فضای کاری هوش مصنوعی برای مشاوران: اسلایدها، فریم‌ورک‌ها و پژوهش در سرعت پارتنر

هوش مصنوعی واقعاً در یک پروژه جای چه چیزی را می‌گیرد

کار مشاوره یک شغل نیست. در یک هفته شما یک مسئله را ساختاردهی می‌کنید، با ذی‌نفعان مصاحبه می‌کنید، یک استخراج داده را پاک‌سازی می‌کنید، خط روایت می‌سازید، صفحات را می‌نویسید و از توصیه دفاع می‌کنید. این وظایف رفتار کاملاً متفاوتی از مدل می‌خواهند، به همین دلیل یک اشتراک واحد هوش مصنوعی همیشه ۷۰ درصد مفید و ۳۰ درصد ناامیدکننده حس می‌شود.

چارچوب صادقانه این است: هوش مصنوعی پاسخ پروژه را تولید نمی‌کند. آن دو ساعتی را حذف می‌کند که صرف رسیدن به پیش‌نویس اولیهٔ چیزی می‌کنید که از قبل ساختنش را بلدید، و آن شکافی را می‌گیرد که پنج‌شنبه، اگر وقت بیشتری داشتید، پیدایش می‌کردید. با این کاربرد چند ساعت در هفته می‌ارزد. اگر مثل یک ماشین پاسخ‌گو استفاده شود، دقیقاً همان خروجی عمومی را تولید می‌کند که پارتنرها یاد گرفته‌اند تشخیصش دهند. پرکاربردترین نمونهٔ آن در یک پروژه، خلاصهٔ تماس است که گردش کار خودش را در نحوهٔ خلاصه‌سازی جلسات با هوش مصنوعی دارد.

این مسیریابی چیزی است که بیشتر مشاوران بعد از چند هفته به آن می‌رسند:

وظیفه	بهترین مدل	چرا
ساختاردهی مسئله، درخت مسائل، ماتریس‌های ۲در۲	GPT	از محدودیت‌های ساختاری صریح پیروی می‌کند، منطق MECE را حفظ می‌کند، سلسله‌مراتب تمیز برمی‌گرداند
عنوان اسلاید و خط روایت	Claude	با لحن انسانی می‌نویسد، در برابر صفت‌های پرکننده مقاومت می‌کند، رشتهٔ استدلال یکدست را حفظ می‌کند
خلاصهٔ مدیریتی و ایمیل کلاینت	Claude	بهترین در کنترل لحن و بیان دیپلماتیک نکات دشوار
بررسی بازار و رقبا	Gemini	قوی‌ترین در مطالب اخیر وب با منابع قابل بررسی
خواندن سند و متن پیاده‌شدهٔ طولانی	Gemini	پنجرهٔ زمینهٔ ۱ میلیون توکنی، پس یک گزارش سالانهٔ ۱۲۰ صفحه‌ای در یک بار جا می‌شود
استخراج داده به جدول یا JSON	GPT	قابل‌اعتمادترین در قالب‌های خروجی سختگیرانه که می‌توانید در اکسل بچسبانید
صحت‌سنجی یک توصیه	مدلی که با آن پیش‌نویس نکرده‌اید	یک مدل دوم ارزان‌ترین تیم قرمزی است که تا به حال اجرا خواهید کرد

لازم نیست این را حفظ کنید. نسخهٔ عملی این است: ساختار را در GPT پیش‌نویس کنید، نثر را در Claude پیش‌نویس کنید، پژوهش را در Gemini انجام دهید و منطق نهایی را با مدلی که آن را ننوشته بررسی کنید.

گردش کار ۱: تولید فریم‌ورک که کلیشه‌ای نیست

درخواست «یک فریم‌ورک برای مسئلهٔ این کلاینت» یک مدل پورتر فایو فورسز با نام کلاینت چسبانده‌شده در آن برمی‌گرداند. راه‌حل این است که مجموعه محدودیت‌هایی که یک مدیر به شما می‌داد را به مدل بدهید: تصمیمی که کلاینت واقعاً می‌گیرد، محورهایی که اجازه دارند اهمیت داشته باشند و چه چیزی از قبل کنار گذاشته شده.

