Perspective
L'écriture de prompts devient une compétence en conception d'apprentissage
Des invites utiles rendent le cahier des charges explicite : le problème de performance, le contexte de l'apprenant, les contraintes et les preuves qui vous aideront à juger le résultat.
Demandez à l'IA de créer un cours sur la gestion des clients difficiles, et vous avez déjà pris plusieurs décisions de conception.
Vous avez décidé qu'un cours est nécessaire. Vous avez décidé que le problème est quelque chose dont les gens peuvent apprendre à sortir. Vous avez décidé que "gérer des clients difficiles" décrit suffisamment clairement le travail pour construire autour.
Peut-être que ces décisions sont justes. Mais l'invite ne nous donne pas beaucoup de raisons de les croire.
Je pense que c'est là que la conversation sur les invites devient intéressante pour les concepteurs d'apprentissage. La compétence utile est de pouvoir expliquer ce que nous essayons d'améliorer, ce que nous savons sur les personnes qui effectuent le travail, et ce qu'une réponse utile devrait accomplir.
Une invite rend ces décisions visibles. Elle peut également rendre leur absence visible, si nous prenons le temps de regarder.
L'invite expose le cahier des charges
Une invite utile est un cahier des charges que vous pouvez interroger.
C'est pourquoi je vois l'écriture d'invites devenir une partie du design d'apprentissage. Cela nous donne un autre endroit pour pratiquer le travail de définition d'un problème, de définition de contraintes et de décision sur ce qui compte comme bon.
Une meilleure formulation ne peut pas réparer une décision faible
Il y a une tentation de traiter chaque réponse décevante de l'IA comme un problème de formulation. Ajoutez un rôle. Demandez plus de détails. Changez le ton. Dites-lui d'être plus engageant. Essayez une invite plus longue.
Parfois, ces changements aident. Mais ils peuvent aussi nous garder à polir une réponse à une question que nous aurions dû reconsidérer.
"Agissez en tant qu'expert en conception pédagogique et créez un cours engageant de cinq minutes" commence toujours par un cours. "Utilisez les principes d'apprentissage des adultes" n'explique pas la décision qu'une personne doit prendre au travail. "Rendez-le interactif" ne nous dit pas ce que l'interaction devrait permettre à quelqu'un de pratiquer.
Vous pouvez obtenir un brouillon attrayant à partir d'un brief vague. C'est une partie du problème. Une réponse qui semble complète peut rendre la pensée inachevée plus difficile à remarquer.
Avant de demander une meilleure version, demandez ce que vous avez laissé au modèle à deviner. Qui est le public ? Qu'est-ce qu'il essaie de faire ? Quelles preuves soutiennent cette interprétation ? Quelle information manque-t-il ? Quelles décisions ont déjà été convenues, et lesquelles sont encore ouvertes ?
Si vous ne pouvez pas répondre à ces questions, un autre adjectif dans le prompt ne résoudra probablement pas le problème.
Donnez-lui le contexte qui change la conception
« Employés de première ligne » est une étiquette de public. Ce n'est pas assez de contexte pour concevoir une pratique significative.
Un nouvel employé apprenant un processus pour la première fois a besoin de quelque chose de différent d'un employé expérimenté qui connaît le processus mais ne peut pas trouver la politique actuelle lors d'une conversation avec un client. Les deux peuvent apparaître dans la même demande de formation.
Les détails utiles sont ceux qui changent vos décisions de conception : expérience antérieure, outils disponibles, conditions de travail, pression temporelle, besoins d'accessibilité, langue et conséquences d'une erreur.
Les contraintes comptent tout autant. Une expérience mobile utilisée entre les tâches a des exigences différentes d'un atelier animé. Une décision qui doit être prise de mémoire nécessite une préparation différente de celle soutenue par une référence consultable.
Je dirais aussi au modèle ce qu'il ne doit pas inventer. Si une règle de remboursement n'a pas été fournie, il doit signaler la règle manquante. Si la cause d'un écart de performance est incertaine, il doit préserver cette incertitude plutôt que de transformer l'opinion d'un intervenant en constatation.
Cela ne signifie pas coller chaque document que vous avez dans un chat. Sélectionnez le matériel pertinent pour la décision, utilisez les informations que vous êtes autorisé à partager et expliquez quelles sources régissent la réponse.
