Perspektive
Prompt Writing wird zu einer Lern-Design-Fähigkeit
Nützliche Prompts machen das Design-Briefing explizit: das Leistungsproblem, den Lernkontext, die Einschränkungen und die Beweise, die dir helfen, das Ergebnis zu beurteilen.
Bitte KI, einen Kurs über den Umgang mit schwierigen Kunden zu erstellen, und du hast bereits mehrere Designentscheidungen getroffen.
Du hast entschieden, dass ein Kurs benötigt wird. Du hast entschieden, dass das Problem etwas ist, aus dem die Menschen lernen können. Du hast entschieden, dass „den Umgang mit schwierigen Kunden“ die Arbeit klar genug beschreibt, um darauf aufzubauen.
Vielleicht sind diese Entscheidungen richtig. Aber der Prompt gibt uns nicht viel Grund, an sie zu glauben.
Ich denke, hier wird das Gespräch über Prompts für Lern-Designer interessant. Die nützliche Fähigkeit besteht darin, erklären zu können, was wir verbessern wollen, was wir über die Menschen wissen, die die Arbeit machen, und was eine nützliche Antwort erreichen müsste.
Ein Prompt macht diese Entscheidungen sichtbar. Er kann auch deren Abwesenheit sichtbar machen, wenn wir uns die Zeit nehmen, hinzuschauen.
Der Prompt legt das Briefing offen
Ein nützlicher Prompt ist ein Design-Briefing, das du hinterfragen kannst.
Deshalb sehe ich das Prompt Writing als Teil des Lern-Designs. Es gibt uns einen weiteren Ort, um die Arbeit des Definierens eines Problems, des Setzens von Einschränkungen und des Entscheidens, was als gut zählt, zu üben.
Bessere Formulierungen können eine schwache Entscheidung nicht reparieren
Es gibt die Versuchung, jede enttäuschende KI-Antwort als ein Formulierungsproblem zu betrachten. Füge eine Rolle hinzu. Bitte um mehr Details. Ändere den Ton. Sage, es soll ansprechender sein. Probiere einen längeren Prompt.
Manchmal helfen diese Änderungen. Aber sie können uns auch dazu bringen, eine Antwort auf eine Frage zu verfeinern, die wir hätten überdenken sollen.
„Handle als ein Experte für Instructional Design und erstelle einen ansprechenden fünfminütigen Kurs“ beginnt immer noch mit einem Kurs. „Nutze Prinzipien des Erwachsenenlernens“ erklärt nicht die Entscheidung, die jemand bei der Arbeit treffen muss. „Mach es interaktiv“ sagt uns nicht, was die Interaktion jemandem ermöglichen sollte, zu üben.
Sie können aus einem vagen Brief einen ansprechenden Entwurf erhalten. Das ist Teil des Problems. Eine vollständig aussehende Antwort kann unvollendetes Denken schwerer erkennbar machen.
Bevor Sie nach einer besseren Version fragen, überlegen Sie, was Sie dem Modell überlassen haben, zu erraten. Wer ist das Publikum? Womit haben sie Schwierigkeiten? Welche Beweise unterstützen diese Interpretation? Welche Informationen fehlen? Welche Entscheidungen wurden bereits getroffen, und welche sind noch offen?
Wenn Sie diese Fragen nicht beantworten können, wird ein weiteres Adjektiv im Prompt wahrscheinlich nicht helfen.
Gib ihm den Kontext, der das Design verändert
„Frontline employees“ ist ein Publikumsetikett. Es ist nicht genug Kontext, um sinnvolle Praxis zu gestalten.
Ein neuer Mitarbeiter, der einen Prozess zum ersten Mal lernt, benötigt etwas anderes als ein erfahrener Mitarbeiter, der den Prozess kennt, aber die aktuelle Richtlinie während eines Kundengesprächs nicht finden kann. Beide könnten in derselben Trainingsanfrage erscheinen.
