پرامپت کالبدشکافی پیش‌مرگ؛ شکست پروژه را زودتر ببین

بیشتر پروژه‌ها به این دلیل شکست نمی‌خورند که کسی خطرها را نمی‌دید؛ به این دلیل شکست می‌خورند که کسی جرئت نکرد آن‌ها را بلند بگوید. «کالبدشکافی پیش‌مرگ» یک ترفند ساده اما عجیب مؤثر است که این سکوت را می‌شکند: به جای پرسیدن «چه چیزی ممکن است خراب شود؟»، فرض می‌کنیم پروژه از قبل شکست خورده و دنبال دلیلش می‌گردیم. همین جابه‌جایی کوچک در زمان، ذهن را از حالت دفاعی به حالت کاوشگر می‌برد. حالا می‌شود همین منطق را روی چت‌جی‌پی‌تی و کلود سوار کرد و یک تحلیل ریسک واقعی گرفت.

۱) کالبدشکافی پیش‌مرگ چیست و از کجا آمد؟

اصطلاح «پیش‌مرگ» عمداً تلخ انتخاب شده است. در پزشکی، کالبدشکافی یا Post-Mortem بعد از مرگ انجام می‌شود تا علت آن روشن شود؛ اما آن موقع دیگر کاری از دست کسی برنمی‌آید. پیشنهاد گری کلاین، روان‌شناس شناختی و پژوهشگر حوزه‌ی تصمیم‌گیری، این بود که همان جلسه را جابه‌جا کنیم و پیش از شروع پروژه برگزارش کنیم. او این روش را در شماره‌ی سپتامبر ۲۰۰۷ مجله‌ی هاروارد بیزنس ریویو با عنوان «اجرای کالبدشکافی پیش‌مرگ پروژه» منتشر کرد و از آن زمان به یکی از پرکاربردترین ابزارهای مدیریت ریسک در تیم‌های محصول و مهندسی تبدیل شد.

پشتوانه‌ی نظری این روش مفهومی است به نام «آینده‌نگری پس‌نگرانه» یا prospective hindsight: وقتی به جای «ممکن است چه اتفاقی بیفتد» می‌پرسیم «چه اتفاقی افتاد»، مغز از حالت پیش‌بینی احتمالی به حالت توضیح‌دادن یک واقعه‌ی قطعی سوئیچ می‌کند. کلاین در همان مقاله به پژوهشی ارجاع می‌دهد که نشان می‌داد این تغییر قاب، توانایی افراد در شناسایی درست دلایل یک نتیجه‌ی آینده را حدود سی درصد افزایش می‌دهد. طبق گزارش‌ها همین عدد است که باعث شده روش به‌سرعت در فضای مدیریت پروژه جا بیفتد.

تفاوت کلیدی با یک جلسه‌ی معمولی ریسک اینجاست: در جلسه‌ی ریسک، شکست یک احتمال است و همیشه کسی پیدا می‌شود که بگوید «بعید است». در پیش‌مرگ، شکست یک واقعیت اعلام‌شده است و بحث فقط بر سر «چرا» می‌چرخد. کسی مجبور نیست ثابت کند خطر واقعی است؛ فقط باید توضیح بدهد چطور رخ داد.

۲) چرا مغز ما شکست را نمی‌بیند؟

سه سوگیری شناخته‌شده دست‌به‌دست هم می‌دهند تا تیم‌ها ریسک را دست‌کم بگیرند. اول، سوگیری خوش‌بینی: آدم‌ها به‌طور سیستماتیک احتمال اتفاق‌های بد برای خودشان را کمتر از میانگین برآورد می‌کنند. دوم، هم‌رنگی گروهی یا groupthink؛ وقتی جمعی روی یک مسیر هیجان‌زده شده است، مخالفت هزینه‌ی اجتماعی دارد و آدم‌ها ترجیح می‌دهند نگرانی‌شان را نگه دارند. سوم، لنگر انداختن روی برنامه‌ی اولیه: همان اولین تخمین زمان و هزینه، مرجع ذهنی بقیه‌ی بحث می‌شود.

