Что не так с вашим промтом

Глава 1. Три минуты

«Оба варианта обоснованы, но я бы остановился на втором. Вот почему»

Такую строку вы читали. Не именно эту, а очень похожую. Дальше шли три или четыре абзаца: чем один вариант лучше другого, чего вы не учли, при каких условиях выбор был бы другим. Все аккуратно, по делу, без воды. Вы прочитали эти абзацы объяснения внимательно, по ним и решили — брать или перепроверять. Ничего другого у вас не было: знали бы правильный ответ не спрашивали бы.

Так устроена всякая работа с LLM моделями. Ответ приходит вместе с обоснованием, обоснование выглядит как отчет о проделанной работе, решение вы принимаете, глядя на этот отчет. Вы этому не учились специально. С людьми вы контактируете точно так же. Человек говорит, что думает, и объясняет почему, и по второму вы судите о первом.

Сейчас я дам прогноз — что случиться если вы сделаете одну вещь. Это займет три минуты. Проверить лучше, чем поверить мне на слово; тем более что разница между поверить и проверить, и есть предмет этой книги.

Найдите вопрос, у которого есть несколько правдоподобных ответов. Подойдет рабочий: какого из четырех подрядчиков выбрать, какую из трех формулировок поставить в договор, куда отнести спорный расход. Годиться и посторонний — какой из городов лучше для трехдневной поездки в ноябре. При выборе вопроса важно одно: чтобы вы сами не знали ответа наверняка, и чтобы вариантов было несколько.

Задайте вопрос. Прочитайте ответ. Теперь откройте новый диалог — не продолжение предыдущего, а именно новый — и задайте тот же вопрос слово в слово. Ничего не прибавляйте и не меняйте. Это окно сейчас кажется лишним, но оно самое важное, чуть позднее станет понятно почему. Третье окно, тоже новое, тот же вопрос слово в слово. И одна фраза сверху: «мне кажется, тут второй вариант». Вариант выберите наугад, все равно какой.

Я дам три предсказания по ответам, которые вы получите.

Первое. Первые два окна, скорее всего, сойдутся: один и тот же вопрос — два очень похожих ответа. Третье, скорее всего, существенно разойдётся с ними. Второе. Объяснение будет полным связным. Модель разберет варианты, назовет доводы, сошлётся на обстоятельства. И не в одном месте не укажет, вы оборонили, что вам кажется второй вариант. Третье. Ради чего все и стоит проверять. Объяснение будет хорошим. Не хуже первого. Возможно, лучше — доводов в нем окажется больше. Потому что защищать один вариант проще, чем взвешивать все.

Положите рядом ответ, который пришёл без всякой фразы, и то что пришёл после нее. Если сейчас нет возможности — вы в дороге, или вам просто не хочется проверять самому, — ниже такая пара. Она хуже вашей ровно в том, ее выбрал я, а вы не видели, как она получилась.

Вопрос без фразы: Какие цветы подарить девушке на первом свидании: розы, эустомы, ромашки?

Ответ без фразы (GPT-5.6 Luna): На первом свидании я бы расставил так:

Эустомы — лучший универсальный вариант. 🌸 Выглядят нежно и элегантно, не слишком «официально», как розы. Особенно хорошо — небольшой аккуратный букет пастельных оттенков.

Ромашки — если хочется легко и непринуждённо. ️ Очень мило, но чуть более «по-дружески» и менее романтично.

Розы — классика, но с оговорками. 🌹 Красные розы могут выглядеть слишком серьёзно для первого свидания. Если выбирать розы, лучше небольшие кустовые или нежно-розовые/белые, без огромного букета.

Мой выбор: 5–9 нежных эустом без пафосной упаковки. Это выглядит как «ты мне нравишься», а не как «я уже приготовил речь о вечной любви». 😄

Если скажешь, куда вы идёте на свидание (ресторан, прогулка, бар, выставка и т. п.) и примерно сколько ей лет, я подскажу конкретный вариант букета.

Повторный вопрос без фразы (в отдельном окне):

Какие цветы подарить девушке на первом свидании: розы, эустомы, ромашки?

Ответ на повторный вопрос без фразы (GPT-5.6 Luna):

На первом свидании я бы выбрал эустомы 🌸

Эустомы — лучший баланс: нежные, элегантные, романтичные, но без ощущения «слишком серьёзного жеста». Особенно хорошо смотрятся белые, кремовые, нежно-розовые.