Die nützlichen Details sind die, die Ihre Designentscheidungen ändern: frühere Erfahrungen, verfügbare Werkzeuge, Arbeitsbedingungen, Zeitdruck, Zugänglichkeitsbedürfnisse, Sprache und die Konsequenzen eines Fehlers.
Einschränkungen sind ebenso wichtig. Eine mobile Erfahrung, die zwischen Aufgaben genutzt wird, hat andere Anforderungen als ein moderierter Workshop. Eine Entscheidung, die aus dem Gedächtnis getroffen werden muss, benötigt eine andere Vorbereitung als eine, die durch ein durchsuchbares Referenzmaterial unterstützt wird.
Ich würde dem Modell auch sagen, was es nicht erfinden darf. Wenn keine Rückerstattungsrichtlinie bereitgestellt wurde, sollte es die fehlende Regel kennzeichnen. Wenn die Ursache einer Leistungsabweichung unklar ist, sollte es diese Unsicherheit bewahren, anstatt die Meinung eines Stakeholders in ein Ergebnis umzuwandeln.
Das bedeutet nicht, jedes Dokument, das Sie haben, in einen Chat zu kopieren. Wählen Sie das Material aus, das für die Entscheidung relevant ist, verwenden Sie Informationen, die Sie teilen dürfen, und erklären Sie, welche Quellen die Antwort bestimmen.
Eine nützliche Einschränkung
„Trennen Sie dokumentierte Fakten, Arbeitsannahmen und unbeantwortete Fragen. Erfinden Sie keine Richtlinien, Lerndaten oder Beweise für Auswirkungen.“
Die gleiche Anfrage, eine andere Designaufgabe
Hier ist ein hypothetisches Beispiel. Ein Kundenservicemanager bittet um Auffrischungstraining, weil die Agenten zu viele Rückerstattungsanfragen eskalieren.
Der schnelle Prompt könnte sein:
„Erstellen Sie einen fünfminütigen Mikrolernkurs zum Umgang mit Rückerstattungsanfragen. Fügen Sie drei Wissensüberprüfungen hinzu und gestalten Sie ihn ansprechend.“
Dieser Prompt gibt der KI einen Produktionsauftrag. Er fragt nicht, ob der Auftrag sinnvoll ist.
Stellen Sie sich nun vor, dass eine Überprüfung von Musterfällen nahelegt, dass die Agenten die grundlegende Richtlinie erklären können, aber zögern, wenn eine Ausnahme gilt. Sie haben während der Anrufe einen Richtlinienverweis zur Verfügung. Einige Fälle zeigen auch, dass die Ausnahmerichtlinien unklar sind.
Das ändert die Designaufgabe. Wir benötigen möglicherweise Entscheidungsübungen, einen klareren Verweis und eine Klarstellung der Richtlinie, bevor wir eine Auffrischung zu den Grundlagen benötigen.
Ein nützlicherer Prompt wäre:
Ein Prompt, der sich um die Entscheidung dreht
„Hilf mir, eine Anfrage zu prüfen, um unnötige Rückerstattungseskalationen unter erfahrenen Kundenservicemitarbeitern zu reduzieren.
In diesem hypothetischen Fall legt eine Überprüfung von Musterfällen nahe, dass die Agenten die grundlegende Rückerstattungsrichtlinie kennen, aber bei Ausnahmen zögern. Sie können während der Anrufe auf die Richtlinie zugreifen. Einige Ausnahmerichtlinien könnten mehrdeutig sein. Wir haben nicht festgestellt, wie viel jeder Faktor zur Eskalation beiträgt.
Trennen Sie vor dem Entwurf von Schulungen mögliche Übungsbedürfnisse von Richtlinien- oder Referenzproblemen. Identifizieren Sie die Fragen, die wir beantwortet haben müssen, und die Beweise, die uns helfen würden, eine Antwort zu wählen.
Wenn Entscheidungsübungen gerechtfertigt sind, skizzieren Sie drei kurze Fälle, in denen die Agenten wählen müssen, ob sie lösen, auf die Referenz konsultieren oder eskalieren. Jeder Fall sollte eine andere Entscheidungsgrenze testen. Erklären Sie, was jeder Fall uns beobachten lässt.