پیش‌مرگ هر سه را دور می‌زند. خوش‌بینی را با فرض شکست خنثی می‌کند، فشار گروهی را برمی‌دارد چون انتقاد دیگر «مخالفت با پروژه» نیست بلکه «کمک به تشخیص» است، و لنگر را می‌شکند چون از انتهای خط شروع می‌کند نه از ابتدای آن. این دقیقاً همان جایی است که یک مدل زبانی می‌تواند مفید باشد: مدل نه سهمی در پروژه دارد، نه از رئیس می‌ترسد، نه به برنامه‌ی اولیه دلبسته است.

اگر می‌خواهید بدانید این نوع تفکر ساختاریافته چه جای دیگری به کارتان می‌آید، مرور راهنمای مقدماتی پرامپت‌نویسی نقطه‌ی شروع خوبی است.

۳) متن کامل پرامپت کالبدشکافی پیش‌مرگ

این متن را می‌توانید عیناً کپی کنید و بعد از توضیح پروژه‌تان برای مدل بفرستید:

فرض کن شش ماه دیگر است و این پروژه کاملاً شکست خورده. یک روایت بنویس که چرا شکست خورد؛ همهٔ دلایل محتمل را فهرست کن و برای هر دلیل، یک اقدام پیشگیرانه که همین امروز باید انجام دهم پیشنهاد بده.

سه جزء این پرامپت هیچ‌کدام تزئینی نیستند. «شش ماه دیگر» افق زمانی مشخص می‌دهد تا مدل بین ریسک کوتاه‌مدت و بلندمدت گم نشود. «کاملاً شکست خورده» شکست را قطعی می‌کند و مدل را از جملات محتاطانه‌ی «ممکن است» بیرون می‌آورد. «یک اقدام پیشگیرانه که همین امروز باید انجام دهم» خروجی را از تحلیل به عمل می‌رساند؛ بدون این جمله معمولاً فهرستی از نگرانی‌های کلی می‌گیرید که هیچ‌کس نمی‌داند با آن چه کند.

نسخه‌ی تقویت‌شده برای پروژه‌های بزرگ‌تر

اگر پروژه پیچیده است، این دو جمله را هم به انتهای پرامپت اضافه کنید: «دلایل را در چهار دسته‌ی فنی، انسانی، مالی و بیرونی گروه‌بندی کن.» و «برای هر دلیل یک عدد از ۱ تا ۵ بابت شدت اثر و یک عدد از ۱ تا ۵ بابت احتمال وقوع بده و در پایان جدول را بر اساس حاصل‌ضرب این دو مرتب کن.» خروجی به یک ماتریس ریسک قابل استفاده تبدیل می‌شود.

۴) چهار نسخه‌ی موقعیتی آماده

نسخه‌ی کسب‌وکار و راه‌اندازی

فرض کن دوازده ماه گذشته و این کسب‌وکار تعطیل شده است. به‌عنوان یک تحلیل‌گر بی‌طرف، گزارش پس از مرگ بنویس: چرا مشتری نیامد، چرا پول تمام شد، چرا تیم از هم پاشید و چرا رقیب جلو زد. برای هر علت، یک تصمیم مشخص بگو که در همان هفته‌ی اول باید می‌گرفتم.

نسخه‌ی محصول و مهندسی

فرض کن این قابلیت را منتشر کرده‌ایم و انتشارش فاجعه شده است. سناریوهای شکست را از سه زاویه بنویس: خرابی فنی و بار سیستم، سوءبرداشت کاربر از رابط کاربری، و اثر منفی روی معیارهای فعلی. برای هرکدام یک آزمون یا سنجه بگو که پیش از انتشار باید اجرا کنم.

