AI-arbeidsflaten for konsulenter: presentasjoner, rammeverk og research i partnertempo

Hva AI faktisk erstatter i et oppdrag

Konsulentarbeid er ikke én jobb. I løpet av en uke strukturerer du et problem, intervjuer interessenter, vasker et datautdrag, bygger en historielinje, skriver sidene og forsvarer anbefalingen. Disse oppgavene krever helt forskjellig modelloppførsel, og det er nettopp derfor et enkelt AI-abonnement alltid virker 70 prosent nyttig og 30 prosent frustrerende.

Den ærlige framstillingen er denne: AI produserer ikke svaret i et oppdrag. Den fjerner de to timene du bruker på å komme til et førsteutkast av noe du allerede vet hvordan du skal bygge, og den fanger opp gapet du ellers ville funnet på torsdagen hvis du hadde hatt mer tid. Brukt slik er den verdt flere timer i uken. Brukt som svarmaskin produserer den nøyaktig det generiske resultatet partnere har lært seg å avsløre. Det mest lønnsomme eksempelet på dette i et oppdrag er samtalesammendraget, som har sin egen arbeidsflyt i hvordan oppsummere møter med AI.

Her er rutingen de fleste konsulenter lander på etter noen uker:

Oppgave	Beste modell	Hvorfor
Problemstrukturering, beslutningstrær, 2x2-matriser	GPT	Følger tydelige strukturelle begrensninger, holder MECE-logikk, gir rene hierarkier
Slide-titler og historielinje	Claude	Skriver i et menneskelig register, motstår fyllordadjektiver, holder en konsistent argumentasjonstråd
Sammendrag og klientmail	Claude	Best på tonekontroll og på å si vanskelige ting diplomatisk
Marked- og konkurrentanalyser	Gemini	Sterkest på nytt webmateriale med kilder du kan sjekke
Lesing av lange dokumenter og transkripsjoner	Gemini	1M-token kontekstvindu, så en rapport på 120 sider passer i én gjennomgang
Datauttrekk til tabeller eller JSON	GPT	Mest pålitelig på strenge utdataformater du kan lime inn i Excel
Kvalitetssjekk av en anbefaling	Hva du ikke selv utformet i	En andre modell er det billigste rødt-lag du noensinne vil kjøre

Du trenger ikke huske alt dette. Den praktiske versjonen er: utform struktur i GPT, utform prosa i Claude, gjør research i Gemini, og sjekk den endelige logikken i en modell som ikke skrev den.

Arbeidsflyt 1: rammeverk som ikke er generisk

Å be om «et rammeverk for dette klientproblemet» gir en Porter's Five Forces med klientnavnet limt inn. Løsningen er å gi modellen samme begrensninger en manager ville gitt deg: beslutningen klienten faktisk skal ta, aksene som får lov til å bety noe, og hva som allerede er utelukket.

Prompt: beslutningstre

Du strukturerer et problem for et konsulentoppdrag. Klientbeslutning: [den spesifikke beslutningen, for eksempel "om man skal slå sammen tre regionale distribusjonssentre til ett"]. Bygg et MECE-beslutningstre, tre nivåer dypt. Nivå 1 må være de 3 til 5 spørsmålene som, hvis besvart, avgjør beslutningen. For hver gren, angi hvilken analyse som er nødvendig og hvilken datakilde som trengs. Ta ikke med grener vi ikke kan teste med tilgjengelig data. Flagg grener der svaret sannsynligvis allerede er kjent.

Prompt: en 2x2 som gjør seg fortjent til å være med

Foreslå tre kandidat-2x2-matriser for dette problemet. For hver, navngi begge aksene, forklar hva en posisjon i hvert kvadrant ville innebære for klienten, og angi den ene beslutningen matrisen driver. Avvis akseparbindelser som bare er en omformulering av samme variabel. Anbefal deretter én og forklar hvorfor de to andre er svakere her. Kontekst: [lim inn dine situasjonsnotater].

Prompt: trykktest et rammeverk du allerede har bygget

Her er et rammeverk jeg har bygget: [lim inn]. Fungér som en skeptisk oppdragsansvarlig. Identifiser overlappende grener, manglende grener, grener som ikke kan analyseres på tilgjengelig tid, og steder der strukturen forutsetter svaret. Skriv det ikke om. List kun opp problemene.

Den siste er den mest verdifulle prompten på denne siden. Modeller er langt bedre til å kritisere struktur enn til å finne den opp, og en kritikkrunde tar 30 sekunder. Kjør ditt eget rammeverk gjennom den før du tar det inn i en managergjennomgang, ikke etter.

