AI-arbetsytan för konsulter: decks, ramverk och research i partnertakt

Vad AI faktiskt ersätter i ett uppdrag

Konsultarbete är inte ett enda jobb. Under en enda vecka strukturerar du ett problem, intervjuar intressenter, rensar ett dataextrakt, bygger en storyline, skriver sidorna och försvarar rekommendationen. Dessa uppgifter kräver helt olika modellbeteenden, vilket är varför en enda AI-prenumeration alltid känns 70 procent användbar och 30 procent frustrerande.

Den ärliga bilden är denna: AI producerar inte svaret i ett uppdrag. Den tar bort de två timmarna du lägger på att komma till ett första utkast av något du redan vet hur man bygger, och den fångar den lucka du annars hade hittat på torsdagen om du haft mer tid. Använd så är den värd flera timmar i veckan. Använd som en svarsmaskin producerar den exakt det generiska resultat som partners har lärt sig känna igen. Den mest hävstångsstarka instansen av detta i ett uppdrag är samtalssammanfattningen, som har sitt eget arbetsflöde i hur du sammanfattar möten med AI.

Här är den routing de flesta konsulter landar i efter några veckor:

Uppgift	Bästa modell	Varför
Problemstrukturering, issue trees, 2x2-matriser	GPT	Följer explicita strukturella begränsningar, håller MECE-logik, returnerar rena hierarkier
Slidrubriker och storyline	Claude	Skriver i ett mänskligt register, motstår fyllnadsadjektiv, håller en konsekvent argumentationstråd
Sammanfattning och klientmejl	Claude	Bäst på tonkontroll och att säga svåra saker diplomatiskt
Marknads- och konkurrentanalyser	Gemini	Starkast på färskt webbmaterial med källor du kan kontrollera
Läsning av långa dokument och transkript	Gemini	1M tokens kontextfönster, så en rapport på 120 sidor ryms i en enda genomgång
Dataextraktion till tabeller eller JSON	GPT	Mest pålitlig för strikta utdataformat du kan klistra in i Excel
Sanitetskontroll av en rekommendation	Vad du inte skrev utkastet i	En andra modell är den billigaste red team du någonsin kör

Du behöver inte memorera det. Den praktiska versionen är: skriv struktur i GPT, skriv text i Claude, researcha i Gemini, och kontrollera den slutliga logiken i en modell som inte skrev den.

Arbetsflöde 1: ramverksgenerering som inte är generisk

Att be om "ett ramverk för detta klientproblem" ger en Porters femkraftsmodell med klientnamnet inklistrat. Lösningen är att ge modellen det begränsningsset en manager skulle ge dig: det beslut klienten faktiskt fattar, axlarna som får spela roll, och vad som redan har uteslutits.

Prompt: issue tree

Du strukturerar ett problem för ett konsultuppdrag. Klientbeslut: [det specifika beslutet, till exempel "om man ska slå samman tre regionala distributionscenter till ett"]. Bygg ett MECE-issue tree, tre nivåer djupt. Nivå 1 måste vara de 3 till 5 frågor som, om de besvaras, löser beslutet. För varje löv, ange vilken analys som krävs och vilken datakälla som behövs. Inkludera inte grenar vi inte kan testa med tillgänglig data. Flagga alla grenar där svaret redan är känt.

Prompt: 2x2 som förtjänar sin plats

Föreslå tre kandidat-2x2-matriser för detta problem. För var och en, namnge båda axlarna, förklara vad en position i varje kvadrant skulle innebära för klienten, och ange det enda beslut matrisen driver. Förkasta varje axelpar som är en omformulering av samma variabel. Rekommendera sedan en och förklara varför de andra två är svagare här. Kontext: [klistra in dina situationsanteckningar].

Prompt: tryckprova ett ramverk du redan byggt

Här är ett ramverk jag byggt: [klistra in]. Agera som en skeptisk engagement manager. Identifiera överlappande grenar, saknade grenar, grenar som inte kan analyseras på tillgänglig tid, och alla ställen där strukturen förutsätter svaret. Skriv inte om det. Lista bara problemen.

Den sista är den mest värdefulla prompten på den här sidan. Modeller är mycket bättre på att kritisera struktur än på att uppfinna den, och en kritikgenomgång tar 30 sekunder. Kör ditt eget ramverk genom den innan du tar det till en managergranskning, inte efter.

