Как я вычищал ИИ-маркеры из текстов Claude: промпт, второй проход и регулярка

Введение: почему идеальный текст убивает конверсию

Привет, это Владимир Черниенко, и сегодня мы поговорим о вещи, которая незаметно сжигает бюджеты тысяч диджитал-проектов. Вы замечали, как последнее время стали выглядеть посты в Telegram, статьи на VC и рассылки? Они безупречны. В них нет орфографических ошибок, запятые стоят строго по Розенталю, а структура выверена до миллиметра. И знаете что? От них тошнит. Пользовательский глаз уже на автомате считывает этот стерильный цифровой почерк.

Нейросети пишут слишком правильно, и именно в этом их главный экономический минус для бизнеса. Когда ваш потенциальный клиент видит типичные маркеры генеративных моделей, включается базовая защита: «Это написала машина, значит, мне продают шаблонную туфту». Доверие падает, вовлеченность летит на дно, а алгоритмы площадок пессимизируют контент. Я столкнулся ровно с этой же проблемой при запуске бота, который переводит голосовые сообщения в готовые сценарии для соцсетей. Внутри работал мощный Claude, выдавая адски узнаваемую литературщину. И сегодня я покажу, как мы выстраивали трехуровневую оборону против искусственного интеллекта, чтобы тексты наконец зазвучали по-человечески.

Анатомия проблемы: что выдает модель с потрохами

Прежде чем чинить механизм, давайте разберем симптомы. Почему читатель безошибочно определяет генерацию? Дело в языковых паттернах, которые зашиты в базовые веса языковых моделей. Claude или GPT не просто генерируют слова — они выбирают наиболее вероятные комбинации на основе терабайтов учебных текстов, где преобладают академические статьи, пресс-релизы и скучные эссе.

Типичные маркеры, от которых сводит скулы:

• Конструкция «дело не в X, а в Y» и ее вариации на тему дуализма.
• Вводные фразы-паразиты: «важно понимать», «давайте разберёмся», «в современном мире».
• Зубодробительные длинные тире там, где хватило бы обычной запятой или точки.
• Искусственная сбалансированность, когда каждый абзац имеет ровно три предложения, а мысль обязательно завершается философским выводом.

В нашем боте для сценариев это превращалось в катастрофу. Эксперт надиктовывал бодрую голосовуху с матерком и классными кейсами, а на выходе получал скучный доклад сотрудника министерства культуры. Конверсия в сохранение таких сценариев была близка к нулю, потому что авторы не хотели публиковать откровенную фальшивку.

Слой первый: уговоры промптом, которые не работают

Первое, что делает любой нормальный разработчик или маркетолог — пытается договориться с нейросетью по-хорошему. Мы написали идеальный системный промпт. Запретили использовать штампы, потребовали писать короткими рублеными предложениями, добавили в примеры живой разговорный сленг и даже пригрозили «штрафами» в тексте системного задания.

И что вы думаете? Claude покивал цифровой гривой и продолжил гнать ту же самую литературу. Почему так происходит? Потому что вероятностная природа языка сильнее инструкций. Когда языковая модель выбирает следующее слово, стохастический хвост распределения упрямо тянет ее к привычным конструкциям. Промпт — это просто вектор смещения контекста, но он не может переписать базовую архитектуру генерации. Модель все равно сваливается в привычный паттерн, как только задача усложняется.

Слой второй: рефлексия через второй проход нейросети

Раз не получилось с первого раза, мы решили применить тяжелую артиллерию — архитектуру агентов с критикой. Идея звучала красиво: первый запрос генерирует текст сценария, а второй запрос отправляет этот текст другой системной роли с задачей: «Найди здесь все ИИ-клише, длинные тире, канцелярит и перепиши это так, как будто говорит уставший циничный предприниматель за чашкой кофе».

Где здесь зарыта собака

Экономика этого решения оказалась удручающей. Во-первых, мы вдвое увеличили задержку (latency) ответа для пользователя. Вместо четырех секунд бот думал почти десять. Во-вторых, выросли затраты на токены — в два с лишним раза. Но главное даже не деньги и время. Вторая модель, пытаясь исправить первую, создавала новый слой искусственности. Текст становился менее шаблонным, но приобретал другую проблему — он выглядел перенасыщенным «пацанским» сленгом, который выглядел фальшиво, потому что модель пыталась изображать из себя того, кем она не является.

Слой третий: грубая сила регулярных выражений и код

Когда романтика с нейросетями разбилась о суровую экономику конверсий и серверных затрат, в ход пошел классический прагматизм. Зачем заставлять сложную стохастическую модель делать детерминированную работу? Для поиска и уничтожения конкретных текстовых маркеров идеально подходит старый добрый код и регулярные выражения (regex).

Мы собрали словарь боли: все эти «важно отметить», «в заключение хотелось бы сказать» и прочие рудименты вежливого канцелярита. Написали скрипт постобработки, который на лету прогоняет сгенерированный текст через набор фильтров:

• Вырезает вводные конструкции на уровне регулярных паттернов.
• Заменяет длинные тире на нормальные знаки препинания или разбивает предложения на более короткие.
• Проверяет плотность деепричастных оборотов и при необходимости упрощает синтаксис.

Это сработало идеально. Никаких дополнительных расходов на токены, нулевая задержка и железобетонный результат. Текст очищается от цифрового налёта еще до того, как пользователь успеет нажать кнопку «получить сценарий».

Экономика и выводы для диджитал-маркетолога

Какой глобальный вывод из этой истории мы должны сделать? Маркетинг и разработка сегодня слишком увлекаются поиском «магических кнопок» внутри самих нейросетей. Нам кажется, что если модель умная, то она должна решать вообще всё — от смыслов до стилистики.

На практике работает гибридный подход, где четко разделены зоны ответственности:

• LLM отвечает за смысловое ядро, структуру и генерацию идей на основе исходных данных пользователя.
• Инженерные методы и код отвечают за гигиену текста, очистку от мусора и подгонку под нужный формат.

Если вы прямо сейчас внедряете ИИ в генерацию контента для блогов, соцсетей или рекламных рассылок, перестаньте верить в то, что идеальный промпт решит проблему уникальности. Стройте конвейеры. Добавляйте программную фильтрацию, пишите кастомные скрипты пост-обработки и постоянно тестируйте готовый контент на глаз реальной аудитории. Только так можно получить высокие охваты и живой отклик, а не разочарование в бюджетах на искусственный интеллект.

Больше практики, реальных цифр и разборов без воды:

⚡ Telegram-канал: t.me/lenivymarketolog — оперативные инсайты, тренды и аналитика без воды

💼 Группа ВКонтакте: vk.ru/lenivymarketolog — кейсы, статьи и практические руководства

🌐 Профиль в MAX: max.ru/id781624934797_biz — экспертный бизнес-блог и статьи