مهندسی پرامپت همان ارتباطات مؤثر است
ارتباط‌گران پیشاپیش مهندسِ پرامپت بوده‌اند — و نباید دست‌کم بگیریم که مهارت‌های ما چقدر طبیعی به این حوزه منتقل می‌شود.
ویل هاجز، رهبر ارتباطات میان‌بخشی در آمریکا، شرکت PwC
ما فقط به یک مهارت قدیمی برچسبی جدید داده‌ایم. مهندسی پرامپت شاید واژه‌ای باشد که به‌نظر می‌رسد از سیلیکون‌ولی آمده، اما ارتباط‌گران سال‌هاست آن را انجام می‌دهند. فقط اسم دیگری داشت — بریفینگ، پیام‌سازی، آموزش رسانه‌ای. همان اصول، فقط با نام تازه.
نقش من در PwC دیدی دست‌اول به من داده است تا ببینم هوش مصنوعی چگونه شیوه کار ارتباط‌گران را تغییر می‌دهد. من به تیم‌های ارتباطات و امور شرکتی کمک کرده‌ام ابزارهای جدید را بررسی و به‌کار بگیرند و از نزدیک دیده‌ام این فناوری‌ها چگونه با کار روزمره ما گره می‌خورند. این تجربه باعث شد به این درک برسم که مهندسی پرامپت یک مهارت فنی جدید نیست — این همان کاری است که ما همیشه انجام داده‌ایم، و خوب هم انجام می‌دهیم.
ارتباط‌گران مترجمان حرفه‌ای‌اند. ما شفافیت، زمینه و جهت ارائه می‌دهیم تا دیگران با اطمینان عمل کنند. دقیقاً همان چیزی که مدل‌های زبانی بزرگ مثل ChatGPT و Gemini نیاز دارند — و همین عناصر هستند که یک پرامپت را مؤثر می‌کنند. به بیان دیگر، ارتباط‌گران همین حالا هم مهندس پرامپت‌اند.
ما این مفهوم را بیش‌ازحد پیچیده کرده‌ایم. شاید شبیه یک مهارت کاملاً جدید به‌نظر برسد، اما در عمل، همان ارتباطات مؤثر است. متخصصان روابط‌عمومی همین کار را هنگام آماده‌سازی سخنگویان، ساختن روایت‌ها و بریف کردن مدیران انجام می‌دهند — ما جهت و تمرکز می‌دهیم تا پیام دقیقاً در جایی که باید فرود بیاید، درست همان‌طور که یک پرامپت خوب، ابزار هوش مصنوعی را به نتیجه‌ای قوی هدایت می‌کند.
پس این کار در عمل چه شکلی دارد؟ موضوع تسلط بر پرامپت‌ها نیست؛ بلکه به‌کارگیری همان عادات ارتباطی است که همیشه به ما خدمت کرده‌اند.
مثل یک مربی رسانه فکر کنید، نه یک برنامه‌نویس
وقتی یک مدیر ارشد را برای مصاحبه رسانه‌ای آماده می‌کنید، با یک جمع‌بندی شفاف شروع می‌کنید: «می‌خواهیم مخاطب فقط یک نکته را به‌خاطر بسپارد؟» کار با هوش مصنوعی هم دقیقاً همین‌طور است — با نیت شروع کنید. نمونه‌اش:
«شما یک نویسنده ارتباطات شرکتی هستید. یک خبر مطبوعاتی ۴۰۰ کلمه‌ای برای رسانه‌های کسب‌وکار درباره ابتکار جدید پایداری ما تهیه کنید. کاهش ۳۰ درصدی انتشار کربن را برجسته کنید و یک نقل‌قول از مدیرعامل درباره پاسخ‌گویی بگنجانید. لحن: مطمئن، صریح و بی‌تکلّف.»
چرا کار می‌کند؟ چون مدل حالا هدف، مخاطب و لحن را می‌فهمد — درست مانند سخنگویی که به‌خوبی بریف شده باشد.
