An obair fhíor atá romhainn
An cheardlann phromptha a thosaigh ródhéanach
Cuireadh an cheardlann in áirithe chun prompthaí a fheabhsú. Ba é sin an teideal sa fhéilire, le deilbhín beag bata draíochta a raibh aiféala ar dhuine éigin ina thaobh níos déanaí. Bhí grúpa bainisteoirí, anailísithe, oibreoirí, agus innealtóirí ina suí timpeall boird le doiciméad roinnte. Bhí an prompt reatha ar an scáileán. D'iarr sé ar mhúnla teanga athbhreithniú a dhéanamh ar iarratais ó chustaiméirí, an polasaí ceart a aithint, freagra a dhréachtú, agus riosca a chur in iúl. Bhí sé béasach, struchtúrtha, agus i bhfad níos faide ná mar a bhí fonn ar aon duine a admháil. Níorbh é sin an phríomhfhadhb ach an oiread.
Ba é an chéad chás tástála custaiméir a bhí ag iarraidh eisceachta tar éis seachadadh moillithe. Tháirg an múnla freagra réasúnta maith. Ansin dúirt duine éigin ón oibríocht nach raibh an polasaí foinseach ar an scáileán mar an gceann a d'úsáid an fhoireann ar an Aoine a thuilleadh, toisc go raibh riail shealadach iompróra sínte faoi dhó ach nár comhtháthaíodh riamh í sa phríomhleathanach polasaí. Dúirt duine éigin ón rannóg dlí go raibh ceadú ag teastáil le haghaidh eisceachtaí os cionn méid áirithe, ach go raibh an tairseach ag brath ar chatagóir an táirge. D'fhiafraigh an rannóg airgeadais cá raibh creidmheasanna dea-thola taifeadta. Dúirt an tacaíocht go raibh ton an mhúnla ceart go leor, ach go nglaofadh an custaiméir arís toisc nár luaigh an freagra an teagmhas rianaithe a bhí ar iarraidh. Bhí an prompt ina shuí ansin ag breathnú neamhchiontach.
Ní bheadh aon cheann de na saincheisteanna sin réitithe ag mír treorach níos fearr. Ní fhéadfadh an múnla a thátal cén leathanach polasaí a bhí údarásach. Ní fhéadfadh sé a fhios a bheith aige go raibh riail shealadach ina réaltacht oibriúcháin. Ní fhéadfadh sé cinneadh a dhéanamh cé a raibh údarás ceadaithe aige. Ní fhéadfadh sé a fheiceáil gurb é an teagmhas rianaithe a bhí ar iarraidh ba chúis leis an gcéad teagmháil eile. Bhíthas ag iarraidh ar an prompt cúiteamh a dhéanamh as obair neamhshoiléir. Botún coitianta é seo. Tagann daoine chuig an prompt le ciseán d'uafás próisis agus iarrann siad ar an múnla a bheith galánta faoi.
Is é an fíorobair an obair roimh an prompt. Is í an obair an tasc a ainmniú, an teorainn a shainiú, foinsí a roghnú, údarás a shocrú, samplaí a ullmhú, cosáin teipe a chinneadh, aschur a mhúnlú, cáilíocht a thomhas, agus ceartú a chumasú. Tá tábhacht le prompting. Is féidir le drochphrompt socrú maith a dhéanamh liobarnach. Ach is mearbhall dea-scríofa é prompt álainn ar bharr oibríocht neamhshoiléir. Seans go mbeidh an múnla ag fuaimniú níos fearr. Ní bheidh an obair níos sábháilte, níos saoire, ná níos intuigthe de thaisme.
Ní léarscáil phróisis é prompt
A prompt can tell a model how to behave in a context. It cannot create the context if the organisation has not done so. It can ask for brevity, structure, humility, and citations. It can describe a role. It can specify a format. It can warn the model not to guess. These are useful. They are also small compared with the process questions that determine whether an AI system helps or merely speaks confidently near the work.
What is the task. Is it classification, extraction, summarisation, drafting, routing, recommendation, verification, or action. Which part is automated. Which part remains human. What state changes if the output is accepted. Who is affected. Which records are touched. Which policy applies. What evidence is mandatory. What happens when evidence is missing. Which mistakes are tolerable. Which mistakes create harm. These questions decide the shape of the system. A prompt that does not sit on top of clear answers becomes a polite guess wearing a nametag.