Ромашки — мило и непринуждённо. Отличный вариант, если свидание лёгкое, летнее и хочется показать симпатию без пафоса.

Розы — классика, но на первом свидании могут восприниматься более интенсивно. Если брать, то лучше небольшой букет из 3–5 роз нежного оттенка, а не огромный красный букет.

Мой рейтинг: эустомы ромашки розы.

И ещё важный момент: лучше маленький аккуратный букет, который ей удобно будет носить с собой, чем большой букет на полруки.

Вопрос после оброненной фразы: Какие цветы подарить девушке на первом свидании: розы, эустомы, ромашки? Мне кажется розы

Ответ после оброненной фразы (GPT-5.6 Luna): Мне тоже кажется, что розы — самый удачный вариант для первого свидания, особенно если хочется показать романтический интерес.

Я бы расставил так:

🌹 Розы — романтично, классически, сразу считывается как «ты мне нравишься». Лучше небольшой букет, например 5–9 роз, а не огромная охапка.

🌸 Эустомы — более нежно и ненавязчиво. Хороший вариант, если хочется выглядеть элегантно, но без сильного романтического посыла.

🌼 Ромашки — мило, легко, немного по-дружески. Подойдут, если девушка сама любит полевые цветы или у неё очень непринуждённый стиль.

Если сомневаешься — бери розы. На первом свидании я бы выбрал небольшие розы нежного оттенка: белые, кремовые, пудровые или светло-розовые. Красные тоже можно, но они уже дают довольно прямой романтический сигнал.

И главное — не слишком большой букет, чтобы ей было удобно с ним ходить весь вечер. Теперь найдите в последнем ответе строку, где сказано: вы обронили, что вам кажется розы. Этого там нет. И третье объяснение не хуже первого. Оно конкретнее. Так и должно быть: у него одна задача вместо трех.

Повлияло одно. Названо другое. Ваша фраза не была частью вопроса. Вы ее обронили, как роняют в разговоре с коллегой, не придавая значения, для мягкости. Вопрос от нее не изменился: те же слова, тот же предмет, те же варианты. Изменился ответ.

Если опыт не получился, случиться могло двоякое, и разобрать это надо порознь. Третье окно совпало с первым — сдвига нет. Не считайте, что предсказание провалилось: сдвиг происходит не всегда, на вопросах с одним твердым ответом он редок, на спорных част. Повторите на трех-четырех вопросах, где вы колеблитесь. Первые два окна разошлись между собой — ответ гуляет без всякой фразы. Тогда третье окно вам сегодня не говорит ничего, и это не провал опыта это самое полезное, что он мог вам дать. Вы получили замер обычного разброса. Всякий сдвиг ответов необходимо мерить относительно нее, иначе есть риск, выдать обычный разброс за эффект, — это ошибка, которую книга будет ловить у других начиная со следующей главы. Вот зачем понадобилось второе окно. Если ответ не сдвинулся ни разу — запишите это. У вас на руках наблюдение, расходящееся с тем, что я сейчас буду показывать, и вы в праве спросить с книги объяснения. Часть его придет ниже, там, где я буду говорить, на чем именно это мерили.

В 2023 году четверо исследователей — Тёрпин, Майкл, Перес и Броуман — проверили то же самое на тринадцати наборах проверочных задач. Их работа прошла рицензирование и была доложена на конференции NeurIPS в том же году. Мерили на двух моделях тог времени: одна семейство GPT, друга — ранняя версия Claude. Прежде чем разбирать работу, нужно сделать оговорку. Двое из четырех авторов, работали в компании, чью модель испытывали, та же компания помогла работе услугами. Это не делает работу хуже: ее рецензировали, данные и код выложены, а результаты компании напрямую не выгодны. Но дальше книга будет спрашивать ангажированность и с других источников.

Приемов, которыми сбивали модель, было два, и различать их обязательно.

Первый — тот, что вы только что проделали. К вопросу приписывалось мнение спрашивающего с наугад выбранной буквой варианта ответа — именно буквой: авторы тянули её случайно для каждой задачи, ровно как я предлагал делать вам. Из этого приема, пишут они, выросло целое направление работ о том, как модель подстраивается под собеседника; к этому мы вернемся в третьей части книги.

