Ruang kerja AI untuk konsultan: slide, framework, dan riset dengan kecepatan setingkat partner

Apa yang sebenarnya digantikan AI dalam sebuah engagement

Pekerjaan konsultan bukan satu jenis pekerjaan. Dalam satu minggu Anda menyusun masalah, mewawancarai stakeholder, membersihkan data ekstrak, membangun storyline, menulis halaman, dan mempertahankan rekomendasi. Tugas-tugas ini membutuhkan perilaku model yang sama sekali berbeda, itulah sebabnya satu langganan AI selalu terasa 70 persen berguna dan 30 persen membuat frustrasi.

Kerangka berpikir yang jujur adalah ini: AI tidak menghasilkan jawaban dalam sebuah engagement. AI menghilangkan dua jam yang biasa Anda habiskan untuk mencapai draf pertama dari sesuatu yang sebenarnya sudah Anda tahu cara membuatnya, dan ia menangkap celah yang baru akan Anda temukan pada hari Kamis jika Anda punya lebih banyak waktu. Digunakan seperti itu, nilainya setara beberapa jam per minggu. Digunakan sebagai mesin jawaban, hasilnya persis output generik yang sudah dikenali partner. Contoh dengan leverage tertinggi dalam sebuah engagement adalah rekap panggilan, yang punya alur kerjanya sendiri di cara meringkas rapat dengan AI.

Berikut routing yang biasa digunakan sebagian besar konsultan:

Tugas	Model terbaik	Alasan
Penyusunan masalah, issue tree, 2x2	GPT	Mengikuti batasan struktural eksplisit, menjaga logika MECE, menghasilkan hierarki yang rapi
Judul slide dan storyline	Claude	Menulis dengan register manusiawi, menghindari kata sifat pengisi, menjaga alur argumen yang konsisten
Ringkasan eksekutif dan email klien	Claude	Paling baik dalam mengontrol nada dan menyampaikan hal sulit secara diplomatis
Pemindaian pasar dan kompetitor	Gemini	Paling kuat untuk materi web terbaru dengan sumber yang bisa Anda periksa
Membaca dokumen panjang dan transkrip	Gemini	Jendela konteks 1 juta token, sehingga laporan tahunan 120 halaman muat dalam satu kali proses
Ekstraksi data ke tabel atau JSON	GPT	Paling andal untuk format output ketat yang bisa Anda tempel ke Excel
Memeriksa kewarasan sebuah rekomendasi	Model apa pun yang tidak Anda pakai untuk menulis draf	Model kedua adalah red team termurah yang pernah Anda jalankan

Anda tidak perlu menghafal itu semua. Versi praktisnya: buat draf struktur di GPT, draf prosa di Claude, riset di Gemini, dan periksa logika akhir di model yang tidak menulisnya.

Alur kerja 1: pembuatan framework yang tidak generik

Meminta "framework untuk masalah klien ini" akan menghasilkan Porter's Five Forces dengan nama klien ditempel begitu saja. Solusinya adalah memberi model batasan yang akan diberikan seorang manager kepada Anda: keputusan yang sebenarnya sedang diambil klien, sumbu yang boleh dianggap relevan, dan apa yang sudah dicoret.

Prompt: issue tree

Anda sedang menyusun masalah untuk sebuah engagement konsultasi. Keputusan klien: [keputusan spesifik, misalnya "apakah akan menggabungkan tiga pusat distribusi regional menjadi satu"]. Buat issue tree yang MECE, tiga level ke dalam. Level 1 harus berisi 3 sampai 5 pertanyaan yang, jika dijawab, menyelesaikan keputusan tersebut. Untuk setiap cabang akhir, sebutkan analisis yang diperlukan dan sumber data yang dibutuhkan. Jangan sertakan cabang yang tidak bisa diuji dengan data yang tersedia. Tandai cabang mana pun yang jawabannya kemungkinan sudah diketahui.