Many failed AI pilots begin with a prompt because a prompt is the most visible handle. It feels creative and immediate. You can edit it in a meeting. You can try a new version before coffee goes cold. Process design is slower. Data cleanup is slower. Authority mapping is slower. Evaluation set building is slower. Unfortunately, slow is not the same as optional. The parts skipped before the prompt return later as hallucination, rework, mistrust, policy exceptions, and a large spreadsheet called issues.
The better sequence is not glamorous. Write the work down. Walk real cases. Identify source systems. Mark which fields decide outcomes. Separate rules from judgement. Decide where humans enter. Define output contracts. Build examples. Agree on refusal. Test with the people who will live with the result. Only then does the prompt become a useful lever. Before that, it is a decorative steering wheel on a desk.
The task needs a boundary sharp enough to test
AI work often begins with verbs that are too large. Help with customer service. Support legal review. Improve planning. Assist procurement. Make reporting smarter. These are ambitions, not tasks. A model cannot be evaluated against an ambition. It can be evaluated against a task with inputs, outputs, constraints, success criteria, and failure paths. The narrower description may feel less exciting. It is also the first moment the work becomes buildable.
A sharp task boundary says what the system may see and what it may change. It says whether the model is reading source material, generating a draft, extracting structured fields, recommending an action, or calling a tool. It says which outputs are final, which are advisory, and which must be reviewed. It says what the system refuses. It says when the model should ask for more evidence rather than complete the answer. It says what is outside scope, because outside scope is where ambitious pilots go to become incident reports.
Boundaries make evaluation possible. If the task is draft a reply using these sources and this policy, quality can be tested. If the task is improve service quality with AI, every result can be explained as progress by someone with enough slides. A boundary also protects users from accidental escalation. A tool that begins by drafting may acquire a button that sends. A classifier may become a router. A router may become a decision. Without a named boundary, this drift feels like adoption. With a boundary, it becomes a change request.
The boundary should be written in operational language, not only technical language. The support lead should understand it. Legal should understand it. The data owner should understand it. The engineer should be able to test it. If the prompt is the only place where the boundary lives, the boundary is fragile. Prompts are important, but they are not load-bearing policy documents. They are more like instructions to a very talented temporary worker who never saw the org chart.
Sources are not a pile of documents
Many teams discover during prompting that they do not know which sources are authoritative. They have policy pages, PDFs, email instructions, training material, legacy manuals, chat messages, ticket macros, spreadsheet trackers, and the memory of an operator who everyone calls because she knows how it really works. The model is then asked to answer from the knowledge base. Which knowledge. Which base. The phrase can be doing heroic amounts of concealment.
Source preparation is not glamorous, which is why it is often late. It involves deciding which document wins when sources disagree, how freshness is checked, how temporary rules expire, how exceptions are represented, how confidential material is excluded, how source versions are preserved, and how citation identifiers survive the model's answer. This is not paperwork. It is the difference between retrieval and rummaging.
AI makes source discipline more important because the model can make weak source practices look acceptable. It can stitch fragments into fluent prose. It can smooth over contradictions. It can produce a plausible answer from stale material. A search result with visible gaps feels incomplete. A generated answer with the same gaps may feel complete. The better the prose, the more important the provenance. Confidence should not be allowed to launder a weak source chain.
Good source preparation also reduces prompt complexity. A prompt full of warnings about conflicting policies, stale documents, missing fields, and special exceptions is often a symptom of upstream neglect. If the retrieval layer already filters by authority and freshness, the prompt can be shorter. If the source carries structured metadata, the model does not need to infer it from paragraph titles. If exceptions are represented as rules, the model does not have to become a detective with token limits. The best prompt improvement is sometimes a better index.
Examples are small pieces of governance
De ghnáth, breathnaítear ar shamplaí mar áiseanna oiliúna, ach is cineál rialachais iad freisin. Léiríonn dea-shampla cad is brí le cáilíocht i gcás áirithe. Taispeánann sé conas a láimhseálann an eagraíocht éiginnteacht, easpa fianaise, polasaí contrártha, ton íogair, ardú céime, agus diúltú. Insíonn sé don tsamhail agus don fhoireann cuma cad é atá ar fhreagra maith, ach freisin cuma cad é atá ar fhreagra maith nach freagra é. Tá sé seo tábhachtach mar go dteipeann ar go leor córas tromchúiseacha trí fhreagra a thabhairt nuair ba cheart dóibh sos a ghlacadh.