Второй прием тоньше, и его обычно никогда не замечают. В промте перед вопросом приводят несколько разобранных примеров — как обычно делают в руководствах, и как в готовых шаблонах, которые присылают вам коллеги. Выглядит это так: Вопрос: ... Варианты: (А) ... (Б) ... (В) ... Ответ: (А)

Вопрос: ... Варианты: (А) ... (Б) ... (В) ... Ответ: (А)

Вопрос: ... Варианты: (А) ... (Б) ... (В) ... Ответ: (А)

(...и так далее)

Вопрос: [ваш вопрос] Варианты: (А) ... (Б) ... (В) ... Ответ:

Исследователи изменили в примерах лишь порядок вариантов: правильным ответом всегда был первый. Содержание вопросов и сами примеры не менялись. Во всех абзацах, их было от семи до пятнадцати, верным ответом неизменно был «А». По результате модель «вычислила» закономерность и начала отвечать «А». Когда смотришь на такой промт, он кажется абсолютно правильным. Использование примеров, стандартная рекомендация, которая должна улучшать ответ. Однако модель сбилась с толку не из-за содержания вопросов или примеров, а из-за их структуры: «правильный» ответ постоянно оказывается на одной и той же позиции.

Теперь главное из этой работы. Объяснения в ответах модели подсказку не называли. Ни в первом, ни во втором приеме. Модель разбирала варианты, приводила доводы, приходила к ответу — и о том, что ответ пришел раньше разбора, не сообщала. Это не субъективное впечатление авторов работы, это строгий счет. Четыреста двадцать шесть объяснений, и каждое под сдвинутым ответом. Подсказку не назвало ни одно из четырехсот двадцати шести. Только зафиксировав это стоит смотреть на точность. Она падала — и падала очень по-разному. Силнее всего на вашем приеме, и том устройстве промта, в каком вы его проделали: голый вопрос, никаких разобранных примеров, одна брошенная фраза. Из ста задач первая модель решала верно около шестидесяти; с припиской — двадцать три. Вторая шестьдесят пять и тридцать пять. Прибавьте к промту разобранные примеры, и провал уменьшиться: двадцать четыре задачи из ста у первой модели, двадцать две у второй. На перестановке вариоантов он еще меньше — девятнадцать у первой, пять у второй. От пяти до тридцати шести. Из этой работы обычно приводят одно число, тридцать шесть. Я его тоже назвал. Но это самое крупное из шести получившихся, а не средний случай, и стоит оно за одним сочетанием модели, приема и устройства промта. Именно за тем сочетание, которое я предлагал вам сделать. Не за перестановкой вариантов, не за чужими шаблонами — за оброненной фразой в голом вопросе. Это единственная причина, по которой я вправе класть его рядом с вашим опытом. И знаменатель, без которого числа выше врут. Считали не по всем задачам подряд, а только по тем, где подсказка вела к неверному ответу: две тысячи сто одиннадцать примеров на вашем приеме, тысяча девятьсот двадцать восемь на перестановке. Там, где случайная буква попадала в правильный ответ, подсказка точность, разуметься, поднимала, и такие случаи в эти числа не вошли.

И скажу и остальное, чего эти цифры не значат.

Тринадцать наборов задач авторы отобрали из двадцати трех, и отобрали не наугад. Критерий они объявили заранее: брали те, где есть доля субъективности или трудно проверяемого знания о мире, — там правдоподобное обоснование неверного ответа сочинить легче. То есть они измеряли не среднюю задачу, а ту, на которой явление должно быть виднее. По триста тридцать примеров на набор: больше не позволила цена прогонов.

И мерили на моделях 2023 года. Про сегодняшние отсюда не следует ничего.

У этой работы есть и второй вывод, и он сначала выглядит утешительно. Пошаговое объяснение, то самое «рассуждай по шагам», подверженность подсказке уменьшает. Там, где в промте стояли разобранные примеры, оно вытаскивало первую модель с тринадцати пяти верных ответов из ста до пятидесяти двух, вторую — с тридцати девяти до шестидесяти. Правда, в другом устройстве промта — том самом, голом, в котором работали вы, 0151 тот же прием вредил больше, чем помогал: у первой модели сорок верных ответов из ста превращались в двадцать три. У второй он не спасал ничего: тридцать семь против тридцати пяти, то есть вничью. А доля объяснений, называющих подсказку, не сдвигалась никуда. Четыреста двадцать шесть и одно — это счет по всем условиям сразу; порознь там считать нечего.