Prompt: 2x2 yang layak dipakai

Usulkan tiga kandidat matriks 2x2 untuk masalah ini. Untuk masing-masing, sebutkan kedua sumbu, jelaskan apa arti posisi di tiap kuadran bagi klien, dan sebutkan satu keputusan yang didorong oleh matriks tersebut. Tolak pasangan sumbu mana pun yang sebenarnya hanya mengulang variabel yang sama. Lalu rekomendasikan satu dan jelaskan mengapa dua lainnya lebih lemah di sini. Konteks: [tempel catatan situasi Anda].

Prompt: uji tekanan pada framework yang sudah Anda buat

Ini framework yang saya buat: [tempel]. Bertindaklah sebagai engagement manager yang skeptis. Identifikasi cabang yang tumpang tindih, cabang yang hilang, cabang yang tidak bisa dianalisis dalam waktu yang tersedia, dan bagian mana pun di mana struktur ini sudah mengandaikan jawabannya. Jangan menulis ulang. Cukup daftar masalahnya saja.

Prompt terakhir adalah prompt paling bernilai di halaman ini. Model jauh lebih baik dalam mengkritik struktur dibanding menciptakannya, dan satu putaran kritik hanya butuh 30 detik. Jalankan framework Anda sendiri melalui prompt ini sebelum Anda membawanya ke manager review, bukan sesudahnya.

Alur kerja 2: narasi slide yang lolos partner review

Mode kegagalan slide tulisan AI bukan soal tata bahasa. Masalahnya adalah setiap judul berupa topik, bukan pernyataan. "Tinjauan pasar" adalah topik. "Kategori ini tumbuh 11 persen sementara klien kita kehilangan 3 poin pangsa pasar, seluruhnya didorong oleh saluran diskon" adalah pernyataan, dan slide berisi pernyataan terbaca sebagai pemikiran, bukan laporan.

Prompt: storyline dulu, halaman kemudian

Buat storyline horizontal untuk slide klien. Situasi: [2 kalimat]. Komplikasi: [2 kalimat]. Pertanyaan yang diajukan klien: [1 kalimat]. Bukti yang saya miliki: [poin-poin]. Rekomendasi: [1 kalimat]. Berikan 8 sampai 12 judul slide, masing-masing berupa pernyataan lengkap dengan subjek dan predikat, yang jika dibaca berurutan membentuk satu argumen. Tidak ada label topik. Setelah judul-judul, sebutkan pernyataan mana pun yang belum saya miliki buktinya.

Instruksi terakhir itulah yang menyelamatkan Anda. Ia memberi Anda daftar celah bukti sebelum Anda membangun halaman, yaitu daftar yang sama yang akan dibuat partner saat review.

Prompt: tulis halamannya

Tulis konten isi untuk slide ini. Judul: [tempel judul]. Data pendukung: [tempel angka atau temuan]. Audiens: [misalnya "COO dan dua direct report, fasih secara operasional, skeptis terhadap konsultan"]. Batasan: maksimal tiga poin pendukung, masing-masing di bawah 20 kata, tanpa kata sifat yang tidak bisa diukur, tanpa klaim yang melampaui data yang diberikan. Tambahkan satu baris "jadi apa artinya" untuk klien.

Prompt: putaran nada bicara

Tulis ulang ini agar sesuai contoh suara. Pertahankan setiap angka dan klaim tetap sama persis. Hapus kalimat mana pun yang akan tetap sama jika dipakai di slide untuk klien lain. Contoh suara: [tempel dua paragraf dari slide yang disukai partner Anda]. Draf: [tempel].

Contoh suara lebih penting daripada instruksi apa pun tentang nada. Dua paragraf tulisan asli firma Anda akan menggerakkan output jauh lebih jauh dibanding satu paragraf kata sifat yang menjelaskan bagaimana Anda ingin nadanya terdengar.

Sebelum mengirim apa pun, jalankan slide melalui uji terbalik: tempel kembali judul-judul Anda ke obrolan baru dan tanyakan Apa argumen yang sedang dibangun di sini, dan apa mata rantai terlemahnya? Jika model tidak bisa menyatakan ulang argumen Anda, klien pun tidak akan bisa.

