”Utmana mitt tänkande” låter som en stark prompt.
Det ger ofta ett svagt resultat: tre artiga förbehåll, en komplimang om ditt noggranna resonemang och samma rekommendation du började med.
Problemet ligger i upplägget. Modellen har redan sett hur du formulerar frågan, vilket svar du föredrar och ofta även argumentet som du vill få kritiserat. Att be den ”vara kritisk” tar inte bort de signalerna.
För att få användbara invändningar behöver du ändra vilken information modellen får och i vilken ordning den får den.
De fem mönstren nedan är praktiska sätt att göra det. Inget gör en chatbot till en oberoende expert. Varje mönster gör ett misslyckande lättare att se.
Mönster 1: dölj vilket alternativ du föredrar
Ledtrådar om din egen uppfattning lockar modellen att hålla med. Ta bort dem.
Svag prompt:
Jag vill flytta vårt team från Verktyg A till Verktyg B.
Hjälp mig stresstesta planen.
Modellen förstår vilken slutsats som skulle vara socialt tillmötesgående.
Starkare prompt:
Ett team på tio personer jämför två alternativ.
Alternativ A
- [aktuella fakta]
- [kostnader]
- [begränsningar]
Alternativ B
- [aktuella fakta]
- [kostnader]
- [begränsningar]
Rekommendera inte ett alternativ.
För varje, identifiera:
1. det starkaste skälet till att det kan misslyckas,
2. det viktigaste underlaget som saknas,
3. villkoret under vilket det blir det bättre alternativet.
Skriv inte ”vårt nuvarande system” eller ”den moderna ersättaren”. Även små etiketter signalerar en värdering.
När det hjälper
- leverantörsval;
- anställning jämfört med att köpa in tjänsten;
- bygga eller köpa;
- behålla eller ersätta en process;
- eller val där du redan har en favorit.
Vad det inte löser
Det var du som valde vilka fakta som skulle ingå. En blind jämförelse kan fortfarande bli snedvriden av sådant som du utelämnade.
Mönster 2: separera förespråkare och kritiker
Ett enda svar söker ofta en kompromiss: ett argument, ett förbehåll och en balanserad slutsats.
Gör separata genomgångar med uppdrag som inte kan blandas ihop.
Genomgång A:
Formulera det starkaste faktabaserade argumentet för Alternativ A.
Diskutera inte Alternativ B.
Ange varje antagande och identifiera var underlag saknas.
Genomgång B, i en ny chatt:
Formulera det starkaste faktabaserade argumentet för Alternativ B.
Diskutera inte Alternativ A.
Ange varje antagande och identifiera var underlag saknas.
Genomgång C:
Jämför dessa två argument.
Belöna inte vältalighet eller längd.
Lista:
- påståenden som stöds av angivna fakta,
- påståenden som kräver extern verifiering,
- antaganden som står i konflikt med varandra,
- och ett experiment som skulle minska den största osäkerheten.
[klistra in båda argumenten]
Separata chattar minskar risken att det första svaret blir ett ankare för resten av samtalet. De skapar inte verkligt oberoende – genomgångarna kan fortfarande bygga på liknande mönster i träningsmaterialet – men den andra rollen slipper reagera direkt på den första rollens formuleringar.
Mönster 3: kräv underlag före argument
Om du först ber modellen argumentera övertygande kan den skapa påståenden som passar slutsatsen och lägga till stöd i efterhand.
Vänd ordningen:
Skapa en underlagstabell innan du bildar dig en uppfattning.
För varje beslutskriterium, registrera:
- tillhandahållna fakta,
- primärkällor som behövs,
- uppskattningar och deras antaganden,
- okända faktorer,
- och belägg som skulle motbevisa respektive alternativ.
Rekommendera ingenting förrän jag har kontrollerat tabellen och skickat tillbaka den.
Efter kontrollen skickar du bara tillbaka den korrigerade tabellen och ber om en analys.
Det är långsammare än att be om en omedelbar rekommendation. Det är en fördel när svaret spelar roll.
En användbar stoppregel
Om den största osäkerheten kan ändra beslutet ska du inte be om en slutlig rekommendation. Utforma ett test, gör en mätning eller fråga den person som ansvarar för uppgifterna som saknas.
Mönster 4: utse en kritisk granskare med ett avgränsat mål
”Var djävulens advokat” är för vagt. Ge granskaren en konkret typ av fel att leta efter.
Exempel:
Granska endast hur den här planen kan misslyckas i driften.
Anta att strategin är rimlig.
Hitta var ansvar, övervakning, återställning eller underhåll saknas.
Granska det här förslaget enbart ur den berörda medarbetarens perspektiv.
Identifiera vilka påstådda fördelar som är fördelar för ledningen snarare än för medarbetaren.
Markera löften som företaget inte kan verifiera eller hålla.
Granska endast hur det här dataflödet kan exponera känsliga uppgifter.
Lista varje informationsklass, destination, lagringsplats och person med åtkomst.
Ge inte juridiska slutsatser.
En avgränsad och kritisk granskning är mer användbar än tillgjord aggressivitet. ”Brutalt ärlig” ändrar tonen; ett tydligt granskningsområde ändrar vad som faktiskt täcks.
