اثر مرتبهٔ دوم؛ پرامپتی که تصمیم‌های عجولانه را نجات می‌دهد

بیشتر تصمیم‌های اشتباه، تصمیم‌های احمقانه نیستند؛ تصمیم‌هایی هستند که فقط تا «نتیجهٔ اول» فکر شده‌اند. «اثر مرتبهٔ دوم» تکنیکی است که هوش مصنوعی را وادار می‌کند پیامدِ پیامدها را ببیند و همان چیزی را رو کند که چشمِ عجول از آن غافل می‌ماند.

۱. اثر مرتبهٔ دوم چیست و چرا بیشتر تصمیم‌ها همین‌جا شکست می‌خورند؟

هر تصمیمی یک نتیجهٔ مستقیم دارد؛ نتیجه‌ای که بلافاصله و به‌وضوح جلوی چشم است. قیمت را پایین می‌آوری، پس فروش بیشتر می‌شود. یک نفر را استخدام می‌کنی، پس کارها زودتر پیش می‌رود. اعلان یک اپلیکیشن را روشن می‌گذاری، پس کاربر بیشتر برمی‌گردد. این‌ها همه «اثر مرتبهٔ اول» هستند: پیامدِ آشکار و کوتاه‌مدت. مشکل این‌جاست که ذهن انسان تنبل است و دوست دارد دقیقاً همین‌جا، روی همین لایهٔ اول، توقف کند.

اثر مرتبهٔ دوم یعنی یک قدم جلوتر برویم و بپرسیم: «حالا که این اتفاق افتاد، بعدش چه می‌شود؟» قیمت را پایین آوردی و فروش بالا رفت؛ اما بعدش رقیب هم قیمت را پایین می‌آورد، حاشیهٔ سودت آب می‌رود و مشتری به قیمتِ پایین عادت می‌کند و دیگر حاضر نیست قیمت قبلی را بپردازد. آن استخدام سریع هم بعدها به هزینهٔ آموزش، افت کیفیت و نارضایتی تیم قدیمی تبدیل می‌شود. لایهٔ اول جواب می‌دهد؛ لایهٔ دوم و سوم است که سرنوشت را تعیین می‌کند.

هاوارد مارکس، سرمایه‌گذار مشهور، این ایده را در یک جمله خلاصه می‌کند: «متفکرِ مرتبهٔ اول می‌گوید این شرکت خوب است، سهامش را بخر. متفکرِ مرتبهٔ دوم می‌پرسد این شرکت خوب است، اما آیا همه هم می‌دانند خوب است و قیمت را از قبل بالا برده‌اند؟» تفاوت بین این دو، تفاوت بین آدم‌هایی است که مدام غافلگیر می‌شوند و آدم‌هایی که انگار آینده را از قبل دیده‌اند. خبر خوب این است که این توانایی یک استعداد مادرزادی نیست؛ یک عادتِ پرسشگری است که می‌شود آن را به هوش مصنوعی سپرد تا هر بار، به‌جای تو، این لایه‌ها را باز کند.

۲. چرا این تکنیک دقیقاً روی هوش مصنوعی جواب می‌دهد؟

مدل‌های زبانی مثل چت‌جی‌پی‌تی به‌صورت پیش‌فرض «محتمل‌ترین» پاسخ را تولید می‌کنند، نه «عمیق‌ترین» پاسخ را. وقتی از مدل دربارهٔ یک تصمیم می‌پرسی و چیزی نمی‌گویی، مدل هم مثل ذهن عجولِ ما سراغ همان جواب سطح‌اول می‌رود، چون رایج‌ترین و کوتاه‌ترین مسیر همان است. مدل ذاتاً «بدجنس» یا کم‌عمق نیست؛ فقط سیگنالی دریافت نکرده که باید تا ته ماجرا برود.

اثر مرتبهٔ دوم دقیقاً همان سیگنال است. سه کارِ مشخص برای مدل انجام می‌دهد: اول، یک حلقهٔ تکرار می‌سازد («و بعد چه؟» را چند بار پشت‌سرهم بپرس) که مدل را مجبور می‌کند خروجی خودش را دوباره ورودی بگیرد و جلوتر برود. دوم، یک معیار توقف مشخص می‌دهد («تا سه لایه»)، وگرنه مدل یا زود می‌ایستد یا تا بی‌نهایت حدس‌های بی‌پایه می‌بافد. سوم، با درخواستِ صریحِ «عوارض جانبی و اثرات پنهان»، مدل را از سوگیریِ خوش‌بینانه‌ای که در بیشتر متن‌های آموزشی‌اش وجود دارد بیرون می‌کشد و وادارش می‌کند به هزینه‌ها و ریسک‌ها هم به‌اندازهٔ منفعت‌ها بها بدهد.

نتیجه این است که همان مدل، به‌جای یک پاسخِ خوش‌بینانه و تک‌خطی، یک نقشهٔ چندلایه از پیامدها جلویت می‌گذارد. تو مدل قوی‌تری نگرفته‌ای؛ فقط یاد گرفته‌ای چطور از همان مدل عمق بیشتری بیرون بکشی، و این جوهرِ پرامپت‌نویسیِ حرفه‌ای است.

۳. پرامپت اصلی؛ نسخه‌ای که باید ذخیره کنی

نسخهٔ پایه و سریع همان چیزی است که در کانال دیدی و برای شروع عالی است:

برای این تصمیم فقط به نتیجهٔ فوری فکر نکن. بپرس «و بعد چه؟» و پیامدها را تا سه لایه جلو ببر (پیامدِ پیامدِ پیامد). عوارض جانبی و اثرات بلندمدت پنهان را مشخص کن.

اما چون این آموزش برای اعضای VIP است، بگذار نسخهٔ کاملِ حرفه‌ای‌اش را بدهم؛ نسخه‌ای که ساختار خروجی را هم کنترل می‌کند و مدل را از حدس‌های بی‌پایه دور نگه می‌دارد. این را در حافظهٔ چت‌جی‌پی‌تی یا در یادداشت‌هایت ذخیره کن: