання і є тим, заради чого взагалі створюється звіт.
AI ніколи не зможе самостійно вирішити, яка з цих цілей є вашою. Модель не має власних мотивацій, бізнес-контексту, політики компанії чи розуміння ризиків. Вона може лише оперувати тим, що ви явно сформулювали. Якщо ви даєте їй лише завдання «зробити звіт», вона оптимізуватиме структуру, стиль, візуалізацію — але не те, чи допоможе цей документ ухвалити правильне рішення.
Тому перший крок у побудові спеки — виявити справжню ціль. Не «що треба зробити», а «яке рішення або зміну в реальному світі це має забезпечити». У випадку з автомийкою ціль — «чиста машина», а не «людина біля автомийки». У випадку з бізнес-звітом — «чітке управлінське рішення», а не «красивий PDF на 20 сторінок».
Марчезе пропонує системно вбудувати цей крок у роботу з Claude: замість того, щоб одразу просити модель «зробити X», варто спочатку попросити її провести з вами міні-інтерв’ю.
Claude як інтерв’юер: як витягнути справжню ціль і обмеження
Щоб перетворити розмиту задачу на якісну спеку, Марчезе радить використати Claude як інструмент для «витягування» цілей і контексту з користувача. Ідея проста: перш ніж щось будувати, модель має розпитати вас, що саме ви намагаєтеся досягти.
Замість промпта на кшталт «Створи end-of-month звіт по продажах» варто почати з інструкції: «Проведи зі мною інтерв’ю, щоб виявити ціль цього проєкту, ключові рішення, які мають бути ухвалені на основі результату, і обмеження, в яких ми працюємо». Далі Claude ставить уточнювальні запитання, а ви відповідаєте, поступово розкриваючи:
- які саме бізнес-рішення мають бути прийняті;
- які метрики справді важливі;
- які часові, бюджетні чи регуляторні обмеження існують;
- які приклади «хорошого результату» ви вже бачили в минулому.
У результаті формується не просто опис завдання, а карта цілей і контексту, на якій потім будується спека. Це критично важливо, оскільки модель не здатна «вгадати» ваші справжні пріоритети. Вона може лише структурувати те, що ви їй дали. Інтерв’ю-етап змушує користувача проговорити те, що зазвичай залишається в голові як неявне знання.
Фактично Claude тут виступає не як «виконавець», а як фасилітатор мислення. Він допомагає перетворити інтуїтивне розуміння задачі на явну, структуровану специфікацію. І саме ця специфікація, а не початковий розмитий запит, стає основою для подальшої роботи моделі.
Agile проти waterfall: чому великі промпти ламають навіть найкращі моделі
Ще одна типова помилка користувачів AI — спокуса «скинути все й одразу». Якщо модель здається надпотужною, виникає бажання описати в одному гігантському промпті весь проєкт: від постановки задачі до архітектури, реалізації, тестування й документації. Це класичний waterfall-підхід: одна велика задача, один великий результат наприкінці.
Марчезе називає це «водоспадним» використанням AI і вважає, що саме так більшість людей інтуїтивно намагаються працювати з агентами. Проблема в тому, що кожне припущення моделі на такій довгій дистанції накопичує похибку. Якщо десь на початку вона неправильно інтерпретувала ціль або контекст, уся подальша робота буде побудована на хибній основі.
Альтернатива — agile-підхід до спеки. Замість однієї гігантської інструкції проєкт розбивається на низку невеликих, чітко окреслених підзадач із проміжними контрольними точками. Кожен крок має:
- вузький, зрозумілий обсяг;
- конкретний очікуваний результат;
- момент перевірки й корекції перед переходом до наступного етапу.
У такій моделі Claude не отримує одразу «все й назавжди». Він працює за циклами: специфікація для маленького кроку, виконання, рев’ю, корекція, наступна спека. Це знижує ризик того, що помилка на ранньому етапі зіпсує весь проєкт, і дозволяє людині постійно тримати руку на пульсі.
Марчезе пропонує прямо зафіксувати цю філософію в роботі з Claude: інструктувати модель «зміщуватися» в бік менших, більш відокремлених спек. Тобто не просто розбивати задачу вручну, а просити AI самому пропонувати дрібніші модулі роботи, замість того щоб намагатися охопити все одразу.
