Det är lätt att tro att den bästa AI-användaren är den som kan skriva den perfekta prompten. Men när uppgiften blir mer komplicerad är det ofta precis tvärtom.
Att be AI göra research, analysera information, dra slutsatser, skriva en text och kontrollera resultatet i samma instruktion kan ge ett imponerande svar. Problemet är att du får väldigt liten kontroll över vad som händer på vägen.
Ett smartare arbetssätt är att dela upp uppgiften i flera steg där resultatet från ett steg blir underlag för nästa.
Du bygger helt enkelt ett AI-arbetsflöde.
Varför en enda stor prompt inte alltid är bäst
Anta att du ska köpa en ny bärbar dator och har samlat information om sex modeller.
Du skulle kunna skriva:
Jämför de här datorerna och säg vilken som är bäst för mig.
Du får förmodligen ett svar. Men flera saker sker då samtidigt.
- AI:n måste förstå informationen.
- Den måste avgöra vilka egenskaper som är viktiga.
- Den måste jämföra modellerna.
- Den måste väga olika fördelar mot varandra.
- Den måste avgöra vad som passar just dig.
- Den måste formulera en rekommendation.
Om något blir fel är det svårt att se var felet uppstod.
Delar du i stället upp processen kan du kontrollera varje steg innan du går vidare.
Steg 1: Börja med att strukturera informationen
Det första steget behöver inte innehålla någon analys alls.
Be AI:n att bara organisera materialet.
Exempel:
Här är information om sex bärbara datorer. Skapa en tabell med modell, processor, RAM, lagring, vikt, batteri, skärm och pris. Dra inga slutsatser ännu. Skriv ”uppgift saknas” där informationen inte finns.
Det sista är viktigare än det kanske verkar.
Du vill inte att AI:n fyller luckorna med vad den tror är rätt. Du vill först veta vilket underlag du faktiskt har.
Steg 2: Kontrollera underlaget innan analysen börjar
När informationen är strukturerad kan du göra något som ofta hoppas över:
kontrollera om materialet över huvud taget räcker för att fatta ett bra beslut.
Fråga:
Vilken information saknas för att kunna göra en rättvis jämförelse mellan modellerna?
AI:n kanske upptäcker att batteritiden anges för vissa modeller men inte andra, att priserna kommer från olika tidpunkter eller att två datorer har olika versioner av samma processor.
Det är betydligt bättre att upptäcka detta nu än efter att AI:n redan har utsett en vinnare.
Steg 3: Bestäm kriterierna separat
Nästa steg är inte att välja dator.
Först ska du bestämma vad som faktiskt betyder något.
Du kan exempelvis skriva:
Jag använder datorn för webbläsare med många flikar, Office, videomöten och enklare bildredigering. Jag reser ungefär två gånger i månaden och vill kunna använda datorn i minst fem år. Vilka sex kriterier bör väga tyngst när jag jämför modellerna?
Nu får du ett beslutsunderlag innan produkterna börjar bedömas.
Det minskar risken att AI:n låter en lättjämförd egenskap, som mängden lagring eller priset, få större betydelse än den borde.
Steg 4: Ge kriterierna olika vikt
Här kan du gå ett steg längre.
Alla kriterier behöver inte vara lika viktiga.
För en person kanske låg vikt är avgörande. För en annan spelar vikten nästan ingen roll medan prestanda är viktigast.
Be därför AI:n skapa en viktning.
Exempel:
- Prestanda: 25 procent
- Batteritid: 20 procent
- Förväntad livslängd: 20 procent
- Vikt: 15 procent
- Skärm: 10 procent
- Pris: 10 procent
Kontrollera sedan viktningen själv.
Om priset är mycket viktigt för dig kanske 10 procent är alldeles för lite. Då ändrar du modellen innan jämförelsen fortsätter.
Steg 5: Låt AI:n göra själva analysen
Först nu är det dags att jämföra alternativen.
Instruktionen kan vara:
Bedöm nu varje modell utifrån våra sex kriterier och den viktning vi har bestämt. Använd bara informationen i materialet. Om underlag saknas för ett kriterium ska du markera det i stället för att anta ett värde.
Det här är en helt annan analys än att bara fråga vilken dator som är bäst.
Du har gjort själva beslutsmodellen synlig.
Steg 6: Kör ett känslighetstest
Här kommer ett betydligt mer avancerat knep.
Om en rekommendation bygger på flera viktade kriterier kan du undersöka hur stabil slutsatsen egentligen är.
Be AI:n ändra förutsättningarna:
Gör om jämförelsen med pris dubbelt så viktigt. Förändras vinnaren?
Fortsätt sedan:
Gör en tredje jämförelse där batteritid och låg vikt prioriteras högst. Hur förändras resultatet?
Det här liknar en förenklad känslighetsanalys.
Om samma modell vinner oavsett hur rimliga prioriteringar förändras är rekommendationen relativt robust.
Om vinnaren däremot ändras så fort en vikt justeras lite vet du att beslutet är betydligt mer känsligt.
Steg 7: Skapa en separat kritiker
När analysen är klar kan du ge AI:n en helt ny uppgift.
Den ska inte längre försöka hitta den bästa datorn.
Den ska försöka hitta fel i analysen.
Skriv exempelvis:
Agera nu som en kritisk granskare. Leta efter svaga antaganden, orättvisa jämförelser, saknad information och andra problem i analysen. Försök inte försvara den tidigare rekommendationen.