Verwenden Sie Platzhalter für Richtliniendetails, die ich nicht bereitgestellt habe. Erfinden Sie keine Rückerstattungsrichtlinien. Kennzeichnen Sie jeden Fall, der ohne eine Richtlinienentscheidung nicht beurteilt werden kann. Geben Sie zuerst eine diagnostische Tabelle zurück, gefolgt von einem vorläufigen Übungsentwurf.“
Der zweite Prompt beschreibt mehr als nur das Ergebnis. Er definiert, was bekannt ist, was ungewiss bleibt und die Reihenfolge der Entscheidungen, die wir treffen müssen.
Er erlaubt auch eine Antwort, die wir möglicherweise nicht erwartet haben: Klären Sie die Richtlinie, bevor Sie die Aktivität erstellen.
Das ist Designarbeit.
Schreibe die Kriterien, bevor du die Antwort liest
Eine der nützlichsten Dinge, die Sie in einen Prompt einfügen können, ist eine Erklärung, wie Sie das Ergebnis bewerten werden.
Wenn Sie nach einem Szenario fragen, benötigt „realistisch“ eine Definition. Steht der Lernende vor einer Entscheidung, die im tatsächlichen Workflow vorkommt? Hat er die Informationen, die er wirklich hätte? Gibt es einen plausiblen Grund, die schwächere Option zu wählen? Erklärt das Feedback eine Konsequenz oder kündigt es lediglich eine Punktzahl an?
Diese Fragen geben Ihnen etwas, das Sie über das Schreiben hinaus überprüfen können, ob es überzeugend klingt.
Für das Rückerstattungsbeispiel würde ich überprüfen, ob jeder Fall eine unterschiedliche Entscheidungsgrenze testet, ob die korrekte Antwort der genehmigten Richtlinie folgt und ob das Feedback erklärt, wann eine Konsultation oder Eskalation angemessen ist. Ich würde auch überprüfen, dass das Szenario einen Agenten nicht für Mehrdeutigkeit bestraft, die die Organisation nicht gelöst hat.
Sie können die KI bitten, ihren Entwurf anhand dieser Kriterien zu überprüfen. Das kann Probleme aufdecken. Es ist keine unabhängige Validierung, und es stellt nicht fest, dass die Richtlinie korrekt ist oder dass die Praxis die Leistung verbessern wird.
Sie müssen weiterhin die Quellen überprüfen, die Personen einbeziehen, die die Arbeit kennen, und die Erfahrung mit den vorgesehenen Nutzern, wo es praktisch ist, ausprobieren.
Das Modell kann Ihnen helfen, einen Standard anzuwenden. Sie bleiben verantwortlich dafür, zu entscheiden, ob die Arbeit diesem entspricht.
Wiederverwende die Struktur, überdenke die Entscheidungen
Ich mag wiederverwendbare Strukturen. Sie bewahren uns davor, von vorne zu beginnen, und erinnern uns daran, Fragen zu stellen, die wir sonst möglicherweise überspringen würden.
Aber ein gespeicherter Prompt kann auch die Annahmen von gestern in das heutige Projekt übertragen. Eine Vorlage, die immer nach einem Kursentwurf fragt, lässt jedes Problem stillschweigend wie ein Kursproblem erscheinen.
Die Struktur, die ich wiederverwenden würde, ist ein kurzes Designbriefing:
- Leistung: Was muss jemand tun, entscheiden oder sich erholen?
- Beweise: Was wissen wir über das aktuelle Problem, und was ist noch eine Annahme?
- Kontext: Wer macht die Arbeit, unter welchen Bedingungen und mit welchen Werkzeugen oder Unterstützungen?
- Einschränkungen: Welche Anforderungen muss die Antwort respektieren? Welche Quellen bestimmen sie?
- Entwurfsaufgabe: Diagnostizieren wir, vergleichen wir Antworten, entwerfen wir eine Praxis oder überprüfen wir eine bestehende Lösung?