Arbetsflöde 2: decknarrativ som överlever en partnergranskning

Felmodellen hos AI-skrivna slides är inte grammatik. Det är att varje rubrik är ett ämne snarare än ett påstående. "Marknadsöversikt" är ett ämne. "Kategorin växte 11 procent medan vår klient tappade 3 procentenheter marknadsandel, helt drivet av rabattkanalen" är ett påstående, och ett deck av påståenden läses som tänkande snarare än rapportering.

Prompt: storyline först, sidor sedan

Bygg en horisontell storyline för ett klientdeck. Situation: [2 meningar]. Komplikation: [2 meningar]. Fråga klienten ställer: [1 mening]. Bevis jag har: [punkter]. Rekommendation: [1 mening]. Returnera 8 till 12 sliderubriker, varje ett fullständigt påstående med subjekt och verb, som läst i följd bildar ett enda argument. Inga ämnesetiketter. Efter rubrikerna, lista alla påståenden jag ännu inte har bevis för.

Den sista instruktionen är den som räddar dig. Den ger dig en lista över bevisluckor innan du bygger sidor, exakt den lista en partner ändå skulle generera i granskningen.

Prompt: skriv sidan

Skriv brödtexten för denna slide. Rubrik: [klistra in rubrik]. Understödjande data: [klistra in siffror eller resultat]. Publik: [till exempel "COO och två direktrapporter, operativt kunniga, skeptiska mot konsulter"]. Begränsningar: max tre understödjande punkter, var under 20 ord, inga adjektiv som inte kan mätas, inget påstående som går bortom den givna datan. Lägg till en enradig "så vad" för klienten.

Prompt: tongenomgång

Skriv om detta för att matcha röstprovet. Behåll varje siffra och påstående identiskt. Ta bort varje mening som skulle passa oförändrad i ett deck för en annan klient. Röstprov: [klistra in två stycken från ett deck din partner gillade]. Utkast: [klistra in].

Röstprovet betyder mer än någon instruktion om ton. Två stycken av er byrås faktiska skrivande flyttar resultatet längre än ett stycke adjektiv som beskriver hur du vill att det ska låta.

Innan du skickar något, kör decket genom omvänd-testet: klistra in dina rubriker i en ny chatt och fråga Vilket argument görs här, och vad är den svagaste länken i det? Om modellen inte kan återge ditt argument kan inte klienten heller.

Arbetsflöde 3: marknadsanalyser du faktiskt kan citera

Research är där AI är mest användbar och mest riskabel i ett uppdrag. Ett självsäkert, påhittat marknadsstorlekssiffra som når ett klientdeck är ett karriärproblem, inte en olägenhet. Disciplinen är enkel: använd en webbansluten modell, kräv källor och behandla varje siffra som overifierad tills du själv har öppnat källan.

Prompt: kategorianalys

Researcha [kategorin]-marknaden. Returnera: (1) uppskattningar av marknadsstorlek från de senaste 24 månaderna, varje med utgivande organisation, år och URL; (2) de 5 till 8 största aktörerna med eventuella publikt rapporterade intäkts- eller marknadsandelssiffror; (3) väsentliga förändringar de senaste 12 månaderna, det vill säga inträden, utträden, finansieringsrundor, förvärv och regulatoriska förändringar; (4) de två eller tre strukturella krafter som mest sannolikt förändrar konkurrensbilden de kommande 24 månaderna. Där källor är oeniga, visa båda siffrorna snarare än att medelvärdesbilda dem. Markera allt du inte kan källbelägga som OVERIFIERAT.

Prompt: konkurrentanalys

Bygg en positioneringsanalys av [konkurrent]. Täck: uttalat värdeerbjudande med deras egna ord, målsegment, prissättning där offentlig, distributionskanaler, senaste produkt- eller budskapsförändringar med datum, och de klagomålsteman som syns i offentliga recensioner. Citera varje påstående. Skilj det som uttalas av företaget från det som observeras av tredje part.

Prompt: läsning av det långa dokumentet

Läs detta dokument och extrahera bara det som spelar roll för [klientbeslutet]. Returnera en tabell med: påstående, sid- eller avsnittsreferens, och om det stödjer, motsäger eller är neutralt till hypotesen att [ange hypotesen]. Lista sedan de tre saker i dokumentet som mest överraskar dig mot branschnormer.

