AI arbejdsrummet for konsulenter: slides, frameworks og research i partnertempo

Hvad AI faktisk erstatter i et engagement

Konsulentarbejde er ikke ét job. På en enkelt uge strukturerer du et problem, interviewer stakeholders, renser en dataudtrækning, bygger en storyline, skriver siderne og forsvarer anbefalingen. De opgaver kræver fuldstændig forskellig modeladfærd, og det er derfor et enkelt AI abonnement altid føles 70 procent nyttigt og 30 procent frustrerende.

Den ærlige ramme er denne: AI producerer ikke svaret i et engagement. Det fjerner de to timer, du bruger på at komme til et første udkast af noget, du allerede ved, hvordan du bygger, og det fanger det hul, du ville have fundet torsdag, hvis du havde haft mere tid. Brugt sådan er det flere timer om ugen værd. Brugt som en svarmaskine producerer det præcis det generiske output, partnere har lært at spotte. Den mest værdifulde instans af det i et engagement er opkaldsreferatet, som har sin egen workflow i hvordan man opsummerer møder med AI.

Her er den routing de fleste konsulenter lander på efter et par uger:

Opgave	Bedste model	Hvorfor
Problemstrukturering, issue trees, 2x2'er	GPT	Følger eksplicitte strukturelle begrænsninger, holder MECE logik, returnerer rene hierarkier
Slide-overskrifter og storyline	Claude	Skriver i et menneskeligt register, modstår fyldadjektiver, holder en konsistent argumenttråd
Executive summary og klientmail	Claude	Bedst til tonekontrol og til at sige svære ting diplomatisk
Markeds- og konkurrentscanninger	Gemini	Stærkest til aktuelt webmateriale med kilder du kan tjekke
Læsning af lange dokumenter og transskriptioner	Gemini	1M token kontekstvindue, så en 120 siders årsrapport passer i én omgang
Dataudtrækning til tabeller eller JSON	GPT	Mest pålidelig til strikte outputformater du kan indsætte i Excel
Sundhedstjek af en anbefaling	Hvad du ikke selv skrev i	En anden model er det billigste red team du nogensinde kører

Du behøver ikke huske det udenad. Den praktiske version er: udkast struktur i GPT, udkast prosa i Claude, research i Gemini, og tjek den endelige logik i en model der ikke selv skrev den.

Workflow 1: framework-generering der ikke er generisk

Hvis du beder om "et framework til dette klientproblem", får du en Porter's Five Forces med klientnavnet indsat. Fixet er at give modellen det sæt begrænsninger en manager ville give dig: den beslutning klienten faktisk skal tage, de akser der må have betydning, og hvad der allerede er udelukket.

Prompt: issue tree

Du strukturerer et problem til et konsulentengagement. Klientbeslutning: [den specifikke beslutning, for eksempel "om man skal samle tre regionale distributionscentre i ét"]. Byg et MECE issue tree, tre niveauer dybt. Niveau 1 skal være de 3 til 5 spørgsmål der, hvis besvaret, løser beslutningen. For hvert blad, angiv den nødvendige analyse og den nødvendige datakilde. Inkluder ikke grene vi ikke kan teste med tilgængelige data. Marker enhver gren hvor svaret sandsynligvis allerede er kendt.

Prompt: 2x2 der forsvarer sin plads

Foreslå tre kandidat-2x2-matricer til dette problem. For hver, navngiv begge akser, forklar hvad en position i hvert kvadrant ville betyde for klienten, og angiv den ene beslutning matricen driver. Afvis ethvert akse-par der bare er en gentagelse af den samme variabel. Anbefal derefter én og forklar hvorfor de andre to er svagere her. Kontekst: [indsæt dine situationsnotater].

Prompt: presstest et framework du allerede har bygget

Her er et framework jeg har bygget: [indsæt]. Optræd som en skeptisk engagement manager. Identificer overlappende grene, manglende grene, grene der ikke kan analyseres inden for den tilgængelige tid, og ethvert sted hvor strukturen forudsætter svaret. Omskriv det ikke. List kun problemerne.

Den sidste er den mest værdifulde prompt på denne side. Modeller er langt bedre til at kritisere struktur end til at opfinde den, og en kritikrunde tager 30 sekunder. Kør dit eget framework igennem den, før du tager det med til en manager review, ikke efter.