Arbeidsflyt 2: presentasjonsfortelling som overlever en partnergjennomgang

Feilmønsteret ved AI-skrevne slides er ikke grammatikk. Det er at hver tittel er et emne heller enn en påstand. «Markedsoverblikk» er et emne. «Kategorien vokste 11 prosent mens klienten vår mistet 3 poeng markedsandel, drevet helt av rabattkanalen» er en påstand, og en presentasjon av påstander leses som tenkning heller enn rapportering.

Prompt: historielinje først, sider deretter

Bygg en horisontal historielinje for en klientpresentasjon. Situasjon: [2 setninger]. Komplikasjon: [2 setninger]. Spørsmålet klienten stiller: [1 setning]. Bevis jeg har: [punkter]. Anbefaling: [1 setning]. Returner 8 til 12 slide-titler, hver en fullstendig påstand med subjekt og verb, som leses i sekvens som ett samlet argument. Ingen emneetiketter. Etter titlene, list opp eventuelle påstander jeg ennå ikke har bevis for.

Den siste instruksen er den som redder deg. Den gir deg en liste over bevisgap før du bygger sidene, som er nøyaktig den listen en partner ellers ville generert i gjennomgangen.

Prompt: skriv siden

Skriv brødteksten for denne siden. Tittel: [lim inn tittel]. Underlagsdata: [lim inn tall eller funn]. Målgruppe: [for eksempel "finansdirektør og to underordnede, operativt kompetente, skeptiske til konsulenter"]. Begrensninger: maksimalt tre underlagspunkter, hver under 20 ord, ingen adjektiver som ikke kan måles, ingen påstand som går utover de gitte dataene. Legg til en enlinjes «hva betyr dette» for klienten.

Prompt: tonerunden

Skriv dette om til å matche stemmeprøven. Behold hvert tall og hver påstand identisk. Fjern setninger som ville stått uendret i en presentasjon for en annen klient. Stemmeprøve: [lim inn to avsnitt fra en presentasjon partneren likte]. Utkast: [lim inn].

Stemmeprøven betyr mer enn noen instruks om tone. To avsnitt av firmaets faktiske skriving vil flytte resultatet lenger enn et avsnitt med adjektiver som beskriver hvordan du vil at det skal lyde.

Før du sender noe, kjør presentasjonen gjennom omvendt-test: lim titlene inn i en ny chat og spør Hva er argumentet som fremmes her, og hva er det svakeste leddet i det? Hvis modellen ikke kan gjenfortelle argumentet ditt, kan heller ikke klienten.

Arbeidsflyt 3: markedsanalyser du faktisk kan sitere

Research er der AI er mest nyttig og mest farlig i et oppdrag. Et selvsikkert, oppdiktet markedsstørrelsestall som når en klientpresentasjon er et karriereproblem, ikke en ulempe. Disiplinen er enkel: bruk en nettforbundet modell, krev kilder, og behandle hvert tall som ubekreftet til du har åpnet kilden selv.

Prompt: kategorianalyse

Undersøk markedet for [kategori]. Returner: (1) anslag for markedsstørrelse fra de siste 24 månedene, hver med utgivende organisasjon, år og URL; (2) de 5 til 8 største aktørene med eventuelt offentlig rapportert omsetning eller markedsandel; (3) vesentlige endringer de siste 12 månedene, altså inntreden, exit, finansieringsrunder, oppkjøp og regulatoriske endringer; (4) de to eller tre strukturelle kreftene som mest sannsynlig vil endre konkurransebildet de neste 24 månedene. Der kilder er uenige, vis begge tallene i stedet for å gjennomsnittsberegne. Merk alt du ikke kan kildebelegge som UBEKREFTET.

Prompt: konkurrentgjennomgang

Bygg en posisjoneringsgjennomgang av [konkurrent]. Dekk: uttalt verditilbud i deres egne ord, målsegmenter, priser der offentlig, distribusjonskanaler, nylige produkt- eller budskapsendringer med datoer, og klagetemaene som er synlige i offentlige anmeldelser. Kildebelegg hver påstand. Skill mellom det som er uttalt av bedriften og det som observeres av tredjeparter.

Prompt: lesing av det lange dokumentet

Les dette dokumentet og trekk ut bare det som er relevant for [klientbeslutningen]. Returner en tabell med: påstand, side- eller avsnittsreferanse, og om det støtter, motsier, eller er neutralt til hypotesen om at [angi hypotesen]. List deretter de tre tingene i dette dokumentet som overrasker deg mest sett mot bransjenormer.