نسخه‌ی محتوا و بازاریابی

فرض کن این کمپین تمام شده و به هیچ‌کدام از اهدافش نرسیده است. بنویس چرا پیام نگرفت، چرا مخاطب بی‌تفاوت رد شد، کجای لحن اشتباه بود و کدام کانال هدر رفت. برای هر مورد یک اصلاح مشخص در متن یا در برنامه‌ی رسانه‌ای پیشنهاد بده.

نسخه‌ی تصمیم شخصی

فرض کن دو سال از این تصمیم گذشته و پشیمانم. روایت پشیمانی را از زبان خودم بنویس: چه چیزهایی را نادیده گرفته بودم، چه هزینه‌های پنهانی داشت و چه گزینه‌ی بهتری روی میز بود که ندیدم. در پایان سه پرسش بگو که پیش از تصمیم باید از خودم می‌پرسیدم.

۵) خروجی را چطور به برنامه‌ی عمل تبدیل کنیم

بزرگ‌ترین خطای کاربران تازه‌کار این است که فهرست بلندبالای مدل را می‌خوانند، سری تکان می‌دهند و می‌بندند. روایت شکست تا وقتی به تقویم و مالکیت نرسد، فقط یک متن ترسناک است. سه گام ساده کافی است.

گام اول، فیلتر کردن. از مدل بخواهید فهرست را به سه دسته تقسیم کند: مواردی که می‌توانید همین هفته کنترلشان کنید، مواردی که فقط می‌توانید رصدشان کنید، و مواردی که کاملاً بیرون از دست شماست. معمولاً کمتر از یک‌سوم فهرست در دسته‌ی اول می‌ماند و همان یک‌سوم است که ارزش وقت گذاشتن دارد.

گام دوم، مالک و مهلت. برای هر اقدام دسته‌ی اول یک نام و یک تاریخ بگذارید. اقدامی که مالک ندارد انجام نمی‌شود؛ این قاعده‌ی قدیمی مدیریت پروژه با هوش مصنوعی هم عوض نشده است.

گام سوم، نشانه‌ی هشدار. از مدل بخواهید برای هر ریسک مهم یک «علامت زودهنگام» تعریف کند؛ چیزی که اگر ببینید بفهمید آن سناریو دارد اتفاق می‌افتد. مثلاً «اگر تا هفته‌ی سوم نرخ فعال‌سازی زیر ده درصد ماند» بسیار کاربردی‌تر از «اگر کاربران استقبال نکنند» است.

۶) اشتباه‌های رایج در اجرای پیش‌مرگ

اشتباه اول، ندادن زمینه‌ی کافی. اگر فقط بنویسید «پروژه‌ام شکست خورد، چرا؟» مدل ناچار است حدس‌های عمومی بزند. حداقل باید بگویید محصول چیست، مخاطب کیست، منابع چقدر است و موفقیت با چه معیاری سنجیده می‌شود.

اشتباه دوم، پذیرفتن اولین خروجی. یک بار دیگر بپرسید: «سه دلیل دیگر بگو که در فهرست قبلی نبودند و کمتر واضح‌اند.» دور دوم معمولاً جالب‌ترین موارد را بیرون می‌کشد، چون مدل ناچار می‌شود از سناریوهای کلیشه‌ای فاصله بگیرد.

اشتباه سوم، تبدیل جلسه به مسابقه‌ی بدبینی. هدف فلج‌کردن تیم نیست؛ هدف رسیدن به فهرستی از کارهای امروز است. اگر جلسه بدون اقدام تمام شد، پیش‌مرگ اجرا نشده است.

اشتباه چهارم، اعتماد بی‌قید به اعداد مدل. اگر مدل احتمال یا هزینه‌ای عددی داد، آن را فرضیه بدانید نه واقعیت. مدل‌های زبانی در تولید عدد قانع‌کننده بسیار توانا هستند و این دقیقاً همان جایی است که محدودیت‌های واقعی هوش مصنوعی خودش را نشان می‌دهد.