پرامپت: درخت مسائل

شما در حال ساختاردهی یک مسئله برای یک پروژهٔ مشاوره هستید. تصمیم کلاینت: [تصمیم مشخص، برای مثال "آیا سه مرکز توزیع منطقه‌ای را در یکی ادغام کند یا نه"]. یک درخت مسائل MECE بسازید، سه سطح عمق. سطح ۱ باید ۳ تا ۵ پرسشی باشد که با پاسخ‌دادن به آن‌ها تصمیم حل می‌شود. برای هر برگ، تحلیل لازم و منبع داده مورد نیاز را بیان کنید. هیچ شاخه‌ای که با داده‌های موجود قابل آزمون نیست را نگنجانید. هر شاخه‌ای که پاسخش احتمالاً از قبل معلوم است را علامت بزنید.

پرامپت: ماتریس ۲در۲ که ارزشش را ثابت می‌کند

سه ماتریس ۲در۲ نامزد برای این مسئله پیشنهاد دهید. برای هرکدام، هر دو محور را نام ببرید، توضیح دهید که قرارگیری در هر چهارخانه چه معنایی برای کلاینت دارد و تصمیم واحدی که آن ماتریس هدایت می‌کند را بیان کنید. هر جفت محوری که بازنویسی همان متغیر است را رد کنید. سپس یکی را توصیه کنید و توضیح دهید چرا آن دو تای دیگر در اینجا ضعیف‌ترند. زمینه: [یادداشت‌های موقعیت خود را بچسبانید].

پرامپت: فشارآزمایی یک فریم‌ورک که از قبل ساخته‌اید

این فریم‌وری است که ساخته‌ام: [بچسبانید]. مثل یک مدیر پروژهٔ شکاک عمل کنید. شاخه‌های همپوشان، شاخه‌های گم‌شده، شاخه‌هایی که در زمان موجود قابل تحلیل نیستند و هر جایی که ساختار پاسخ را از پیش فرض گرفته را شناسایی کنید. آن را بازنویسی نکنید. فقط مشکلات را فهرست کنید.

آخری باارزش‌ترین پرامپت این صفحه است. مدل‌ها در نقد ساختار خیلی بهتر از خلق آن عمل می‌کنند، و یک عبور نقد فقط ۳۰ ثانیه طول می‌کشد. فریم‌ورک خودتان را از این عبور بگذرانید پیش از آنکه به بازبینی مدیر ببرید، نه بعد از آن.

گردش کار ۲: روایت اسلاید که از بازبینی پارتنر جان سالم به در می‌برد

حالت شکست اسلایدهای نوشته‌شده با هوش مصنوعی گرامر نیست. این است که هر عنوان یک موضوع است تا یک ادعا. «مرور بازار» یک موضوع است. «این دسته ۱۱ درصد رشد کرد در حالی که کلاینت ما ۳ امتیاز سهم از دست داد، که کاملاً از کانال تخفیف ناشی شد» یک ادعا است، و یک اسلاید پر از ادعا مثل تفکر خوانده می‌شود نه گزارش.

پرامپت: اول خط روایت، بعد صفحات

یک خط روایت افقی برای یک اسلاید کلاینت بسازید. موقعیت: [۲ جمله]. پیچیدگی: [۲ جمله]. پرسشی که کلاینت می‌پرسد: [۱ جمله]. شواهدی که دارم: [نکات فهرست‌وار]. توصیه: [۱ جمله]. ۸ تا ۱۲ عنوان اسلاید برگردانید، هرکدام یک ادعای کامل با فاعل و فعل، که در توالی مثل یک استدلال واحد خوانده شوند. بدون برچسب موضوعی. بعد از عنوان‌ها، هر ادعایی که هنوز شاهدی برایش ندارم را فهرست کنید.