У підсумку спека перетворюється на серію компактних «контрактів» між людиною й моделлю, кожен з яких легко перевірити й скоригувати.
«Будь точним і користуйся мозком»: чому AI має змушувати вас думати
Третій елемент першого шару — точність і свідома участь людини. Марчезе наголошує: що точніше сформульована спека, то менше припущень мусить робити модель. А кожне припущення — це потенційна точка відхилення від того результату, який ви насправді хочете отримати.
У практиці це означає дві речі.
По-перше, варто максимально конкретизувати вимоги ще на етапі спеки. Замість «зроби це добре» — чіткі критерії: які розділи, яка структура, які формати даних, які обмеження по часу виконання, які зовнішні залежності. Це не про мікроменеджмент, а про зменшення простору для небезпечних інтерпретацій.
По-друге, користувач не може делегувати моделі відповідальність за зміст самої спеки. Навіть якщо Claude допомагає її писати, людина має критично перечитати документ і зрозуміти, що саме там зафіксовано. Щоб не перетворити цей етап на формальність, Марчезе радить прямо вбудувати в промпт вимогу: «Зроби так, щоб я явно підтвердив ключові рішення».
Інакше кажучи, Claude має не просто видати готову спеку, а змусити користувача пройтися по критичних точках і підтвердити або скоригувати їх. Це може стосуватися, наприклад:
- вибору основної метрики успіху;
- припущень про цільову аудиторію;
- обраної архітектури рішення;
- компромісів між швидкістю й якістю.
Такий підхід перетворює AI на інструмент, який не відбирає в людини мислення, а навпаки — структурує його й підштовхує до усвідомлених рішень. У результаті спека стає не просто «довгим промптом», а продуманим документом, який справді відображає цілі, контекст і обмеження проєкту.
«Сучасна інженерія»: як виглядає зріла робота з Claude на першому шарі
Коли всі три елементи першого шару складаються разом, формується те, що Марчезе називає «modern engineering» — сучасною інженерією роботи з AI. Вона базується не на магічних формулюваннях промптів, а на дисципліні побудови специфікацій.
У зрілому вигляді цей процес виглядає так. Спочатку користувач разом із Claude через інтерв’ю виявляє справжню ціль проєкту й рішення, які мають бути ухвалені на основі результату. Потім задача розбивається на низку невеликих, чітко окреслених спек із проміжними контрольними точками, а модель свідомо «зміщують» у бік дрібних, відокремлених модулів роботи. Нарешті, кожна спека формулюється максимально точно, а ключові рішення всередині неї проходять явне підтвердження людиною.
На цьому етапі Claude ще нічого не «будує» — він допомагає створити карту майбутньої роботи, яка мінімізує ризики помилок на кшталт «піти пішки до автомийки». Модель отримує не розмитий запит, а структурований опис цілей, контексту й кроків, у межах якого її статистичні здібності можуть розкритися максимально безпечно й корисно.
Наступні шари методу Карпаті — верифікація результатів і побудова середовища, де ці процеси живуть постійно, — розширюють цю базу. Але саме перший шар, шар спеки, визначає, чи буде AI працювати як інструмент для реалізації людських цілей, чи як генератор переконливих, але потенційно хибних відповідей.
Висновок: AI не вгадає вашу ціль — її треба зафіксувати
Приклад із автомийкою показує, що навіть найсучасніші моделі можуть блискуче оперувати фактами й водночас провалюватися в елементарних життєвих ситуаціях. Причина не в «дурості» AI, а в тому, що він працює з поверхневим формулюванням задачі, а не з глибинною ціллю.
Метод Карпаті, у викладі Остіна Марчезе, пропонує просту, але вимогливу відповідь: перестати покладатися на високорівневі плани й почати будувати детальні спеки, які явно кодують людське розуміння цілей, контексту й обмежень. Для цього варто використовувати Claude не лише як виконавця, а як інтерв’юера й співавтора специфікацій, працювати в agile-ритмі невеликих кроків і змушувати себе явно підтверджувати ключові рішення.
У такій моделі AI перестає бути «чорною скринькою», якій кидають усе підряд у надії на диво. Він стає частиною дисциплінованого інженерного процесу, де головна цінність — не чарівний промпт, а якісно сформульована спека.
Джерело
Stop Prompting Claude. Use Karpathy’s Method Instead. — Austin Marchese