زمینه، عنصر پنهانیِ اثرگذاری است
هیچ‌وقت یک سخنگو را بدون پشت‌زمینه وارد یک گفت‌وگو نمی‌کنید. همین اصل درباره هوش مصنوعی هم صدق می‌کند. وقتی به آن زمینه می‌دهید — اینکه چه اتفاقی در حال رخ دادن است، چه چیزهایی مهم نیست، و خروجی مطلوب چه شکلی باید باشد — نتیجه بهتر و ایمن‌تری می‌گیرید. مثال:
«در حال تهیه نکات کلیدی برای جلسه‌ای داخلی هستید که در آن پلتفرم جدید مدیریت پروژه معرفی می‌شود. زمینه: استقرار از ماه آینده آغاز می‌شود؛ تیم‌ها آموزش مرحله‌ای خواهند داشت؛ ابزار قبلی در دوره گذار همچنان قابل استفاده است. تمرکز: سادگی، منابع پشتیبانی و اینکه این تغییر چگونه همکاری را تسهیل می‌کند. پرهیز: اصطلاحات فروشنده یا فهرست ویژگی‌ها. قالب: پنج بولت، هرکدام یک جمله، در پایان با یک لینک آموزشی.»
این زمینه اضافی از سردرگمی جلوگیری می‌کند و لحن را محافظت می‌کند. این همان تجربه ارتباطات است که به ساختار تبدیل شده.
تکرار، ویرایش نسل جدید است
در آموزش رسانه‌ای، هیچ‌وقت پس از اولین تمرین متوقف نمی‌شوید. عبارت‌بندی، لحن و ریتم را اصلاح می‌کنید. کار با هوش مصنوعی نیز همین حس را دارد. پیش‌نویس اول خط پایان نیست. به اولین خروجی قانع نشوید — همان‌طور که با یک هم‌تیمی کار می‌کنید، پرسش‌های تکمیلی بپرسید و مرحله‌به‌مرحله اصلاح کنید:
دور ۱: «این یادداشت استراتژیک سه‌صفحه‌ای را برای کارکنان در ۲۰۰ کلمه خلاصه کن.»
دور ۲: «لحن را محاوره‌ای‌تر کن و بر موارد جدید تأکید کن.»
دور ۳: «یک مقدمه روشن اضافه کن که توضیح دهد چرا موضوع مهم است و در پایان دستورالعمل ارائه بازخورد را بیاور.»
هر تکرار شما را یک قدم به وضوح و انسجام نزدیک‌تر می‌کند. غریزه یک ارتباط‌گر برای «اصلاح، نه اکتفا» همان چیزی است که همکاری با هوش مصنوعی را مؤثر می‌سازد.
با همدلی شروع کنید — انسان همچنان اهمیت دارد
گاهی موفقیت در احساس پیام است، نه در محتوای آن. فرض کنید متن رهبری برای اطلاع‌رسانی یک تغییر مهم سیستمی می‌نویسید: بررسی می‌کنید که پیام صادقانه، محترمانه و انسانی باشد — نه ماشینی و نه بیش‌ازحد صیقل‌خورده.
«یک پیام ۲۵۰ کلمه‌ای از سوی یکی از مدیران برای کارکنان درباره تغییر پیشِ‌رو بنویسید. مخاطب: اعضای تیمی که کنجکاو تغییر خطوط گزارش‌دهی‌اند اما نسبت به مأموریت سازمان متعهد هستند. لحن: قدردان، شفاف و آینده‌نگر. تمرکز: آنچه ثابت می‌ماند — مأموریت، مشتریان و ارزش‌های بنیادی — و اینکه برای پرسش‌ها به کجا مراجعه کنند.»
در این مرحله، شما از همدلی به‌عنوان یک داده استفاده می‌کنید — چیزی که بدون راهنمایی شما برای هوش مصنوعی به‌سادگی قابل دریافت نیست.
ابزارها عوض شده‌اند، اما اصول همان است
هیچ‌یک از این‌ها درباره یادگیری کدنویسی یا تبدیل‌شدن به یک متخصص فناوری نیست. موضوع این است که بفهمیم اصول کار تغییر نکرده‌اند. همان عادت‌هایی که همیشه ارتباطات قوی را شکل داده‌اند — وضوح، زمینه و ارتباط انسانی — امروز هم هوش مصنوعی را مفید می‌کنند. ابزارها تغییر کرده‌اند؛ اما هنر کار ثابت مانده. تجربه، ردی از خود برجا می‌گذارد.
پس وقتی ابزار هوش مصنوعی را باز می‌کنید و نشانگر چشمک‌زن را می‌بینید، مثل یک مهندس فکر نکنید. مثل یک ارتباط‌گر فکر کنید. شما قبلاً این کار را بلد بوده‌اید — فقط اسم دیگری روی آن می‌گذاشتید.