همان دستور آخر چیزی است که نجاتتان می‌دهد. پیش از ساخت صفحات، یک فهرست شکاف شواهد به شما می‌دهد که دقیقاً همان چیزی است که یک پارتنر در بازبینی تولید می‌کند.

پرامپت: نوشتن صفحه

محتوای بدنهٔ این اسلاید را بنویسید. عنوان: [عنوان را بچسبانید]. دادهٔ پشتیبان: [اعداد یا یافته‌ها را بچسبانید]. مخاطب: [برای مثال "مدیرعامل عملیاتی و دو گزارش‌دهندهٔ مستقیم، مسلط به عملیات، شکاک به مشاوران"]. محدودیت‌ها: حداکثر سه نکتهٔ پشتیبان، هرکدام زیر ۲۰ کلمه، بدون صفتی که قابل اندازه‌گیری نباشد، بدون ادعایی فراتر از داده‌های داده‌شده. یک جملهٔ «پس چه؟» برای کلاینت اضافه کنید.

پرامپت: عبور لحن

این را بازنویسی کنید تا با نمونهٔ صدا هماهنگ شود. هر عدد و ادعا را دقیقاً همان‌طور نگه دارید. هر جمله‌ای که در یک اسلاید برای کلاینتی دیگر بدون تغییر ظاهر می‌شد را حذف کنید. نمونهٔ صدا: [دو پاراگراف از اسلایدی که پارتنرتان پسندیده بچسبانید]. پیش‌نویس: [بچسبانید].

نمونهٔ صدا از هر دستورالعملی دربارهٔ لحن مهم‌تر است. دو پاراگراف از نوشتار واقعی شرکت شما خروجی را بیشتر از یک پاراگراف صفت که توصیف می‌کند چطور می‌خواهید صدایش کند، جابه‌جا می‌کند.

پیش از فرستادن هر چیزی، اسلاید را از تست معکوس بگذرانید: عنوان‌هایتان را در یک چت تازه بچسبانید و بپرسید استدلالی که اینجا مطرح شده چیست و ضعیف‌ترین حلقهٔ آن کدام است؟ اگر مدل نتواند استدلال شما را بازگو کند، کلاینت هم نمی‌تواند.

گردش کار ۳: بررسی بازار که واقعاً می‌توانید به آن استناد کنید

پژوهش جایی است که هوش مصنوعی در یک پروژه هم مفیدترین و هم خطرناک‌ترین است. یک عدد اندازهٔ بازار جعلی و پرمدعا که به اسلاید کلاینت برسد یک مشکل شغلی است، نه یک ناراحتی جزئی. اصل ساده است: از مدلی متصل به وب استفاده کنید، منبع بخواهید و هر عددی را تا وقتی خودتان منبع را باز نکرده‌اید تأییدنشده در نظر بگیرید.

پرامپت: بررسی دسته

بازار [دسته] را پژوهش کنید. برگردانید: (۱) برآوردهای اندازهٔ بازار از ۲۴ ماه گذشته، هرکدام با سازمان منتشرکننده، سال و URL؛ (۲) ۵ تا ۸ بازیگر بزرگ با هر عدد درآمد یا سهم گزارش‌شدهٔ عمومی؛ (۳) تغییرات مهم در ۱۲ ماه گذشته، یعنی ورود، خروج، دورهای تأمین مالی، تملک‌ها و تغییرات نظارتی؛ (۴) دو یا سه نیروی ساختاری که بیشترین احتمال تغییر تصویر رقابتی در ۲۴ ماه آینده را دارند. هرجا منابع اختلاف نظر دارند، به‌جای میانگین‌گیری، هر دو عدد را نشان دهید. هرچه را نمی‌توانید منبع‌دهی کنید تأییدنشده علامت بزنید.