Den siste prompten er hvorfor et stort kontekstvindu betyr noe i denne jobben. Å laste inn en hel årsrapport, et komplett regulatorisk dokument, eller et sett med 15 intervjutranskripsjoner og stille ett spørsmål mot alt sammen, er en genuint annen kapasitet enn å oppsummere en side i gangen. Gemini 3.7 Flash leser en kontekst på 1M token i Whizi, om lag 2000 sider tekst, så den er standardvalget for den runden.

For en dypere gjennomgang av kildebruk og verifisering, se veiledningen om AI for markedsresearch.

Klientkonfidensialitet: hva du bør anonymisere før du limer inn

Hver konsulent spør om dette før den andre prompten, og det ærlige svaret har to deler. Whizi trener ikke på samtalene dine, og hver leverandørs retningslinjer for databehandling er tilgjengelige før du aktiverer den. Det dekker plattformen. Det dekker ikke klientavtalen din, som vanligvis er strengere enn noen leverandørpolicy og er dokumentet som faktisk styrer deg.

Den praktiske vanen er å fjerne identitet uten å fjerne struktur. AI-resonnering trenger ikke klientnavnet for å være nyttig, og å fjerne det kostar deg ingenting:

• Erstatt klient- og konkurrentnavn med tokener: Klient A, Konkurrent B, Region 1.
• Rund av eller indekser tall. «Omsetning indeksert til 100 i 2023, 94 i 2025» bevarer hele den analytiske formen.
• Fjern navn, e-poster og titler fra intervjutranskripsjoner før opplasting. Roller er nok, og roller er det analysen bruker.
• Hold alt som dekkes av en spesifikk konfidensialitetsklausul, personopplysninger eller vesentlig ikke-offentlig informasjon helt utenfor alle AI-verktøy, inkludert dette.
• Hvis oppdraget er under skjerpede restriksjoner, sjekk med firmaets risikoteam før oppdraget, ikke etter.

En anonymisert prompt er vanligvis en bedre prompt uansett. Å tvinge deg selv til å beskrive situasjonen i strukturelle termer fjerner tilfeldige detaljer som fortynnet modellens oppmerksomhet.

Hvorfor én arbeidsflate slår tre abonnementer her

Den spesifikke fordelen i et oppdrag er ikke pris, selv om regnestykket er reelt: ChatGPT Plus, Claude Pro og Google AI Pro koster rundt $20 hver, omtrent $60 i måneden, mot $29.99 for Whizi Pro, og en Claude Sonnet 5-melding bruker 10 av de 2000 kredittene Pro gir hver måned, så en presentasjons verdi av tittelrunder rekker langt inn i kvoten. Frilansere merker en enda skarpere versjon av det regnestykket, gjennomgått i AI-verktøy for frilansere. Den reelle fordelen er at konteksten overlever modellbyttet. Du laster opp klientens datautdrag, strukturerer problemet med GPT, utformer historielinjen med Claude, og henter markedskontekst med Gemini, alt i én tråd som husker hva som kom før. Å gjøre det samme i tre produkter betyr å forklare oppdraget på nytt tre ganger og holde versjonshistorikken i hodet.

Sammenligning side ved side er den andre fordelen, og den henger direkte sammen med hvordan konsulentkvalitet vurderes. Å kjøre samme sammendrag gjennom to modeller og beholde det beste avsnittet er en to minutters vane som målbart hever bunnlinjen på det du sender. Det reduserer også «dette lyder som AI»-reaksjonen, fordi du leverer det beste resultatet for hver del i stedet for én modells husstil strukket over hele dokumentet.

Den tredje er kritikkrunden. Be en modell som ikke utformet anbefalingen om å argumentere mot den: Argumenter for det sterkeste tilfellet der denne anbefalingen er feil. Hva måtte være sant for at den motsatte konklusjonen skulle gjelde? Det den finner, ville klientens finansdirektør også funnet.

Hva AI ikke vil gjøre for deg

Den vil ikke fortelle deg hva klienten faktisk vil, som vanligvis er annerledes enn det anbudet sier og bare kan læres i rommet. Den vil ikke vite at finansdirektøren som må implementere anbefalingen din, blokkerte samme idé for to år siden. Den vil ikke bære ansvar for et tall, så hvert tall som når en side, er ditt eget å verifisere.

Den er også svak på det konsulenter faktisk betales for: vurdering under mangelfull informasjon med anseelsesmessige konsekvenser. En modell vil gladelig gi deg et selvsikkert svar fra tynt bevis, fordi selvsikkerhet er billig for den og dyrt for deg. Behandle hvert resultat som et velbelest analytikers førsteutkast, produsert av noen som aldri har møtt klienten og ikke kan klandres.