Använd flera avgränsade granskningar när konsekvenserna motiverar det. Håll resultaten åtskilda tills du har avgjort vilka risker som är verkliga.
Mönster 5: gör en andra, oberoende genomgång
Ge samma neutrala underlag till:
- en ny konversation utan historik;
- en andra modellfamilj;
- eller en mänsklig granskare som inte sett det föredragna svaret.
Jämför sedan oenigheter:
Två granskare analyserade samma beslut.
Granskare 1:
[klistra in]
Granskare 2:
[klistra in]
Skapa ett register över meningsskiljaktigheterna:
- fråga,
- varje granskares påstående,
- det underlag som var och en förlitar sig på,
- underlag som saknas,
- och vem som ansvarar för att reda ut frågan.
Välj inte en vinnare utifrån självsäker ton eller skrivkvalitet.
Att två modeller är överens är ingen bekräftelse. De kan dela källor, konventioner och blinda fläckar. Det användbara resultatet är registret över skillnader och det underlag som registret visar att du behöver samla in.
Fullständigt exempel: automatiserad fakturahantering
Anta att den initiala planen är:
Vi bör använda en AI-agent som läser leverantörsfakturor, matar in dem i bokföringsprogrammet och dirigerar dem till betalning.
En allmän prompt om att utmana planen ger sannolikt förutsägbara förbehåll om noggrannhet och mänsklig tillsyn.
Använd de fem mönstren i stället.
1. Neutralisera alternativen
- Alternativ A: behåll manuell inmatning och förbättra checklistan.
- Alternativ B: använd deterministisk extraktion plus mänsklig granskning.
- Alternativ C: använd en agent som extraherar, matar in och dirigerar.
- Alternativ D: skjut upp projektet och standardisera leverantörsformat först.
2. Separera förespråkare
Varje alternativ får sitt eget starkaste argument och uttryckliga antaganden.
3. Bygg tabellen över underlaget
Samla:
- månatlig fakturavolym;
- nuvarande handläggningstid;
- korrigeringsfrekvens;
- andel standardformat;
- värde och frekvens av dubbletter eller bedrägerifakturor;
- integrationsbehörigheter;
- och vem som ansvarar för att hantera avvikelser.
4. Gör avgränsade och kritiska granskningar
- finansiell kontroll;
- återställning vid driftfel;
- integritet för leverantörsuppgifter;
- och medarbetarnas arbetsflöde.
5. Jämför oberoende genomgångar
En granskare kan fokusera på tidsbesparingar. En annan kan upptäcka att den nuvarande processen saknar en tillförlitlig avstämning mot inköpsorder, vilket gör det för tidigt att automatisera.
Det bästa resultatet kanske inte är ett starkare argument för eller emot AI. Det kan vara en tvåveckorsmätning som gör rätt beslut tydligt.
Tre sätt som oenighet blir falsk på
Modellen hittar på invändningar
Alla motargument är inte rimliga. Kräv att invändningen pekar ut vilket antagande eller underlag den ifrågasätter.
Modellen optimerar för symmetri
Alla val är inte jämbördiga. Ett alternativ kan ha betydligt starkare belägg. Kräv inte lika många för- och nackdelar; kräv att väsentliga frågor tas upp.
Modellen säger självsäkert emot allt
En prompt kan få modellen att invända mot allt. Ett sådant svar är fortfarande genererat och kräver samma kontroll som ett inställsamt svar.
Forskning har dokumenterat inställsamhet hos AI-assistenter och visat hur signaler om användarens preferenser kan påverka modellens svar (Anthropics forskning om inställsamhet). Motmedlet är ingen magisk fras, utan en process som minskar ledtrådarna om dina preferenser och gör underlaget synligt.
En färdig arbetsgång för att få fram invändningar
Använd detta för ett viktigt beslut:
Fas 1 – ram
Omformulera problemet på tre väsentligt olika sätt.
Lös det inte.
Fas 2 – underlag
Skilj på angivna fakta, kontrollerbara fakta, uppskattningar, slutsatser och värderingar.
Lista underlaget som skulle kunna ändra beslutet.
Fas 3 – argument
Bygg det starkaste argumentet för varje alternativ separat.
Ange antaganden och villkor för att alternativet ska misslyckas.
Fas 4 – granskning
Gör avgränsade granskningar av drift, berörda parter, säkerhet och integritet samt kostnad.
Fas 5 – beslutsstöd
Skapa ett register över skillnaderna och föreslå minsta möjliga verkliga test.
Fatta inte det slutliga beslutet.
För fellägena bakom den här sekvensen, läs de fyra sätten en AI-tankepartner kan förvränga ett beslut. För det bredare arbetsflödet, se AI för bättre beslut.
Den ärliga gränsen
Du kan få AI att producera oenighet. Du kan inte få den att veta att du har fel.
Modellen kan återge samma bristfälliga antagande från en annan vinkel. Den kan hänvisa till en föråldrad källa. Den kan låta oberoende bara för att du gav den en annan rolletikett.
Använd invändningarna som ett sökverktyg: de synliggör antaganden, intressenter som saknas och underlag som behöver samlas in. Det slutliga omdömet tillhör fortfarande den person som förstår sammanhanget och tar ansvar för konsekvenserna.