پرامپت: تشریح رقیب

یک تشریح جایگاه‌یابی از [رقیب] بسازید. پوشش دهید: پیشنهاد ارزش بیان‌شده به زبان خودشان، بخش‌های هدف، قیمت‌گذاری در صورت عمومی بودن، کانال‌های توزیع، تغییرات اخیر محصول یا پیام‌رسانی با تاریخ و درون‌مایه‌های شکایت مشتری که در نقدهای عمومی دیده می‌شود. به هر ادعا استناد کنید. آنچه شرکت بیان کرده را از آنچه ثالث‌ها مشاهده کرده‌اند جدا کنید.

پرامپت: خواندن سند طولانی

این سند را بخوانید و فقط آنچه برای [تصمیم کلاینت] اهمیت دارد را استخراج کنید. یک جدول با: ادعا، شمارهٔ صفحه یا بخش مرجع و اینکه آیا از فرضیهٔ [فرضیه را بیان کنید] پشتیبانی می‌کند، آن را نقض می‌کند، یا نسبت به آن خنثی است، برگردانید. سپس سه چیزی که در این سند نسبت به هنجارهای صنعت بیشترین تعجب را برمی‌انگیزند فهرست کنید.

پرامپت آخر دلیل اهمیت پنجرهٔ زمینهٔ بزرگ در این شغل است. بارگذاری یک گزارش سالانهٔ کامل، یک پروندهٔ نظارتی کامل، یا مجموعه‌ای از ۱۵ متن پیاده‌شدهٔ مصاحبه و پرسیدن یک سؤال دربارهٔ همهٔ آن، توانایی واقعاً متفاوتی از خلاصه‌سازی یک صفحه در هر بار است. Gemini 3.7 Flash روی Whizi زمینه‌ای ۱ میلیون توکنی می‌خواند، تقریباً ۲٬۰۰۰ صفحه متن، پس گزینهٔ پیش‌فرض برای این کار است.

برای راهنمای عمیق‌تر دربارهٔ منبع‌یابی و راستی‌آزمایی، راهنمای هوش مصنوعی برای پژوهش بازار را ببینید.

محرمانگی کلاینت: چه چیزی را پیش از چسباندن حذف کنید

هر مشاوری این را پیش از دومین پرامپت می‌پرسد، و پاسخ صادقانه دو بخش دارد. Whizi روی مکالمات شما آموزش نمی‌بیند، و سیاست مدیریت داده هر ارائه‌دهنده پیش از فعال‌سازی در دسترس است. این پلتفرم را پوشش می‌دهد. قرارداد کلاینت شما را پوشش نمی‌دهد، که معمولاً سختگیرانه‌تر از هر سیاست فروشنده‌ای است و سندی است که واقعاً شما را هدایت می‌کند.

عادت کارآمد این است که هویت را بدون حذف ساختار برچینید. استدلال هوش مصنوعی برای مفید بودن نیازی به نام کلاینت ندارد، و حذف آن هیچ هزینه‌ای برایتان ندارد:

• نام‌های کلاینت و رقیب را با توکن جایگزین کنید: کلاینت A، رقیب B، منطقهٔ ۱.
• اعداد را گرد کنید یا شاخص‌بندی کنید. «درآمد شاخص‌شده به ۱۰۰ در ۲۰۲۳، ۹۴ در ۲۰۲۵» تمام شکل تحلیلی را حفظ می‌کند.
• نام‌ها، ایمیل‌ها و عناوین را از متن‌های پیاده‌شدهٔ مصاحبه پیش از بارگذاری حذف کنید. نقش‌ها کافی‌اند و همان چیزی هستند که تحلیل استفاده می‌کند.
• هرچه را که تحت یک بند خاص NDA، داده‌های شخصی یا اطلاعات محرمانهٔ باارزش عمومی نشده باشد را کاملاً از هر ابزار هوش مصنوعی، از جمله این یکی، دور نگه دارید.
• اگر پروژه تحت محدودیت‌های تشدیدشده است، پیش از پروژه با تیم ریسک شرکتتان مشورت کنید، نه بعد از آن.

