»Udfordr min tænkning« lyder som en stærk prompt.
Den producerer ofte et svagt resultat: tre høflige forbehold, et kompliment om din omhyggelige ræsonnering, og den samme anbefaling, du startede med.
Problemet er strukturelt. Modellen har allerede set din indramning, dit foretrukne svar og ofte det argument, du vil have den til at kritisere. At bede den om at »være kritisk« fjerner ikke de signaler.
Nyttig uenighed kommer fra at ændre den information og sekvens, der er tilgængelig for modellen.
De fem mønstre nedenfor er praktiske måder at gøre det på. Ingen af dem gør en chatbot til en uafhængig ekspert. Hver gør én fejl lettere at se.
Mønster 1: skjul præferencen
Præferencesignaler inviterer til enighed. Fjern dem.
Svag prompt:
Jeg vil flytte vores team fra Værktøj A til Værktøj B.
Hjælp mig med at afprøve planens svagheder.
Modellen ved, hvilken konklusion der ville være socialt hjælpsom.
Stærkere prompt:
Et ti-personers team sammenligner to muligheder.
Mulighed A
- [current facts]
- [costs]
- [constraints]
Mulighed B
- [current facts]
- [costs]
- [constraints]
Anbefal ikke en mulighed.
For hver, identificér:
1. den stærkeste grund til, at den kunne mislykkes,
2. den vigtigste manglende dokumentation,
3. den betingelse, under hvilken den bliver den bedre mulighed.
Skriv ikke »vores nuværende system« eller »den moderne erstatning«. Selv små betegnelser bærer en dom.
Når dette hjælper
- leverandørvalg;
- ansættelse versus outsourcing;
- byg versus køb;
- at beholde versus erstatte en proces;
- eller ethvert valg, hvor du allerede har en favorit.
Hvad det ikke løser
Du valgte faktaene. En sammenligning uden synlig præference kan stadig blive skæv på grund af det, du udelod.
Mønster 2: adskil fortaler og kritiker
Et enkelt svar har tendens til at søge et kompromis: ét argument, ét forbehold og en afbalanceret konklusion.
Brug separate gennemgange med uforenelige opgaver.
Gennemgang A:
Byg den stærkeste evidensbaserede sag for Mulighed A.
Diskutér ikke Mulighed B.
Angiv hver antagelse, og identificér, hvor dokumentation mangler.
Gennemgang B i en ny chat:
Byg den stærkeste evidensbaserede sag for Mulighed B.
Diskutér ikke Mulighed A.
Angiv hver antagelse, og identificér, hvor dokumentation mangler.
Gennemgang C:
Sammenlign disse to argumenter.
Beløn ikke veltalenhed eller længde.
List:
- påstande støttet af leverede fakta,
- påstande, der kræver ekstern verifikation,
- antagelser, der konflikter,
- og ét eksperiment, der ville reducere den største usikkerhed.
[paste both arguments]
Separate chats mindsker forankringen i samtalens hidtidige forløb. De skaber ikke reel uafhængighed, for gennemgangene kan stadig følge lignende træningsmønstre. Men de forhindrer den anden rolle i blot at reagere på den første rolles formulering.
Mønster 3: kræv dokumentation før argumenter
Hvis du beder om en overbevisende sag først, kan modellen generere påstande, der passer til sagen, og hæfte støtte bagefter.
Vend rækkefølgen:
Før du danner en mening, opret en evidenstabel.
For hvert beslutningskriterium, registrér:
- leverede fakta,
- nødvendige primære kilder,
- estimater og deres antagelser,
- ukendte,
- og dokumentation, der ville afkræfte hver mulighed.
Anbefal ikke noget, før jeg verificerer og returnerer evidenstabellen.
Efter verifikation, lever kun den rettede tabel, og bed om analyse.
Dette er langsommere end at bede om en øjeblikkelig anbefaling. Det er en fordel, når svaret har betydning.
En nyttig stopregel
Hvis den største usikkerhed kunne vende beslutningen, bed ikke om en endelig anbefaling. Design en test, indsaml en måling, eller konsulter den person, der ejer den manglende information.
Mønster 4: afgræns en kritisk gennemgang til ét snævert mål
»Spil djævlens advokat« er for upræcist. Giv den kritiske rolle en konkret fejlkategori.
Eksempler:
Gennemgå kun denne plan for driftsfejl.
Antag, at strategien er rimelig.
Find de steder, hvor ansvar, overvågning, tilbagerulning eller vedligeholdelse mangler.
Gennemgå kun dette forslag fra den berørte medarbejders perspektiv.
Identificér, hvilke påståede fordele der er fordele for ledelsen snarere end for medarbejderen.
Markér løfter, som virksomheden ikke kan efterprøve eller holde.
Gennemgå kun dette dataflow for databeskyttelsesrisici.
Angiv hver dataklasse, destination, hvert opbevaringspunkt og hver person med adgang.
Giv ikke juridiske konklusioner.
En snævert afgrænset kritisk gennemgang er mere nyttig end teatralsk aggression. »Brutalt ærlig« ændrer tonen; et klart defineret område ændrer dækningen.
Brug flere snævre gennemgange, når beslutningens betydning retfærdiggør det. Hold resultaterne adskilt, indtil du har vurderet, hvilke risici der er reelle.