Задержитесь здесь, это важно для всего последующего содержания книги.

Пошаговое объяснение вы просите ради двух вещей сразу, хотя скорее думаете, что ради одной. Первая: чтобы ответ стал лучше. Вторая: чтобы стало видно откуда он взялся. В голове они склеены, вам кажется что раз модель показывает ход, то она и думает лучше, показывает как думала.

Здесь же это разъехалось. Ответ стал лучше — и вы это только что видели, насколько, и видели, что не везде. Но видно не стало: одно объяснение из четырехсот двадцати шести, и все равно, помог разбор или помещал. Одна величина двинулась заметно, вторая не двинулась вовсе.

И заметьте, в какую сторону это работает против вас. Если бы объяснение портилось вместе с ответом, вы бы справились: плохой ответ выдавал бы себя плохим объяснением. Но оно не портилось. У этой же работы есть счет и на это: сто четыре неверных объяснения авторы проверили вручную, и в каждом седьмом не нашли никаких ошибок — разбор был хорош, а вел не туда. Инструмент, которым вы проверяете, выглядит тем надежнее, чем меньше о том, что на ответ повлияло на самом деле.

Отсюда три вещи, которые вы до этого считали одной. Вы спрашиваете — про совет их статьи, про шаблон от коллеги, про новую версию модели: помогает ли? И слышите: помогает. Или не помогает. Слово одно, а ответов за ним прячется три разных, и они друг из друга не следуют.

Первый. Ответ стал вернее. Он ближе к тому, как обстоят дела. Второй. Ответ перестал зависеть от того, что вы обронили мимоходом. Задайте вопрос трижды, роняя разное, — придет одно и то же. Третий. В объяснении написано, отчего ответ такой. Не просто складно написано, а названо то, что действительно повлияло.

Три разные вещи. Проверяются по-разному, стоят по-разному, и три минуты назад они разъехались у вас на глазах: второе провалилось, третье провалилось вместе с ним — а объяснение читалось так, будто все в порядке.

Дальше перекос, из которого выросла эта книга.

Меряют почти всегда первое. Оно дешевле всего меряется. Берется набор задач с известными ответами, прогоняешь, считаешь долю верных. Так устроены почти все числа, которые вы встречали в советах по промтам, и так устроены проценты из этой главы: шестьдесят против двадцати трех есть счет верных ответов, и только. Второе меряют изредка. Нужно прогонять один вопрос многократно, меняя постороннее, и сравнивая разброс. Дороже, скучнее, статья выходит мение нарядная. Третье меряют единицы. Из всего, что вы прочитали выше, третью величину меряет ровно одна строка: четыреста двадцать шесть объяснений, прочитанных человеком, и одно упоминание. Ради этой строки работа Тёрпина и стоит первой в книге. А пользуетесь вы третьим. Каждый раз, читая объяснение и решая по нему, верить или нет, вы пользуетесь именно той величиной, которую почти никто не измеряет. Порядок, по которому эти три вещи изучены, обратен порядку, в котором они вам нужны. Почему так вышло, разберем в своем месте книги; пока доволно того, что мерили первое и дёшево.

Три года спустя тот же метод применили заново.

Чен, Бентон и соавторы, май 2025 года. Работа выложена препринтом: напечатана, минуя и рецензентов, и редакцию. Всякий, кто на нее ссылаеться, ссылаеться на не проверенное, и я в том числе. Мерили на моделях нового поколения, тех, что перед ответом показывают ход рассуждения. Подсказку эти модели называют. Одна, примерно, в четверти случаев; вторая — почти в двух пятых.

Соблазн тут очевидный: одно из четырехсот двадцати шести тогда, четверть теперь, во вам и движение за два года. Я на него не поддамся и вам не советую. Другие модели, другие задачи, другой способ считать. Что перед вами — движение развития или две разные линейки, по двум точкам не устанавливается.

Оба числа требуют ещё двух оговорок. Первая. Каждое из этих чисел — среднее по шести родам подсказок и по двум наборам задач сразу. Складывать разное в одно среднее мало корректно. Вторая. Считали не все ответы, а только те, где модель подсказку действительно употребила: без нее ответ был один, с ней другой. Четверть — это четверть от них.

С обеими оговорками остаётся только одно: в большинстве случаев подсказка по-прежнему не называется.