یک پرامپت پاک‌سازی‌شده به هر حال معمولاً پرامپت بهتری است. مجبورکردن خودتان به توصیف موقعیت به‌شکل ساختاری، جزئیات اتفاقی را که توجه مدل را رقیق می‌کرد حذف می‌کند.

چرا یک فضای کاری اینجا بر سه اشتراک برتری دارد

برتری خاص در یک پروژه قیمت نیست، هرچند حساب و کتاب واقعی است: ChatGPT Plus، Claude Pro و Google AI Pro هرکدام حدود $20، در مجموع حدود $60 در ماه، در برابر $29.99 برای Whizi Pro، و یک پیام Claude Sonnet 5 از سهمیهٔ ۲٬۰۰۰ که Pro هر ماه می‌دهد ۱۰ اعتبار خرج می‌کند، پس ارزش یک اسلاید کامل از عبورهای عنوان به‌سختی سهمیه را می‌کاهد. مستقل‌ها نسخه‌ای تیزتر از همین حساب و کتاب را حس می‌کنند، که در ابزارهای هوش مصنوعی برای فریلنسرها شرح داده شده. برتری واقعی این است که زمینه از تعویض مدل جان سالم به در می‌برد. شما استخراج دادهٔ کلاینت را بارگذاری می‌کنید، مسئله را با GPT ساختاردهی می‌کنید، خط روایت را با Claude پیش‌نویس می‌کنید و زمینهٔ بازار را با Gemini می‌کشید، همه در یک رشتهٔ گفتگو که آنچه پیش‌تر آمده را به خاطر می‌سپارد. انجام همین کار در سه محصول جداگانه یعنی توضیح پروژه سه بار از نو و نگه‌داشتن تاریخچهٔ نسخه در ذهنتان.

مقایسهٔ کنارهم دومین مزیت است، و مستقیماً به نحوهٔ قضاوت کیفیت مشاوره پیوند می‌خورد. گذراندن همان خلاصهٔ مدیریتی از دو مدل و نگه‌داشتن بهترین پاراگراف یک عادت دو دقیقه‌ای است که کف چیزی که می‌فرستید را به‌طور محسوس بالا می‌برد. همچنین واکنش «این شبیه هوش مصنوعی است» را کاهش می‌دهد، چون بهترین خروجی برای هر بخش را می‌فرستید نه سبک خانگی یک مدل که در سراسر یک سند کشیده شده باشد.

سومی عبور تیم قرمز است. از مدلی که توصیه را پیش‌نویس نکرده بخواهید علیه آن استدلال کند: قوی‌ترین استدلال را بیاورید که این توصیه اشتباه است. برای برقراری نتیجهٔ مخالف چه چیزی باید درست باشد؟ هرچه پیدا کند، مدیر مالی کلاینت هم پیدا می‌کرد.

چیزی که هوش مصنوعی برایتان انجام نمی‌دهد

به شما نمی‌گوید کلاینت واقعاً چه می‌خواهد، که معمولاً با آنچه RFP می‌گوید متفاوت است و فقط از داخل اتاق قابل یادگیری است. نمی‌داند مدیرعامل عملیاتی که باید توصیهٔ شما را اجرا کند دو سال پیش همین ایده را مسدود کرده بود. مسئولیت هیچ عددی را بر عهده نمی‌گیرد، پس هر رقمی که به یک صفحه می‌رسد وظیفهٔ تأیید شماست.

همچنین در همان چیزی که مشاوران برایش پول می‌گیرند ضعیف است: قضاوت تحت اطلاعات ناقص با پیامدهای اعتباری. یک مدل با کمال میل یک پاسخ پرمدعا از شواهد اندک به شما می‌دهد، چون اعتماد به نفس برایش ارزان است و برای شما گران. با هر خروجی مثل پیش‌نویس اول یک تحلیلگر خوش‌مطالعه رفتار کنید که هرگز کلاینت را ندیده و نمی‌توان او را مقصر دانست.