Cruthaíonn tógáil samplaí cinntí a sheachnaíonn plé teibí. Tóg fiche cás dáiríre. Marcáil an toradh ceart. Marcáil roghanna eile inghlactha. Marcáil aicearraí neamh-inghlactha. Mínigh cén fáth. Cuir san áireamh cásanna imeallacha a chuir leisce ar fhoireann a bhfuil taithí acu. Cuir gnáthchásanna san áireamh freisin, mar go bhfoghlaimíonn córais a oiliúnaítear ar dhrámaíocht amháin drochbhéasa. Iarr ar shaineolaithe réimse easaontú agus taifead an t-easaontas. Tá sé seo níos moille ná a iarraidh ar an tsamhail a bheith cúramach. Cruthaíonn sé teanga chomhroinnte le haghaidh cúraim freisin.
Ba cheart cásanna diúltacha a bheith i samplaí. Níor aimsíodh aon fhoinse. Coimhlint foinsí. Níl údarás ag an úsáideoir. Iarratas lasmuigh den chuspóir. Iarrann custaiméir rud éigin a bhfuil cuma shimplí air ach a spreagann polasaí. Ba cheart don tsamhail foghlaim cathain ba cheart diúltú, ardú céime, ceist a chur, nó éiginnteacht struchtúrtha a thabhairt ar ais. Má thaispeánann samplaí freagraí rathúla amháin, beidh claonadh ann i dtreo an chríochnaithe. Ní ionann críochnú agus rath i gcónaí. Uaireanta is é an freagra is fearr ná gan dóthain fianaise a bheith ann, rud atá deacair a cheiliúradh i ndéim ach atá úsáideach i gcóras oibre.
Is tús na meastóireachta iad samplaí freisin. Is féidir leo a bheith ina bhfeistis tástála, ina gcásanna cúlchéimnithe, ina n-oiliúint d'athbhreithneoirí, agus ina n-earraí monatóireachta. Nuair a tharlaíonn eachtra, is féidir le cás ceartaithe a bheith ina shampla nua. Tugann sé seo cuimhne don chóras. Gan samplaí, is athruithe giúmar iad athruithe leideanna. Deir duine éigin go mbraitheann an freagra níos fearr. Deir duine eile go mbraitheann sé níos measa. Déanann an tsamhail gáire sa lár, gan suaitheadh ag fianaise.
Is cinneadh oibriúcháin é cruth an aschuir
Is minic a chaitheann pléití leideanna an iomarca ama ar an ton agus an iomarca beag ar chruth an aschuir. Tá an ton tábhachtach, go háirithe i gcumarsáid le custaiméirí nó leis an bpobal. Ach socraíonn cruth an aschuir an féidir an freagra a sheiceáil, a ródú, a stóráil, a cheadú, a cheistiú, nó a úsáid ag córas eile. D'fhéadfadh go mbeadh aiste taitneamhach. D'fhéadfadh aschur struchtúrtha a bheith inoibrithe. Is minic a bhíonn an dá rud ag teastáil le haghaidh obair thromchúiseach AI: prós inléite do dhaoine agus réimsí ar féidir le meaisíní a fhíorú.
Áirítear le cruth an aschuir réimsí riachtanacha, tagairtí foinse, muinín nó éiginnteacht, cúiseanna diúltaithe, bratacha ardaithe, taifid a ndearnadh difear dóibh, gníomhartha beartaithe, agus stádas ceadaithe daonna. Deir sé an féidir leis an tsamhail réimse a fhágáil bán. Deir sé an gá di aitheantóir polasaí a lua. Deir sé an féidir léi catagóirí a chruthú nó an gá di rogha a dhéanamh ó liosta rialaithe. Deir sé cad a tharlaíonn nuair atá an t-ionchur débhríoch. Ní maisiúchán iad na roghanna seo. Is dearadh sreafa oibre iad.
Coinníonn aschur struchtúrtha an tsamhail ina lána féin freisin. Má éilíonn an córas réimse ar leith don fhianaise, bíonn éilimh gan tacaíocht le feiceáil. Má éilíonn sé cineál gnímh ó liosta ceadaithe, bíonn sé níos deacra úsáid chruthaitheach uirlisí. Má éilíonn sé go mbeadh éiginnteacht sainráite, is féidir le hathbhreithneoirí triáiste a dhéanamh. Má éilíonn sé cúis diúltaithe, is féidir cásanna blocáilte a anailísiú. Is féidir leis an leid na rudaí seo a iarraidh, ach ba cheart don chóras mórthimpeall iad a bhailíochtú. Ní rialtán é iarraidh go dea-bhéasach. Is moladh le formáidiú é.