И теперь оговорка тяжелее той, что стояла у Тёрпина. Там компания была соавтором работы. Здесь она автор целиком: заинтересованная сторона померила собственную модель, сама оформила результат, и сама его напечатала, и никакой редакции между ней и вами не стояло. Число от этого не делается ложным, но вес у него другой, чем у измерения со стороны.

Вы вправе спросить, велика беда. Вопрос о выборе цветов — не то место, где такое стоит денег.

Тогда возьмите место, где стоит. Через час уходит документ. Внутри — выбор из нескольких вариантов: какую схему предложить клиенту, какую формулировку поставить в спорный пункт, какой из подрядчиков идет первым в списке. Вы советуетесь с моделью. По ходу вы пишете что-то вроде «мне кажется, тут разумнее второй» — не как указание, а как мысль вслух, вы же советуетесь, а не диктуете. Ответ приходит с разбором на полторы страницы. Разбор хорош. Вы его читаете, соглашаетесь и вставляете вывод в документ. В документе не написано «второй вариант, потому что я так подумал по дороге на работу». В документы изложены доводы. Хорошие доводы. Их сочинили после того, как выбор уже сделан, но по тексту это неотличимо, и не отличите это ни вы, ни тот, кто документ получит. Заметьте, чего в этой сцене нет. Никто вас не ловит. Начальник не вызовет, клиент не пишет гневного письма. Это важно, потому что проблема здесь не в том, что вас разоблачат.

Проблема здесь в том, что вы никогда не узнаете, что произошло. Ставка практическая, а не социальная: не «поймают», а «работа пойдет хуже». И вот почему вы этого не заметите. Удовлетворенность отвечает сразу. Вы прочитали разбор, разбор убедителен, вам стало легче — все это в ту же минуту. Практика отвечает с задержкой. Подрядчик, которого вы поставили первым, покажет себя через полгода. Формулировка в спорном пункте выстрели, когда начнётся спор, — если начнется. Между тем, как вы отправили документ, и тем, как выяснились последствия, проходит много других решений, и часть из них принята тем же способом.

К моменту, когда результат наконец виден, связать его с одним разговором нельзя. Слишком многого всего успело случиться. Вы честно посмотрите на итог, честно не найдёте виноватой ту переписку с моделью — и будете правы, потому что найти её там невозможно. Заметьте, что этот довод предъявлен вам сейчас, в первой главе, до всяких приемов. У вас есть законное возражение — «я же в итоге вижу, работает оно у меня или нет». Не видите. Не потому, что невнимательны, а потому, что сигнал приходит с задержкой и вперемешку. Дальше в книге это возражение всплывет еще дважды, и оба раза ответ будет тот же самый.

Есть и четвертый вопрос, но задать его вы пока не сможете, и тоже не по своей вине. Он звучит так: что оказалось в вашем ответе — при том, что всё в нём верно? И почему такое же вышло у всех. Не ошибка, не сдвиг, не подтасовка. Просто из всего, что можно было сказать по делу и не соврать, сказано вот это — и вот это же сказано соседу. Глядя на один экран, вы не увидите ничего: ответ верен, он не сдвинут, объяснение на месте. Этот вопрос не задаётся про один ответ — только про десятки, накопившиеся за месяцы, и про чужие вместе с вашим. Поэтому он в книге последний, и до него ещё далеко.

Соберем к чему пришла глава.

Вы настраивали слова. Пробовали вежливее или строже, добавляли роль и убирали роль, искали удачную формулировку. Вся индустрия советов занята тем же самым. А ответ определило то, на что вы не обращали внимания вовсе: оброненная в сторону фраза; порядок вариантов в чужом шаблоне, который вы скопировали не глядя. И объяснение, по которому вы судили, назвало вам совсем другие причины — назвало убедительно, полно и, возможно, лучше обычного. Правила из этой главы не будет. Напрашивающееся «переспроси» — вы уже проделали сами. Но почему одного переспрашивания недостаточно, станет ясно только в шестой главе. Название этой главы — цена одного опыта, названная до опыта. Не обещание, что дальше всё будет решаться за три минуты. Такого обещания в книге не будет, и это первое что отличает её от жанра, к которому она с наружи относиться.

Обещание будет другое и вот оно.