Une contrainte utile
« Séparez les faits documentés, les hypothèses de travail et les questions sans réponse. N'inventez pas de politiques, de données sur les apprenants ou de preuves d'impact. »
La même demande, une tâche de conception différente
Voici un exemple hypothétique. Un responsable du support client demande une formation de remise à niveau parce que les agents escaladent trop de demandes de remboursement.
Le prompt rapide pourrait être :
« Créez un cours de micro-apprentissage de cinq minutes sur la gestion des demandes de remboursement. Incluez trois vérifications de connaissances et rendez-le engageant. »
Ce prompt donne à l'IA une mission de production. Il ne demande pas si la mission a du sens.
Maintenant, imaginez qu'un examen de cas d'échantillons suggère que les agents peuvent expliquer la politique de base, mais hésitent lorsqu'une exception s'applique. Ils ont une référence de politique disponible pendant les appels. Certains cas montrent également que les directives sur les exceptions ne sont pas claires.
Cela change la tâche de conception. Nous pourrions avoir besoin d'une pratique décisionnelle, d'une référence plus claire et d'une clarification de la politique avant d'avoir besoin d'une remise à niveau sur les bases.
Un prompt plus utile serait :
Un prompt construit autour de la décision
« Aidez-moi à examiner une demande de réduction des escalades de remboursement inutiles parmi les agents du support client expérimentés.
Dans ce cas hypothétique, un examen de cas d'échantillons suggère que les agents connaissent la politique de remboursement de base mais hésitent autour des exceptions. Ils peuvent accéder à la politique pendant les appels. Certaines directives sur les exceptions peuvent être ambiguës. Nous n'avons pas établi combien chaque facteur contribue à l'escalade.
Avant de rédiger la formation, séparez les besoins de pratique possibles des problèmes de politique ou de référence. Identifiez les questions auxquelles nous devons répondre et les preuves qui nous aideraient à choisir une réponse.
Si la pratique décisionnelle est justifiée, décrivez trois cas courts dans lesquels les agents doivent choisir de résoudre, de consulter la référence ou d'escalader. Chaque cas devrait tester une frontière différente. Expliquez ce que chaque cas nous permettrait d'observer.
Utilisez des espaces réservés pour les détails de politique que je n'ai pas fournis. N'inventez pas de règles de remboursement. Signalez tout cas qui ne peut pas être jugé sans une décision politique. Retournez d'abord un tableau diagnostique, suivi d'un plan de pratique provisoire. »
Le deuxième prompt fait plus que décrire la sortie. Il définit ce qui est connu, ce qui reste incertain et la séquence de décisions que nous devons prendre.
Il permet également une réponse que nous n'avons peut-être pas attendue : clarifier la politique avant de construire l'activité.
C'est un travail de conception.
Écrivez les critères avant de lire la réponse
L'une des choses les plus utiles que vous puissiez mettre dans un prompt est une explication de la manière dont vous jugerez le résultat.
Si vous demandez un scénario, « réaliste » a besoin d'une définition. L'apprenant fait-il face à une décision qui se produit dans le flux de travail réel ? A-t-il les informations qu'il aurait réellement ? Y a-t-il une raison plausible de choisir l'option la plus faible ? Le retour explique-t-il une conséquence ou annonce-t-il simplement un score ?
Ces questions vous donnent quelque chose à inspecter au-delà de savoir si l'écriture semble convaincante.
Pour l'exemple de remboursement, je vérifierais si chaque cas teste une frontière décisionnelle distincte, si la réponse correcte suit la politique approuvée et si le retour explique quand la consultation ou l'escalade est appropriée. Je vérifierais également que le scénario ne punit pas un agent pour l'ambiguïté que l'organisation n'a pas résolue.
Vous pouvez demander à l'IA de revoir son brouillon par rapport à ces critères. Cela peut faire ressortir des problèmes. Ce n'est pas une validation indépendante, et cela n'établit pas que la politique est correcte ou que la pratique améliorera la performance.
Vous devez toujours inspecter les sources, impliquer les personnes qui connaissent le travail et essayer l'expérience avec les utilisateurs visés lorsque cela est pratique.
Le modèle peut vous aider à appliquer une norme. Vous restez responsable de décider si le travail y répond.