Alur kerja 3: pemindaian pasar yang benar-benar bisa Anda kutip

Riset adalah bagian paling berguna sekaligus paling berbahaya dari AI dalam sebuah engagement. Angka ukuran pasar yang percaya diri tapi rekaan, yang sampai ke slide klien, adalah masalah karier, bukan sekadar ketidaknyamanan. Disiplinnya sederhana: gunakan model yang terhubung web, minta sumber, dan perlakukan setiap angka sebagai belum terverifikasi sampai Anda membuka sendiri sumbernya.

Prompt: pemindaian kategori

Riset pasar [kategori]. Berikan: (1) estimasi ukuran pasar dari 24 bulan terakhir, masing-masing dengan organisasi penerbit, tahun, dan URL; (2) 5 sampai 8 pemain terbesar dengan angka pendapatan atau pangsa pasar yang dilaporkan secara publik; (3) perubahan material dalam 12 bulan terakhir, yaitu pemain baru, keluarnya pemain, putaran pendanaan, akuisisi, dan perubahan regulasi; (4) dua atau tiga kekuatan struktural yang paling mungkin mengubah peta persaingan dalam 24 bulan ke depan. Jika sumber berbeda pendapat, tampilkan kedua angka, jangan dirata-ratakan. Tandai apa pun yang tidak bisa Anda sumberkan sebagai BELUM TERVERIFIKASI.

Prompt: bedah kompetitor

Buat bedah positioning untuk [kompetitor]. Cakup: proposisi nilai yang mereka nyatakan sendiri, segmen target, harga jika publik, saluran distribusi, perubahan produk atau pesan terbaru beserta tanggalnya, dan tema keluhan pelanggan yang terlihat di ulasan publik. Kutip setiap klaim. Pisahkan apa yang dinyatakan perusahaan dari apa yang diamati pihak ketiga.

Prompt: membaca dokumen panjang

Baca dokumen ini dan ekstrak hanya yang relevan untuk [keputusan klien]. Berikan tabel berisi: klaim, referensi halaman atau bagian, dan apakah itu mendukung, membantah, atau netral terhadap hipotesis bahwa [sebutkan hipotesisnya]. Lalu sebutkan tiga hal dalam dokumen ini yang paling mengejutkan Anda dibanding norma industri.

Prompt terakhir itulah alasan mengapa jendela konteks yang besar penting dalam pekerjaan ini. Memuat satu laporan tahunan penuh, satu berkas regulasi lengkap, atau satu set 15 transkrip wawancara dan mengajukan satu pertanyaan terhadap semuanya adalah kemampuan yang benar-benar berbeda dari meringkas satu halaman pada satu waktu. Gemini 3.7 Flash membaca konteks 1 juta token di Whizi, sekitar 2.000 halaman teks, sehingga itulah default untuk pekerjaan ini.

Untuk panduan yang lebih mendalam tentang sumber dan verifikasi, lihat panduan AI untuk riset pasar.

Kerahasiaan klien: apa yang harus disamarkan sebelum Anda menempel

Setiap konsultan menanyakan ini sebelum prompt kedua, dan jawaban jujurnya punya dua bagian. Whizi tidak melatih model dari percakapan Anda, dan kebijakan penanganan data setiap penyedia tersedia sebelum Anda mengaktifkannya. Itu mencakup platformnya. Itu tidak mencakup perjanjian klien Anda, yang biasanya lebih ketat daripada kebijakan vendor mana pun dan merupakan dokumen yang sebenarnya mengikat Anda.