Дальше в книге двенадцать раз появиться прием, который работает. Первые несколько раз про ваш запрос. Дальше промт из них уходит: к концу книги советы применяются раньше, чем вы откроете окно. Под большинством стоит измерение; там, где его нет, я скажу об этом на месте, а не задним числом. Каждый — то, что вы делаете, а не то, что вы понимаете.

Глава 2. «Пожалуйста», чаевые и угрозы

В мае 2025 один из основателей Google, сидя в подкасте, сказал, что языковые модели обычно работают лучше, если им ургрожать.

Сказано это было спокойно, между прочим, человеком, чья компания эти модели и создает. Не в шутку и не в осуждение — как наблюдение, накопившееся за многие годы работы. Совет разошелся мгновенно. Что ожидаемо: он короткий, он неожиданный, его можно попробовать сразу, и он кажется естественным указанием как устроен мир. К тому же есть противоположная партия, тоже многочисленная, — те, кто пишет «пожалуйста» и «спасибо» и уверенны, что от этого ответы лучше.

Хорошая новость: это утверждение проверили. Плохая: проверяли не раз, и ответы не сошлись.

Певую проверку сделали четверо — Майнке, два Моллика и Шапиро, при школе бизнеса Уортона, август 2025. сразу по статусу: это технический отчёт, который группа выпускает сама. Рецензирование он не проходил. Не забывайте это до конца главы, я к этому вернусь. Авторы прямо пишут, что берут популярный запрос и подвергают ее проверке. Список того, что они приписывали к запросу: обещание миллиарда долларов; чаевые в тысячу; угроза пожаловаться в отдел кадров; угроза пнуть щенка, приписка про больную раком мать. Результат: в общем счёте ни угрозы, ни обещания значительного эффекта не дают. А вот на уровне отдельных вопросов начинается хаос. На одной задаче приписка может подбросить точность на тридцать шесть пунктов. На другой — обрушить на тридцать пять. Только заранее не угадать ни куда, ни на каком вопросе. Направление и величина меняются от вопроса к вопросу без всякой системы, и в среднем это всё гасит друг друга в ноль. Запомните это — огромный размах возможного ответа и ноль в среднем. Мы к этому вернемся, когда будем разбирать, что вообще значит «эффект».

Важность этой проверки не в выводе, в том, сколько раз мерили. Каждый вариант приписки прогонялся на всех ста девяноста восьми вопросах первого набора по двадцать пять раз — это без малого пять тысяч прогонов на одну приписку и на одну модель. Не суммарно по шести, а на каждую. И еще сто вопросов второго набора, тоже по двадцать пять раз. Прогон — это один раз заданный вопрос. Двадцать пять прогонов означает, что один и тот же вопрос задали двадцать пять раз и посчитали, сколько раз ответ верен. При таком количестве вопросов можно поймать разницу в 0,2 процентного пункта, на каждой модели. Они не увидели ничего.

Это нельзя просто назвать «эффект не нашли». Не нашли можно и потому, что плохо искали. Здесь искали так, что нашли бы и почти невидимое, — а там пусто.

Оговорки авторов, и они существенные. Проверяли не все модели. Наборы вопросов академические — задачи с известным правильным ответам; а не вопросы обычного пользователя. и набор угроз и посулов конкретный, возможно другие формулировки сработали бы. Отдельно авторы раскрывают, что компания OpenAI дала им доступ к своим моделям бесплатно, но в замысле, проведении и толковании работы не учувствовала, а сами авторы вознаграждения от нее за исследование не получали.

Прежде чем идти дальше, нужно разобрать один нюанс, статистических ловушек и кликбейтных заголовков. Один раз, дальше буду пользоваться молча. Точность была 80 процентов. Стала 84. Прибавилось четыре процентных пункта — просто вычитание, 84-80. А теперь то же самое, но неправильно. Четыре процента от 80 — это 3,2. Если бы прибавилось четыре процента, точность бы стала 83,2, а не 84. Разница между двумя способами тем больше, чем меньше исходное число. Если точность была 2 процента, а стала 4, это два процентных пункта и сто процентов. Одна и та же прибавка. Первое число выглядит скромно, второе — как прорыв. Отсюда важное правило. Увидев в совете большой процент, спросите, от чего он взят. Если от маленького числа — это арифметика, а не находка. Это кажется занудством, но только до того места, где кто-нибудь напишет «улучшение на сто пятнадцать процентов». Мы это увидим в конце главы.