Réutilisez la structure, revisitez les décisions
J'aime les structures réutilisables. Elles nous évitent de repartir de zéro et nous rappellent de poser des questions que nous pourrions autrement ignorer.
Mais un prompt enregistré peut aussi transporter les hypothèses d'hier dans le projet d'aujourd'hui. Un modèle qui demande toujours un plan de cours fait silencieusement en sorte que chaque problème ressemble à un problème de cours.
La structure que je réutiliserais est un bref de conception court :
- Performance : Que doit faire, décider ou récupérer quelqu'un ?
- Preuves : Que savons-nous du problème actuel, et quelle est encore une hypothèse ?
- Contexte : Qui fait le travail, dans quelles conditions, et avec quels outils ou soutien ?
- Contraintes : Quelles exigences la réponse doit-elle respecter ? Quelles sources la régissent ?
- Tâche de conception : Diagnostiquons-nous, comparons-nous des réponses, rédigeons-nous une pratique ou examinons-nous une solution existante ?
- Critères de qualité : Qu'est-ce qui rendrait le résultat utile, précis et approprié pour cette situation ?
- Incertitude : Que doit-on signaler, questionner ou laisser non résolu plutôt que de deviner ?
Vous n'avez pas besoin de transformer chaque petite demande en un énorme prompt. Adaptez le brief à la tâche. Réécrire une phrase nécessite moins de contexte que de recommander une réponse à un problème de performance.
Pour un projet plus vaste, travaillez par étapes. Examinez la demande, passez en revue les preuves, comparez les réponses possibles, puis rédigez la partie pour laquelle vous avez suffisamment d'informations pour concevoir. Conservez les décisions convenues et revenez-y lorsque de nouvelles preuves changent la donne.
L'objectif est de garder le raisonnement disponible pour révision, plutôt que de l'enterrer dans un résultat final poli.
Évaluez le travail au-delà de la fenêtre de chat
Un prompt plus fort peut produire un brouillon plus pertinent. Cela ne signifie pas que nous avons amélioré l'apprentissage.
Le brouillon doit encore survivre au contact du travail. Les gens peuvent-ils comprendre la situation ? Peuvent-ils utiliser le soutien quand ils en ont besoin ? La pratique expose-t-elle les décisions qui nous importent ? Les retours les aident-ils à s'améliorer ?
Dans notre exemple hypothétique de remboursement, moins d'escalades ne suffirait pas à lui seul. Les agents pourraient réduire les escalades en approuvant des demandes qu'ils auraient dû référer. Nous devrions examiner l'adéquation des décisions ainsi que le taux d'escalade.
C'est un autre jugement de conception qu'un prompt ne peut pas trancher pour nous. Nous décidons quelles preuves comptent et quels compromis nous accepterons.
Je ne considère pas l'écriture de prompts comme une garantie de carrière. Cela ne rend pas quelqu'un irremplaçable, et une collection de prompts astucieux n'est pas un substitut à la compréhension de l'apprentissage ou du travail des gens.
Je le vois comme une compétence pratique qui rend notre pensée inspectable. Cela nous oblige à exprimer notre intention, à nommer l'incertitude et à définir la norme avant de demander une réponse.
Essayez-le avec le prochain prompt que vous alliez utiliser. Soulignez chaque décision que vous avez déjà prise. Entourez chaque détail que le modèle devrait deviner. Ensuite, demandez-vous si ces décisions sont soutenues.
Vous pourriez avoir besoin d'un meilleur prompt. Vous pourriez avoir besoin d'un meilleur brief. Vous pourriez devoir retourner vers le partie prenante avec une question à laquelle vous n'aviez pas pensé.
L'écriture de prompts mérite sa place dans la conception de l'apprentissage lorsqu'elle nous aide à prendre de meilleures décisions sur ce dont les gens ont besoin.
Learning Rewired Lab™
Renforcez le brief avant de générer la réponse.
Le Lab est l'espace de travail professionnel complet pour transformer une demande d'apprentissage en une solution de performance défendable. Remettez en question la demande, examinez le système, concevez la réponse et planifiez les preuves dans un projet connecté.
Remettez en question la demande, examinez le système et concevez pour la performance avant que la production ne commence.
- Un enregistrement de projet connecté
- Demande et diagnostic de performance
- Outils d'apprentissage orientés produit
- Flux de travail de conception assistés par IA
- Application pratique en milieu de travail