Claude Opus 5 від Anthropic відмовиться детально розписати синтез бойового отруйника «для навчального проєкту», тоді як локально розгорнута Llama 3.1 405B без додаткового файнтюну виконає той самий запит без жодного застереження. Різниця тут не в «розумі» моделей — обидві здатні впоратися із задачею технічно. Різниця в кількості шарів контролю, які стоять між користувачем і вагами нейромережі. За даними Speka, сучасні ШІ-системи відрізняються насамперед архітектурою обмежень, а не самою базовою моделлю.

Для AI-білдера це не абстрактне спостереження, а практичне рішення на етапі вибору стеку. Продукт на API OpenAI, self-hosted відкрита модель і корпоративний деплой через Azure OpenAI Service — це три різні профілі ризику, три різні набори фільтрів і три різні швидкості реакції на «джейлбрейк». Розуміння того, з яких шарів складається контроль, дозволяє передбачити, де саме модель відмовить, а де — пропустить небезпечний запит.

Чому одна модель відмовляє частіше за іншу?

Бо обмеження рідко живуть в одному місці — вони розподілені щонайменше по чотирьох шарах, і кожен постачальник комбінує їх по-своєму. Перший шар — це alignment самої базової моделі, закладений під час RLHF/RLAIF-тренування: те, наскільки модель «за замовчуванням» схильна відмовляти на межові запити, ще до будь-якого системного промпту. Другий — системний промпт, який продуктова команда додає поверх моделі і який може або пом'якшувати, або посилювати базову обережність. Третій — окремий шар класифікаторів модерації (input/output filters), що працює паралельно з генерацією і блокує відповідь незалежно від того, що «думає» сама мовна модель. Четвертий — обмеження на рівні інструментів і дозволів: чи має модель доступ до інтернету, коду, файлової системи, і в якому пісочному середовищі цей доступ виконується.

Саме тому один і той самий запит, надісланий через ChatGPT-інтерфейс, через API OpenAI без системного промпту і через open-weight модель на власному сервері, дає три різні відповіді — хоч мовна модель у корені може мати спільне походження.

Хто вирішує, наскільки суворим буде контроль?

Рівень обмежень визначає не етика розробника, а юридична експозиція продукту й аудиторія, яку він обслуговує. Консьюмерський застосунок з мільйонами анонімних користувачів — включно з неповнолітніми — за замовчуванням отримує найжорсткіший набір фільтрів, бо один вірусний скріншот з небезпечною відповіддю коштує компанії репутації й потенційних штрафів. Enterprise-API для перевіреного B2B-клієнта з підписаним контрактом та відомим use case — навпаки, часто постачається з опцією ослабити частину фільтрів, бо ризик перекладається на договір і KYC-процедуру клієнта. Регуляторний контекст додає ще один рівень: вимоги EU AI Act до систем «високого ризику» та експортний контроль США на моделі з певними військовими або кібер-можливостями змушують постачальників тримати різні конфігурації обмежень для різних юрисдикцій — те, що доступно американському enterprise-клієнту, може бути недоступне через API в іншому регіоні.

Що з цим робити AI-білдеру просто зараз?

Перевіряйте, на якому саме шарі живе потрібне вам обмеження, перш ніж намагатися його «обійти» промт-інженерією. Якщо відмова походить від класифікатора модерації, зміна системного промпту нічого не дасть — потрібен інший API-тір або інший постачальник. Якщо ж відмова походить від базового alignment, жорсткіший системний промпт теж не допоможе: доведеться або приймати обмеження, або переходити на модель з іншим профілем RLHF.

Висновок AiiN

Обмеження ШІ-системи — це не властивість моделі, а конфігураційне рішення продукту, і в 2026 році воно стало таким же предметом порівняння постачальників, як ціна за токен чи розмір контекстного вікна. Компанії, що будують на LLM, дедалі частіше обирають постачальника не за бенчмарком якості, а за тим, наскільки прозоро й гранулярно можна керувати саме шаром дозволів інструментів — бо саме там, а не в базовому alignment, ховається реальний операційний ризик автономних агентів. Хто перший запропонує зрозумілу мову опису цих чотирьох шарів для замовника — той і виграє enterprise-контракти найближчого року.

Чи можна повністю прибрати обмеження в API-версії моделі?

Частково — постачальники на кшталт OpenAI чи Anthropic дозволяють верифікованим enterprise-клієнтам послабити класифікатори модерації через окремий запит і угоду, але базовий alignment моделі змінити без повного файнтюну неможливо.

Чому відкриті моделі типу Llama мають менше обмежень?

Бо після завантаження ваг на власний сервер зникають шари, які контролює постачальник, — системний промпт, окрема модерація та дозволи інструментів. Залишається лише базовий alignment, закладений під час тренування, і той користувач може послабити додатковим файнтюном.

Чи однакові обмеження в різних регіонах для однієї моделі?

Ні — регуляторні вимоги на кшталт EU AI Act та експортний контроль США змушують постачальників тримати різні конфігурації фільтрів і доступних можливостей залежно від юрисдикції клієнта.