- Qualitätskriterien: Was würde das Ergebnis nützlich, genau und angemessen für diese Situation machen?
- Unsicherheit: Was sollte markiert, hinterfragt oder ungelöst bleiben, anstatt geraten zu werden?
Du musst nicht jede kleine Anfrage in einen riesigen Prompt verwandeln. Passe das Briefing an die Aufgabe an. Einen Satz umzuschreiben erfordert weniger Kontext als eine Antwort auf ein Leistungsproblem zu empfehlen.
Bei einem größeren Projekt arbeite in Phasen. Untersuche die Anfrage, überprüfe die Beweise, vergleiche mögliche Antworten und entwerfe dann den Teil, für den du genügend Informationen hast, um zu gestalten. Trage die vereinbarten Entscheidungen voran und überarbeite sie, wenn neue Beweise das Bild ändern.
Das Ziel ist es, das Denken für eine Überprüfung verfügbar zu halten, anstatt es in einem polierten Endergebnis zu vergraben.
Beurteile die Arbeit über das Chatfenster hinaus
Ein stärkerer Prompt kann einen relevanteren Entwurf erzeugen. Das bedeutet jedoch nicht, dass wir das Lernen verbessert haben.
Der Entwurf muss immer noch den Kontakt mit der Aufgabe überstehen. Können die Menschen die Situation verstehen? Können sie die Unterstützung nutzen, wenn sie sie brauchen? Legt die Praxis die Entscheidungen offen, die uns wichtig sind? Hilft das Feedback ihnen, sich zu verbessern?
In unserem hypothetischen Rückerstattungsbeispiel wären weniger Eskalationen allein nicht genug. Agenten könnten Eskalationen reduzieren, indem sie Anfragen genehmigen, die sie hätten weiterleiten sollen. Wir müssten die Angemessenheit der Entscheidungen sowie die Eskalationsrate überprüfen.
Das ist ein weiteres Designurteil, das ein Prompt nicht für uns entscheiden kann. Wir entscheiden, welche Beweise wichtig sind und welche Kompromisse wir akzeptieren.
Ich sehe das Schreiben von Prompts nicht als Karrieregarantie. Es macht jemanden nicht unersetzlich, und eine Sammlung cleverer Prompts ist kein Ersatz für das Verständnis von Lernen oder der Arbeit, die Menschen leisten.
Ich betrachte es als praktische Fähigkeit, die unser Denken überprüfbar macht. Es zwingt uns, Absichten auszudrücken, Unsicherheiten zu benennen und den Standard zu definieren, bevor wir um eine Antwort bitten.
Probiere es mit dem nächsten Prompt, den du verwenden wolltest. Unterstreiche jede Entscheidung, die du bereits getroffen hast. Umkreise jedes Detail, das das Modell erraten müsste. Frage dich dann, ob diese Entscheidungen unterstützt werden.
Du benötigst möglicherweise einen besseren Prompt. Du benötigst möglicherweise ein besseres Briefing. Du musst möglicherweise mit einer Frage, die du nicht bedacht hast, zu den Stakeholdern zurückkehren.
Das Schreiben von Prompts verdient seinen Platz im Lern-Design, wenn es uns hilft, bessere Entscheidungen darüber zu treffen, was Menschen brauchen.
Learning Rewired Lab™
Stärke das Briefing, bevor du die Antwort generierst.
Das Lab ist der vollständige professionelle Arbeitsplatz, um eine Lernanfrage in eine fundierte Leistungslösung zu verwandeln. Fordern Sie die Anfrage heraus, untersuchen Sie das System, entwerfen Sie die Antwort und planen Sie die Beweise in einem verbundenen Projekt.
Fordern Sie die Anfrage heraus, prüfen Sie das System und entwerfen Sie für die Leistung, bevor die Produktion beginnt.
- Ein verbundenes Projektprotokoll
- Anfrage und Leistungsdiagnose
- Produktorientierte Lernwerkzeuge
- KI-unterstützte Design-Workflows
- Praktische Anwendung am Arbeitsplatz