Mønster 5: brug en uafhængig anden gennemgang
Kør det samme neutrale brief gennem:
- en ny samtale uden historik;
- en anden modelfamilie;
- eller en menneskelig kontrollør, der ikke har set det foretrukne svar.
Sammenlign derefter uenigheder:
To kontrollører analyserede den samme beslutning.
Kontrollør 1:
[paste]
Kontrollør 2:
[paste]
Opret et uenighedsregister:
- stridspunkt,
- hver kontrollørs påstand,
- den dokumentation, de hver især støtter sig til,
- manglende dokumentation,
- og den ejer, der kan løse det.
Vælg ikke en vinder baseret på selvsikkerhed eller skrivekvalitet.
Enighed mellem to modeller er ikke en bekræftelse. Modeller kan dele kilder, konventioner og blinde vinkler. Det nyttige resultat er uenighedsregisteret og angivelsen af den dokumentation, du stadig skal indsamle.
Gennemarbejdet eksempel: automatisering af fakturahåndtering
Antag, at den indledende plan er:
Vi bør bruge en AI-agent til at læse leverandørfakturaer, indtaste dem i regnskabssoftwaren og sende dem videre til betaling.
En generel udfordringsprompt kan give forudsigelige forbehold om nøjagtighed og menneskelig kontrol.
Brug de fem mønstre i stedet.
1. Neutralisér mulighederne
- Mulighed A: behold manuel indtastning og forbedr tjeklisten.
- Mulighed B: brug deterministisk udtrækning og menneskelig kontrol.
- Mulighed C: brug en agent, der udtrækker, indtaster og videresender.
- Mulighed D: udskyd projektet, og standardisér først leverandørformater.
2. Adskil advokater
Hver mulighed får sin egen stærkeste sag og eksplicitte antagelser.
3. Byg evidenstabellen
Indsaml:
- månedligt fakturavolumen;
- nuværende håndteringstid;
- korrektionsrate;
- procentdel af standardformater;
- værdi og hyppighed af duplikerede eller svigagtige fakturaer;
- integrationstilladelser;
- og hvem der ejer en undtagelse.
4. Gennemfør snævre kritiske gennemgange
- finanskontrol;
- genopretning af driften;
- leverandørens databeskyttelse;
- og medarbejdernes arbejdsgang.
5. Sammenlign uafhængige gennemgange
Én kontrollør kan fokusere på tidsbesparelsen. En anden kan bemærke, at den nuværende proces ikke pålideligt afstemmer fakturaer med indkøbsordrer, hvilket gør automatisering for tidlig.
Det bedste resultat er måske ikke en stærkere sag for eller imod AI. Det kan være en to-ugers måling, der gør beslutningen indlysende.
Tre måder uenighed bliver kunstig på
Modellen opfinder indvendinger
Ikke ethvert modargument er plausibelt. Kræv, at indvendingen identificerer den antagelse eller dokumentation, den udfordrer.
Modellen stræber efter symmetri
Nogle valg er ikke lige afbalancerede. Én mulighed kan være langt bedre dokumenteret. Kræv ikke lige mange fordele og ulemper; kræv væsentlige indvendinger.
Modellen siger selvsikkert imod alt
En prompt kan få modellen til at modsætte sig alt. Et svar, der siger imod, er stadig genereret og kræver samme efterprøvning som et imødekommende svar.
Forskning har dokumenteret medløberi hos flere AI-assistenter og vist, hvordan præferencesignaler kan påvirke modellens svar (Anthropics forskning i medløberi). Modtrækket er ikke en magisk formulering, men en proces, der reducerer præferencesignaler og gør dokumentationen synlig.
En færdig arbejdsgang til at fremkalde modargumenter
Brug denne til en vigtig beslutning:
Fase 1 – indramning
Omformuler problemet på tre væsentligt forskellige måder.
Løs det ikke.
Fase 2 – dokumentation
Adskil leverede fakta, verificerbare fakta, estimater, slutninger og værdier.
Angiv den dokumentation, der kunne vende beslutningen.
Fase 3 – sager
Byg den stærkeste sag for hver mulighed separat.
Angiv antagelser og fejlforhold.
Fase 4 – gennemgang
Gennemfør snævre gennemgange af drift, berørte personer, sikkerhed og databeskyttelse samt omkostninger.
Fase 5 – beslutningsstøtte
Opret et uenighedsregister, og foreslå den mindste test i praksis.
Træf ikke den endelige beslutning.
For fejltilstandene bag denne sekvens, læs de fire måder en AI-tænkningspartner kan fordreje en beslutning. For den bredere arbejdsgang, se AI til bedre beslutninger.
Den ærlige grænse
Du kan få en AI til at producere uenighed. Du kan ikke få den til at vide, at du tager fejl.
Modellen kan generere den samme fejlbehæftede antagelse fra en anden vinkel. Den kan citere en forældet kilde. Den kan lyde uafhængig, fordi du ændrede navnet på rollen.
Behandl uenighed som et søgeværktøj: Den blotlægger antagelser, manglende berørte parter og dokumentation, der skal indsamles. Den endelige vurdering tilhører stadig den person, der forstår sammenhængen og står på mål for konsekvenserne.