۷) ترکیب با پرامپت‌های دیگر

پیش‌مرگ در ترکیب با چند تکنیک دیگر قوی‌تر می‌شود. اگر بعد از گرفتن فهرست شکست، از مدل بخواهید نقش «وکیل شیطان» را بازی کند و به راهکارهای پیشگیرانه‌ی خودش حمله کند، لایه‌ی دوم ضعف‌ها هم بیرون می‌آید. اگر پیش از پیش‌مرگ از تکنیک «دانش‌سازی مقدماتی» استفاده کنید و مدل ابتدا واقعیت‌های کلیدی حوزه را فهرست کند، تحلیل شکست بسیار مشخص‌تر می‌شود.

ترکیب سوم، اجرای پیش‌مرگ روی دو مدل متفاوت و مقایسه‌ی خروجی‌هاست. تجربه نشان می‌دهد مدل‌های مختلف روی زوایای متفاوتی حساس‌اند؛ چیزی که در مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک هم دیده می‌شود. اجتماع دو فهرست معمولاً کامل‌تر از هرکدام به‌تنهایی است.

۸) چک‌لیست یک‌صفحه‌ای پیش از هر پروژه

پیش از شروع هر کار مهم، این پنج خط را طی کنید. یک، زمینه‌ی پروژه را در پنج تا هفت جمله برای مدل بنویسید. دو، پرامپت پیش‌مرگ را با افق زمانی درست بفرستید. سه، دور دوم را برای دلایل کمتر واضح بگیرید. چهار، فهرست را به سه دسته‌ی قابل کنترل، قابل رصد و خارج از کنترل تقسیم کنید. پنج، برای هر مورد قابل کنترل یک مالک، یک تاریخ و یک علامت هشدار تعریف کنید.

همین پنج خط، تفاوت بین یک گفت‌وگوی جالب با هوش مصنوعی و یک تصمیم بهتر است. اگر می‌خواهید ببینید چنین ابزارهایی در مقیاس سازمانی چه ارزشی می‌سازند، اهمیت هوش مصنوعی در کسب‌وکار تصویر روشنی می‌دهد.

پرسش‌های پرتکرار درباره‌ی پرامپت کالبدشکافی پیش‌مرگ

آیا این روش فقط برای پروژه‌های بزرگ است؟

خیر. همان قدر برای یک تصمیم شخصی مثل تغییر شغل یا یک کمپین کوچک محتوایی جواب می‌دهد. تنها چیزی که باید متناسب شود، افق زمانی است؛ برای کارهای کوتاه به‌جای شش ماه بنویسید سه هفته.

چند بار باید پرامپت را تکرار کنم؟

دو تا سه دور معمولاً کافی است. دور اول سناریوهای واضح، دور دوم موارد کمتر آشکار و دور سوم ترکیب‌های نادر ولی پرهزینه را می‌دهد. بعد از آن معمولاً خروجی تکراری می‌شود.

تفاوت این پرامپت با درخواست ساده‌ی «ریسک‌های پروژه‌ام را بگو» چیست؟

در حالت ساده، مدل فهرستی از ریسک‌های عمومی می‌دهد که برای هر پروژه‌ای صدق می‌کند. در پیش‌مرگ، مدل ناچار است یک روایت علت‌ومعلولی بسازد و همین اجبار به روایت‌سازی است که موارد خاص و وابسته به زمینه را بیرون می‌کشد.

آیا خروجی مدل جای جلسه‌ی تیمی را می‌گیرد؟

نه، ولی جلسه را بسیار بهتر می‌کند. بهترین کاربرد این است که فهرست مدل را پیش از جلسه بین اعضا پخش کنید تا هرکس با ذهن آماده بیاید. مدل نقش شکننده‌ی سکوت را بازی می‌کند، نه جایگزین قضاوت انسانی.

از کجا پرامپت‌های مشابه بیشتری پیدا کنم؟

مجموعه‌ی آموزش‌های آموزش چت‌جی‌پی‌تی و بخش اخبار هوش مصنوعی سایت به‌طور منظم به‌روزرسانی می‌شوند و تکنیک‌های تازه در همان‌جا منتشر می‌شود.