Workflow 2: slide-narrativ der overlever en partner review

AI-skrevne slides' fejltilstand er ikke grammatik. Det er, at hver overskrift er et emne snarere end en påstand. "Markedsoverblik" er et emne. "Kategorien voksede 11 procent, mens vores klient tabte 3 point af markedsandel, drevet fuldstændig af discount-kanalen" er en påstand, og et slidesæt af påstande læses som tænkning snarere end rapportering.

Prompt: storyline først, sider derefter

Byg en horisontal storyline til et klientslidesæt. Situation: [2 sætninger]. Komplikation: [2 sætninger]. Spørgsmål klienten stiller: [1 sætning]. Beviser jeg har: [punkter]. Anbefaling: [1 sætning]. Returner 8 til 12 slide-overskrifter, hver en fuld påstand med et subjekt og et verbum, der læses i rækkefølge som ét enkelt argument. Ingen emnelabels. Efter overskrifterne, list enhver påstand jeg endnu ikke har beviser for.

Den sidste instruktion er den, der redder dig. Den giver dig en liste over bevismangler før du bygger sider, hvilket er præcis den liste en partner alligevel vil generere i reviewet.

Prompt: skriv siden

Skriv brødtekstindholdet til denne slide. Overskrift: [indsæt overskrift]. Understøttende data: [indsæt tal eller resultater]. Publikum: [for eksempel "COO og to direkte rapporteringer, operationelt kompetente, skeptiske over for konsulenter"]. Begrænsninger: maksimalt tre understøttende punkter, hver under 20 ord, ingen adjektiver der ikke kan måles, ingen påstand der går ud over de givne data. Tilføj en enkelt linje "så hvad" til klienten.

Prompt: tonerunden

Omskriv dette til at matche stemmeprøven. Bevar hvert tal og hver påstand identisk. Fjern enhver sætning der uændret ville kunne stå i et slidesæt til en anden klient. Stemmeprøve: [indsæt to afsnit fra et slidesæt din partner kunne lide]. Udkast: [indsæt].

Stemmeprøven betyder mere end nogen instruktion om tone. To afsnit af din virksomheds faktiske skrift vil flytte outputtet længere end et afsnit af adjektiver der beskriver, hvordan du vil have det til at lyde.

Før du sender noget, kør slidesættet gennem den omvendte test: indsæt dine overskrifter tilbage i en ny chat og spørg Hvad er argumentet der bliver fremført her, og hvad er det svageste led i det? Hvis modellen ikke kan genfortælle dit argument, kan klienten heller ikke.

Workflow 3: markedsscanninger du faktisk kan citere

Research er der, hvor AI er mest nyttig og mest farlig i et engagement. Et sikkert, opfundet markedsstørrelsestal der ender i et klientslidesæt er et karriereproblem, ikke en ulejlighed. Disciplinen er enkel: brug en webforbundet model, kræv kilder, og behandl hvert tal som uverificeret, indtil du selv har åbnet kilden.

Prompt: kategoriscanning

Undersøg [kategori]-markedet. Returner: (1) markedsstørrelsesestimater fra de sidste 24 måneder, hver med den udgivende organisation, året og URL'en; (2) de 5 til 8 største aktører med eventuelle offentligt rapporterede omsætnings- eller andelstal; (3) væsentlige ændringer i de sidste 12 måneder, herunder markedsindtrædelser, exits, finansieringsrunder, opkøb og lovændringer; (4) de to eller tre strukturelle kræfter der mest sandsynligt vil ændre det konkurrencemæssige billede i de næste 24 måneder. Hvor kilder er uenige, vis begge tal i stedet for at gennemsnitte dem. Marker alt du ikke kan kilde som UVERIFICERET.

Prompt: konkurrentteardown

Byg en positioneringsteardown af [konkurrent]. Dæk: erklæret værditilbud i deres egne ord, målsegmenter, priser hvor offentlige, distributionskanaler, nylige produkt- eller budskabsændringer med datoer, og de kundeklagetemaer der er synlige i offentlige anmeldelser. Citer hver påstand. Skil hvad der er erklæret af virksomheden fra hvad der er observeret af tredjeparter.

Prompt: læsning af det lange dokument

Læs dette dokument og udtræk kun det der betyder noget for [klientbeslutningen]. Returner en tabel med: påstand, side- eller afsnitsreference, og om den understøtter, modsiger eller er neutral over for hypotesen at [angiv hypotesen]. List derefter de tre ting i dette dokument der mest overrasker dig set mod branchenormer.