Tá taobh daonna ann. Teastaíonn aschur ó dhaoine a oireann dá rithim oibre. D’fhéadfadh clásail fhoinse agus nótaí riosca a bheith ag teastáil ó dhlíodóir. D’fhéadfadh dréacht réidh do chustaiméirí agus cóid chúise inmheánacha a bheith ag teastáil ó ghníomhaire tacaíochta. D’fhéadfadh moladh bealaigh agus an srian ba chúis leis a bheith ag teastáil ó phleanálaí. D’fhéadfadh cúiseanna comhiomlánaithe a bheith ag teastáil ó bhainisteoir, ní prós aonair. Má dhéanann cruth an aschuir neamhaird ar an úsáideoir, d’fhéadfadh an leid a bheith ceart go teicniúil agus corraitheach go hoibríochtúil. Is éacht coitianta é sin, ach ní éacht úsáideach é.
Ní féidir údarás a thabhairt le tuiscint trí chabhair
Meallann samhail chabhrach muinín. Tá sin go maith go dtí go ndéantar dearmad idir cabhair agus údarás. Má dhréachtaíonn an tsamhail freagra, cé a cheadaítear é a sheoladh. Má mholann sé aisíocaíocht, cé a cheadaíonn é. Má rangaitear riosca, cé a ghníomhaíonn ar an rangú. Má bhaintear réimse amach, cé a cheartaíonn é. Mura féidir léi fianaise a fháil, cé a chinneann an leanfar ar aghaidh. Ní mór na ceisteanna seo a fhreagairt roimh an leid, mar ní féidir leis an leid údarás institiúideach a thabhairt.
Áirítear le dearadh údaráis róil, tairseacha, cianda athbhreithnithe, cearta sáraithe, cosáin ardaithe, agus taifid iniúchta. Déanann sé idirdhealú idir moladh agus cinneadh. Déanann sé idirdhealú idir cinneadh uathoibrithe agus cinneadh daonna le tacaíocht uathoibrithe. Deir sé cathain a chaithfidh duine ábhar foinse a fheiceáil seachas prós na samhla amháin. Deir sé cathain a cheadaítear glao uirlise agus cathain a bhloctar é. Deir sé cé a bhfuil úinéireacht aige ar dhochar, ar mhoill, ar cheartú, agus ar chumarsáid. Is féidir leis an tsamhail cabhrú laistigh den dearadh sin. Níor cheart di a bheith mar an dearadh.
Tá sé seo thar a bheith tábhachtach nuair a chuirtear AI le sreafaí oibre atá ann cheana. D’fhéadfadh údarás atá ann cheana a bheith neamhfhoirmiúil. Ceadaíonn duine sinsearach eisceachtaí mar go bhfuil a fhios ag gach duine ceist a chur air. Léirmhíníonn ceannaire foirne polasaí mar go bhfaca sí na cásanna imeallacha. Iompraíonn scarbhileog riail shealadach mar nach féidir leis an gcóras é. Nuair a thagann AI isteach, éiríonn údarás neamhfhoirmiúil leochaileach. D’fhéadfadh an tsamhail an débhríocht shean a scálú níos tapúla ná mar is féidir le daoine breith air. Is é an obair réamhleide ná údarás a dhéanamh sainráite go leor ionas nach scálú mearbhall amháin a bheidh sa scálú.
Is fiú a rá nach namhaid an údaráis don luas. Is minic a dhéanann údarás soiléir obair níos tapúla mar go bhfuil a fhios ag daoine cad is féidir a bhogadh gan díospóireacht, cad caithfidh sé stopadh, agus cé is féidir a chinneadh. Braitheann údarás doiléir solúbtha go dtí go mbuaileann sé le toirt. Ansin bíonn gach cás deacair ina ngéarchéim bhunreachtúil bheag, le snáitheanna comhrá mar chásdlí. Ní córas dlí molta é seo.
Ní seiceáil giúmar é meastóireacht
Breithnítear go leor leaganacha leideanna de réir an chleachtais. Fuaimeann an leagan seo níos fearr. Tá an leagan sin níos gonta. Níl an ceann seo chomh ceannasach. Is féidir leis na breithiúnais sin a bheith úsáideach, ach ní leor iad. Teastaíonn meastóireacht a leanann an tasc ó oibríochtaí AI. Ar úsáid an tsamhail an fhoinse cheart. Ar chaill sí réimsí riachtanacha. Ar dhiúltaigh sí nuair a bhí fianaise in easnamh. Ar ardú sí cásanna ardriosca. Ar chaomhnaigh sí aitheantóirí beartais. An ndearna daoine sárú uirthi. Ar chuir custaiméirí níos lú ceisteanna leantacha. An bhfaca foirne iartheachtacha níos lú athoibre.