Det här är ett användbart sätt att separera två uppgifter som annars lätt blandas ihop:
att skapa en slutsats och att försöka hitta fel i slutsatsen.
Steg 8: Be om rekommendationen sist
Först efter strukturering, kontroll, kriterier, analys och kritik behöver du be om ett slutligt svar.
Exempel:
Gör nu en slutlig rekommendation. Ange vilket alternativ du skulle välja, varför och vilka osäkerheter som fortfarande finns. Beskriv också vad som skulle kunna få dig att ändra rekommendationen.
Den sista meningen är särskilt användbar.
En rekommendation blir mer värdefull om du vet under vilka förutsättningar den inte längre gäller.
Samma metod fungerar för mycket mer än produktjämförelser
Datorexemplet är enkelt att förstå, men arbetsmetoden kan användas för betydligt mer.
Du kan bygga liknande arbetsflöden när du exempelvis ska:
- jämföra flera offerter
- analysera en stor mängd kundkommentarer
- planera ett projekt
- granska ett längre dokument
- sammanställa mötesanteckningar
- jämföra olika resalternativ
- bearbeta en rapport
- planera innehåll till en webbplats
Det viktiga är inte exakt vilka steg du använder. Det viktiga är att du separerar uppgifter som kräver olika typer av tänkande.
Bygg olika AI-roller i samma arbetsflöde
Du kan dessutom låta AI:n arbeta från olika perspektiv i de olika stegen.
Ett arbetsflöde skulle exempelvis kunna innehålla:
- Insamlaren som strukturerar information.
- Analytikern som letar efter mönster.
- Kritikern som försöker hitta fel.
- Redaktören som gör resultatet begripligt.
Det behöver inte vara fyra olika AI-tjänster. Du kan göra allt i samma konversation genom att tydligt byta uppgift mellan stegen.
Ett annat exempel: från 200 kundkommentarer till något användbart
Anta att ett företag har fått 200 kommentarer från kunder.
Den enklaste instruktionen är:
Sammanfatta kommentarerna.
Men då riskerar mycket av den intressanta informationen att försvinna.
Ett bättre arbetsflöde skulle kunna vara:
- Sortera kommentarerna i återkommande ämnen.
- Räkna hur många kommentarer som tillhör varje ämne.
- Identifiera positiva respektive negativa mönster.
- Leta separat efter ovanliga men allvarliga problem.
- Markera kommentarer som inte passar in i någon tydlig kategori.
- Ta fram möjliga förbättringsområden.
- Låt en kritiker ifrågasätta kategoriseringen.
- Skapa en slutrapport först därefter.
Nu har AI:n inte bara sammanfattat text. Den har hjälpt dig att genomföra en strukturerad analys.
Lägg in kontrollpunkter där AI:n måste stanna
En smart detalj är att inte låta AI:n automatiskt gå vidare genom hela processen.
Skriv exempelvis:
Genomför bara steg ett. Vänta sedan på mitt godkännande innan du fortsätter.
Det gör att du kan kontrollera resultatet mellan stegen.
Om AI:n har kategoriserat materialet fel kan du korrigera det innan felet sprider sig vidare genom hela analysen.
Spara arbetsflödet när du hittar något som fungerar
Den verkliga vinsten kommer när samma typ av uppgift återkommer.
Om du varje månad analyserar försäljningssiffror, kundrespons eller projektrapporter behöver du inte börja från noll.
Dokumentera processen:
- Vilket material ska lämnas till AI:n?
- Vad ska kontrolleras först?
- Vilka frågor ska ställas?
- Vilka analyser ska genomföras?
- Vilka kontrollsteg behövs?
- Hur ska slutresultatet presenteras?
Du har då skapat något som är betydligt mer värdefullt än en bra prompt.
Du har skapat en återanvändbar arbetsprocess.
Automatisering är nästa nivå, men börja manuellt
Det går att ta principen ännu längre. AI-tjänster och automatiseringsverktyg kan i vissa fall kopplas ihop så att information skickas automatiskt mellan olika steg.
Men det är sällan klokt att automatisera en process innan du vet att processen fungerar.
Börja därför manuellt.
Kör arbetsflödet några gånger, se var AI:n gör misstag och förbättra instruktionerna. Först när processen är stabil är det värt att fundera på vilka delar som kan automatiseras.
Alla uppgifter behöver inte ett avancerat arbetsflöde
Det här betyder inte att varje AI-fråga ska delas upp i åtta steg.
Om du vill veta hur man fryser den översta raden i Excel behöver du knappast en analytiker, en kritiker och en känslighetsanalys.
Arbetsflöden blir intressanta när uppgiften innehåller flera moment, mycket information eller ett beslut där det spelar roll hur slutsatsen har tagits fram.
Den viktigaste skillnaden är kontroll
Att använda AI mer avancerat handlar inte nödvändigtvis om att skriva längre och mer komplicerade prompts.
Ofta handlar det om motsatsen.
Gör varje instruktion mindre, tydligare och lättare att kontrollera.
Låt AI:n först strukturera, sedan analysera, därefter kritisera och sist formulera resultatet.
Då kan du se hur slutsatsen växer fram och ingripa när något går fel.
Det är skillnaden mellan att bara be AI producera ett svar och att faktiskt bygga en process där AI:n blir en del av arbetet.