Kebiasaan yang bisa dijalankan adalah menghilangkan identitas tanpa menghilangkan struktur. Penalaran AI tidak butuh nama klien untuk tetap berguna, dan menghapusnya tidak merugikan apa pun:

• Ganti nama klien dan kompetitor dengan token: Klien A, Kompetitor B, Wilayah 1.
• Bulatkan atau indekskan angka. "Pendapatan diindekskan ke 100 pada 2023, 94 pada 2025" tetap mempertahankan seluruh bentuk analitisnya.
• Hapus nama, email, dan jabatan dari transkrip wawancara sebelum diunggah. Peran sudah cukup, dan peranlah yang dipakai analisis.
• Jauhkan apa pun yang tercakup klausul NDA tertentu, data pribadi, atau informasi material non publik dari alat AI mana pun, termasuk yang ini.
• Jika engagement berada di bawah pembatasan yang lebih ketat, periksa dengan tim risiko firma Anda sebelum engagement dimulai, bukan sesudahnya.

Prompt yang sudah disamarkan biasanya justru menjadi prompt yang lebih baik. Memaksa diri menjelaskan situasi secara struktural menghilangkan detail insidental yang tadinya mengalihkan perhatian model.

Mengapa satu ruang kerja mengalahkan tiga langganan di sini

Keunggulan spesifik dalam sebuah engagement bukan soal harga, meskipun hitungannya nyata: ChatGPT Plus, Claude Pro, dan Google AI Pro masing-masing sekitar $20, kira-kira $60 sebulan, dibanding $29.99 untuk Whizi Pro, dan satu pesan Claude Sonnet 5 menghabiskan 10 kredit dari 2.000 yang dibawa paket Pro setiap bulan, jadi seluruh putaran judul untuk satu slide nyaris tidak menyentuh kuota. Independen merasakan versi hitungan ini yang lebih tajam, dibahas lengkap di alat AI untuk freelancer. Keunggulan sesungguhnya adalah konteks yang bertahan saat berpindah model. Anda mengunggah ekstrak data klien, menyusun masalah dengan GPT, membuat draf storyline dengan Claude, dan menarik konteks pasar dengan Gemini, semuanya dalam satu thread yang mengingat apa yang terjadi sebelumnya. Melakukan hal yang sama di tiga produk berarti menjelaskan ulang engagement tiga kali dan menyimpan riwayat versi di kepala Anda sendiri.

Perbandingan berdampingan adalah keunggulan kedua, dan ini langsung berkaitan dengan bagaimana kualitas konsultasi dinilai. Menjalankan ringkasan eksekutif yang sama melalui dua model dan menyimpan paragraf yang lebih baik adalah kebiasaan dua menit yang secara terukur menaikkan batas bawah dari apa yang Anda kirim. Ini juga mengurangi reaksi "ini terdengar seperti AI", karena Anda mengirimkan output terbaik untuk setiap bagian, bukan gaya rumah satu model yang direntangkan ke seluruh dokumen.

Yang ketiga adalah putaran red team. Minta model yang tidak menulis rekomendasi untuk berargumen menentangnya: Berikan argumen terkuat bahwa rekomendasi ini salah. Apa yang harus benar agar kesimpulan sebaliknya bisa berlaku? Apa pun yang ditemukannya, CFO klien pun pasti akan menemukannya juga.

Apa yang tidak akan dilakukan AI untuk Anda

AI tidak akan memberi tahu Anda apa yang sebenarnya diinginkan klien, yang biasanya berbeda dari apa yang tertulis di RFP dan hanya bisa dipelajari dari ruang rapat. AI tidak akan tahu bahwa COO yang harus menjalankan rekomendasi Anda pernah memblokir ide yang sama dua tahun lalu. AI tidak akan menanggung akuntabilitas atas sebuah angka, jadi setiap angka yang sampai ke halaman adalah tanggung jawab Anda untuk memverifikasi.

AI juga lemah pada hal spesifik yang menjadi alasan konsultan dibayar: penilaian di bawah informasi yang tidak lengkap dengan konsekuensi reputasi. Sebuah model akan dengan senang hati memberi Anda jawaban yang percaya diri dari bukti yang tipis, karena rasa percaya diri murah baginya dan mahal bagi Anda. Perlakukan setiap output sebagai draf pertama seorang analis yang banyak membaca, dibuat oleh seseorang yang belum pernah bertemu klien dan tidak bisa disalahkan.