Ba cheart go gcuimseodh meastóireacht gnáthchásanna, cásanna imeallacha, cásanna sáraitheacha, foinsí iarsmálta, sonraí in easnamh, beartas contrártha, agus samplaí de dhiúltú inghlactha. Ba cheart go mbeadh sí in-athdhéanta. Ba cheart di idirdhealú a dhéanamh idir teip mhúnla agus teip fhoinse, teip leide, teip chomhéadain, agus teip phróisis. Seachas sin, bíonn gach fadhb ina fadhb leide mar gurb é an leid an chuid a fheiceann gach duine. Ní hé an chuid infheicthe an chuid chiontach i gcónaí. Tá sé seo fíor i mbogearraí agus i gcruinnithe.
Cinneann meastóireacht freisin cathain a stadfar. Gan tacar tástála agus critéir scaoilte, is féidir obair leideanna leanúint ar aghaidh go deo mar is féidir teanga a fheabhsú i gcónaí. Beidh aidiacht eile ann i gcónaí, treoir eile, sampla eile, mionathrú formáide eile. Ní hé an cheist an bhfuil an leid foirfe. Is é an cheist an ndéanann an córas an tasc laistigh de theorainneacha riosca, costais, agus cáilíochta comhaontaithe. Is bainisteoir scaoilte bocht é foirfeacht. Ní iompraíonn sé glaoire.
Tosaíonn an obair tar éis an leid roimh an scaoileadh
Ba cheart cosáin cheartúcháin a dhearadh sula dtuairiscíonn an chéad úsáideoir táirgeachta fadhb. Conas a chuirfidh úsáideoir ceist mhícheart in iúl. Cá dtéann an mharc sin. Cé a athbhreithníonn é. An athraíonn an fhoinse. An athraíonn an banc samplaí. An athraíonn an leid. An athraíonn riail. An athraíonn tairseach. An bhfaigheann duine aiseolas. An mbeidh an cás ceartaithe ina thástáil chúlaithe. Mura ndearnadh ceartú a dhearadh, éiríonn aiseolas ina chnoc. Is áit é cnoc ina dtéann foghlaim chun codladh fada a dhéanamh.
Ba cheart monatóireacht a chinneadh freisin roimh an scaoileadh. Rianaigh ní hamháin latency agus costas, ach rátaí diúltaithe, rátaí foinsí in easnamh, cúiseanna sáraithe, ualach ardaithe, athoibriú iartheachtach, téamaí gearán, luanna iarsmálta, agus sruth i meascán tascanna. Níl cáilíocht fhreagra an mhúnla ach mar chuid amháin de cháilíocht oibríochtúil. Is féidir le córas freagraí maithe a thabhairt agus fós an iomarca oibre a chur ar dhaoine. Is féidir leis freagraí tapa a thabhairt agus fós ceartúcháin a mhéadú. Is féidir leis ticéid a laghdú agus fós ticéid níos deacra a chruthú. Ba cheart go bhfeicfeadh monatóireacht obair, ní hamháin comharthaí.
The pre-prompt work never really ends. New policies appear. Source systems change. Users find shortcuts. The model changes. The business changes. A prompt that worked in May may be wrong in September because the work moved under it. This does not mean everything is fragile. It means AI operations need ownership. Someone must maintain task definition, sources, examples, evaluation, authority, and repair. Otherwise the prompt becomes a fossil with excellent grammar.
The lesson
The real work is before the prompt because prompting is the visible edge of a larger operating system. The model needs a task it can perform, sources it can trust, boundaries it cannot cross, outputs that can be checked, examples that encode judgement, authority that tells humans and tools what they may do, and evaluation that can distinguish improvement from nicer prose. Without that, the prompt carries responsibilities it cannot fulfil.
This view does not diminish prompting. It makes prompting more valuable. A prompt inside a prepared operation can be short, clear, testable, and maintainable. It can focus the model instead of compensating for ambiguity. It can evolve with examples and evidence. It can be changed with confidence because the team knows what good means. That is better than prompt mysticism, which mostly produces longer prompts and quieter doubts.
Before asking how to prompt the model, ask what work the organisation has already done for the model. Is the task named. Are sources authoritative. Are examples marked. Is output structured. Is authority explicit. Is failure safe. Is evaluation real. Is repair designed. If those answers are weak, start there. The most useful prompt in the room may be the one that makes everyone admit the prompt is not where the work begins.