Den sista prompten är varför ett stort kontextfönster spelar roll i det här jobbet. Att ladda en hel årsrapport, en fullständig regulatorisk anmälan eller en uppsättning av 15 intervjutranskript och ställa en fråga mot allt detta är en genuint annan förmåga än att sammanfatta en sida i taget. Gemini 3.7 Flash läser 1M tokens kontext på Whizi, ungefär 2 000 sidor text, så det är förvalet för den genomgången.

För en djupare genomgång av källbeläggning och verifiering, se guiden om AI för marknadsundersökning.

Klientsekretess: vad du ska avidentifiera innan du klistrar in

Varje konsult frågar detta innan den andra prompten, och det ärliga svaret har två delar. Whizi tränar inte på dina konversationer, och varje leverantörs datahanteringspolicy finns tillgänglig innan du aktiverar den. Det täcker plattformen. Det täcker inte ditt klientavtal, som vanligtvis är strängare än någon leverantörspolicy och är det dokument som faktiskt styr dig.

Den fungerande vanan är att strippa identitet utan att strippa struktur. AI-resonemang behöver inte klientnamnet för att vara användbart, och att ta bort det kostar dig ingenting:

• Ersätt klient- och konkurrentnamn med tokens: Klient A, Konkurrent B, Region 1.
• Avrunda eller indexera siffror. "Intäkt indexerad till 100 2023, 94 2025" bevarar hela den analytiska formen.
• Ta bort namn, e-postadresser och titlar från intervjutranskript innan du laddar upp. Roller räcker, och roller är det analysen använder.
• Håll allt som täcks av en specifik sekretessklausul, personuppgifter eller väsentlig icke-offentlig information helt utanför alla AI-verktyg, inklusive detta.
• Om uppdraget står under skärpta restriktioner, stäm av med byråns riskteam före uppdraget, inte efter.

En avidentifierad prompt är oftast en bättre prompt ändå. Att tvinga dig själv att beskriva situationen i strukturella termer tar bort den ovidkommande detalj som spädde ut modellens uppmärksamhet.

Varför en arbetsyta slår tre prenumerationer här

Den specifika fördelen i ett uppdrag är inte pris, även om aritmetiken är verklig: ChatGPT Plus, Claude Pro och Google AI Pro kostar cirka $20 var, ungefär $60 i månaden, mot $29.99 för Whizi Pro, och ett Claude Sonnet 5-meddelande spenderar 10 krediter av de 2 000 Pro har varje månad, så en decks värde av rubrikgenomgångar knappt nagger på ramen. Frilansare känner en skarpare version av samma aritmetik, genomgången i AI-verktyg för frilansare. Den verkliga fördelen är att kontexten överlever modellbytet. Du laddar upp klientens dataextrakt, strukturerar problemet med GPT, skriver storylinen med Claude, och hämtar marknadskontexten med Gemini, allt i en tråd som minns vad som hänt tidigare. Att göra samma sak i tre produkter innebär att förklara uppdraget tre gånger och hålla versionshistoriken i huvudet.

Sida-vid-sida-jämförelse är den andra fördelen, och den kopplar direkt till hur konsultkvalitet bedöms. Att köra samma sammanfattning genom två modeller och behålla det bästa stycket är en tvåminutersvana som mätbart höjer golvet på vad du skickar. Det minskar också reaktionen "det här låter som AI", eftersom du levererar det bästa resultatet för varje avsnitt snarare än en modells husstil utsträckt över ett helt dokument.

Den tredje är red team-genomgången. Be en modell som inte skrev utkastet till rekommendationen att argumentera emot den: Argumentera för det starkaste fallet att denna rekommendation är fel. Vad skulle behöva vara sant för att den motsatta slutsatsen ska gälla? Vad den hittar skulle klientens CFO också ha hittat.

Vad AI inte kommer göra för dig

Den kommer inte tala om vad klienten faktiskt vill, vilket vanligtvis skiljer sig från vad förfrågan säger och bara kan läras i rummet. Den kommer inte veta att COO:n som ska implementera din rekommendation blockerade samma idé för två år sedan. Den kommer inte bära ansvar för en siffra, så varje siffra som når en sida är din att verifiera.

Den är också svag på det specifika konsulter betalas för: omdöme under ofullständig information med anseenderisker. En modell ger dig gärna ett självsäkert svar från tunt underlag, för självsäkerhet är billigt för den och dyrt för dig. Behandla varje resultat som en välläst analytikers första utkast, producerat av någon som aldrig träffat klienten och inte kan lastas för det.