Den sidste prompt er, hvorfor et stort kontekstvindue betyder noget i dette job. At indlæse en hel årsrapport, en fuld lovmæssig indberetning eller et sæt af 15 interviewtransskriptioner og stille et spørgsmål mod det hele er en genuint anden evne end at opsummere en side i gangen. Gemini 3.7 Flash læser en 1M token kontekst på Whizi, groft 2.000 sider tekst, så den er standarden til den runde.

For en dybere gennemgang af kildekritik og verificering, se guiden om AI til markedsanalyse.

Klientfortrolighed: hvad skal anonymiseres før du indsætter

Hver konsulent spørger om dette før den anden prompt, og det ærlige svar har to dele. Whizi træner ikke på dine samtaler, og hver udbyders datahåndteringspolitik er tilgængelig, før du aktiverer den. Det dækker platformen. Det dækker ikke din klientaftale, som normalt er strengere end nogen udbyderpolitik og er det dokument, der faktisk styrer dig.

Den brugbare vane er at fjerne identitet uden at fjerne struktur. AI-ræsonnering behøver ikke klientnavnet for at være nyttig, og at fjerne det koster dig ingenting:

• Erstat klient- og konkurrentnavne med tokens: Klient A, Konkurrent B, Region 1.
• Rund af eller indekser tal. "Omsætning indekseret til 100 i 2023, 94 i 2025" bevarer hele den analytiske form.
• Fjern navne, e-mails og titler fra interviewtransskriptioner før upload. Roller er nok, og roller er hvad analysen bruger.
• Hold alt der er dækket af en specifik NDA-klausul, personoplysninger eller væsentlig ikke-offentlig information helt ude af ethvert AI-værktøj, inklusive dette.
• Hvis engagementet er under skærpede restriktioner, tjek med din virksomheds risikoteam før engagementet, ikke efter.

En anonymiseret prompt er som regel alligevel en bedre prompt. At tvinge dig selv til at beskrive situationen i strukturelle termer fjerner den tilfældige detalje, der fortyndede modellens opmærksomhed.

Hvorfor ét arbejdsrum vinder over tre abonnementer her

Den specifikke fordel i et engagement er ikke pris, selvom regnestykket er reelt: ChatGPT Plus, Claude Pro og Google AI Pro koster omkring $20 hver, groft $60 om måneden, mod $29.99 for Whizi Pro, og en Claude Sonnet 5 besked bruger 10 credits af de 2.000 Pro giver hver måned, så en slideomgangs værd af overskriftsrunder rører næsten ikke ved rammen. Selvstændige oplever en skarpere version af det regnestykke, gennemgået i AI-værktøjer til freelancere. Den rigtige fordel er, at konteksten overlever modelskiftet. Du uploader klientens dataudtrækning, strukturerer problemet med GPT, udkaster storylinen med Claude, og trækker markedskonteksten med Gemini, alt i én tråd der husker, hvad der kom før. At gøre det samme i tre produkter betyder at genforklare engagementet tre gange og holde versionshistorikken i hovedet.

Side-om-side sammenligning er den anden fordel, og den kortlægger direkte til, hvordan konsulentkvalitet bedømmes. At køre samme executive summary gennem to modeller og beholde det bedre afsnit er en to minutters vane, der målbart hæver bunden af hvad du sender. Det reducerer også reaktionen "det lyder som AI", fordi du sender det bedste output for hvert afsnit i stedet for én models stil strukket over et helt dokument.

Den tredje er red team-runden. Bed en model der ikke selv har udkastet anbefalingen om at argumentere imod den: Argumenter det stærkeste tilfælde for at denne anbefaling er forkert. Hvad skulle være sandt for at den modsatte konklusion holdt? Hvad den finder, ville klientens CFO også have fundet.

Hvad AI ikke gør for dig

Det vil ikke fortælle dig, hvad klienten faktisk vil, hvilket normalt er anderledes end hvad RFP'en siger og kun kan læres i rummet. Det vil ikke vide, at COO'en der skal implementere din anbefaling blokerede samme idé for to år siden. Det vil ikke bære ansvaret for et tal, så hvert tal der ender på en side er dit at verificere.

Det er også svagt til det specifikke, konsulenter bliver betalt for: dømmekraft under ufuldstændig information med reputationsmæssige konsekvenser. En model vil gerne give dig et sikkert svar fra tyndt bevis, fordi selvsikkerhed er billig for den og dyr for dig. Behandl hvert output som en velbelæst analytikers første udkast, produceret af en der aldrig har mødt klienten og ikke kan holdes ansvarlig.