Ghidul începătorului lucid: ce spune cercetarea, ce funcționează, cum aplici
Promisiunea acestui ghid
Acest ghid există pentru că există mult zgomot în jurul AI-ului. Sfaturi contradictorii, trucuri virale fără bază, promisiuni exagerate.
Ce facem diferit
Fiecare recomandare are o sursă: un studiu peer-reviewed, un ghid oficial de furnizor sau o practică de inginerie documentată.
Ce vei câștiga
Promptezi mai eficient. Înțelegi de ce funcționează. Și verifici întotdeauna rezultatul.
Filosofia ghidului
Exprimare și limbaj accesibile, exemple concrete din HR/L&D românesc, zero magie, doar metodă.
Cum citim dovezile
Fiecare tehnică din ghid poartă o etichetă de credibilitate. Iată ce înseamnă fiecare:
Susținută de studii
Publicată în arXiv sau conferințe peer-reviewed cu cifre măsurabile.
Recomandată de furnizori
Prezentă în documentația oficială Anthropic, OpenAI sau Google.
Practică de inginerie
Utilizată în producție de echipe de AI engineering, documentată public.
Testată de practicieni
Validată prin experiență sistematică a profesioniștilor din domeniu.
Harta 4D — AI Fluency Framework
Ghidul este structurat pe framework-ul AI Fluency 4D recomandat de Anthropic. Fiecare parte a ghidului contribuie la una sau mai multe dimensiuni:
Partea I
Discernământ
Cele 7 mituri despre prompting
Știința prompting-ului a demontant în ultimii doi ani câteva dintre cele mai populare credințe despre cum funcționează AI-ul. Înainte de a construi, e nevoie să curățăm terenul.
Mitul 1
Persona de expert
Mit
„Dacă îi spui AI-ului că este un expert de top, răspunsurile vor fi mai precise și mai profesionale."
Ce a măsurat știința
Wharton Report 4 (arXiv 2512.05858): testare pe 6 modele cu benchmark MMLU-Pro a demonstrat că câștigul de acuratețe este absent în mod consecvent. PRISM (arXiv 2603.18507): persona de expert a coborât acuratețea MMLU de la 71,6% → 68,0%.
Recomandare
Persona îmbunătățește tonul și stilul, de aceea funcționează la sarcini creative. Rezerv-o pentru formatarea textului și stilul de exprimare, potrivește instrucțiunile clare pentru acuratețe.
Mitul 2
Bacșiș, amenințări, politețe
Wharton Report 3 (arXiv 2508.00614): oferte de la 1.000 $ la 1 trilion $ plus amenințări explicite — zero îmbunătățire fiabilă în medie. Politețea vs. imperativul? Rezultate inconsecvente (Report 1, arXiv 2503.04818).
Nuanța importantă
Un prompt emoțional individual poate schimba rezultatul cu ±30 puncte — în ambele direcții. Zgomot nedirectionabil fără strategie.
Recomandare
Investește energia în claritatea sarcinii, contextul relevant și formatul dorit. Acestea aduc câștiguri măsurabile și repetabile.
Mitul 3
Mai multe exemple = mai bine
Descoperirile științei
Tang et al. 2025 (arXiv 2509.13196), 7 modele: performanța atinge vârful la 5–20 exemple, după care scade — fenomenul „over-prompting".
Min et al. 2022 (arXiv 2202.12837): etichetele greșite în exemple abia afectează acuratețea. Modelele învață formatul, nu conținutul etichetelor.
Recomandare
- Alege 5–10 exemple reprezentative
- Plasează cel mai bun exemplu la final (recency bias)
- Prioritizează calitatea și diversitatea exemplelor
Mitul 4
Conversațiile lungi sunt mai bune
Laban et al. 2025 (arXiv 2505.06120): 15 modele, 6 tipuri de sarcini. Rezultatul este direct:
Performanță medie
Multi-tur vs. un singur mesaj bine construit
Instabilitate
Fiabilitatea se prăbușește pe măsură ce conversația crește
Degradarea începe
Declinul apare de la a doua intervenție în conversație
Modelele cu raționament: −30–40%. Temperatura 0.0 nu ajută aproape deloc. Recomandare: investește în primul prompt complet, clar, cu context.
Mitul 5
Contextul lung e mereu util
Descoperirile cercetării
Du et al. 2025 (arXiv 2510.05381): simpla lungime degradează raționamentul cu 7–50%, chiar și cu tokenii irelevanți mascați.
Exemplu dramatic: un model a scăzut de la 70,6% → 35,5% acuratețe la 26.000 de tokeni cu informația relevantă prezentă în text!
Fenomenul „lost in the middle"
Informația plasată în mijlocul unui context lung este procesată cel mai slab. Modelele acordă atenție superioară începutului și finalului.
Recomandare
Selectează informația esențială. Plasează ce contează la începutul sau finalul contextului. Cere modelului să citeze pasajul relevant înainte de a răspunde.
Mitul 6
Instrucțiunile negative funcționează
Descoperirea-cheie
Elkins & Chun 2026 (arXiv 2601.21433): la un simplu „don't", modelele open au încălcat interdicția în 77% din cazuri. La negație compusă: 100% încălcare. Modelele rămân 80–95% încrezătoare chiar când negația le inversează răspunsul.
Mecanismul: „elefantul roz"
Modelele fac potrivire de cuvinte-cheie. „Evită jargonul" activează jargonul în procesare.
Recomandare
Mitul 7
Limba promptului nu contează
Gupta et al. 2025 (arXiv 2504.17720): 6 modele de top, 9 limbi, sarcini educaționale. Acuratețea medie: engleză 70,9% → telugu 49,7%, proporțional cu prezența limbii în datele de antrenament.
Instrucțiuni engleze
72,7% acuratețe vs. 67,2% pentru traducerile directe. Engleza rămâne lingua franca a raționamentului AI.
Excepțiile contează
Vatsal et al. 2025 (arXiv 2505.11665): la sarcini de sentiment și context cultural, limba nativă câștigă.
Strategia pentru utilizatorii români
Testează ambele variante: raționament în engleză + răspuns în română vs. prompt direct în română. Alege ce funcționează pentru sarcina ta specifică.
Partea II
Fundația
Context Engineering
Termenul a fost propus de Tobi Lütke (Shopify, 2025) și amplificat de Andrej Karpathy: „arta de a furniza tot contextul pentru ca sarcina să devină rezolvabilă".
Modelul este CPU-ul. Fereastra de context este RAM-ul. Tu ești arhitectul care decide ce intră în memorie.
Gândirea veche vs. gândirea nouă
Schimbarea de mentalitate
Prompting-ul eficient seamănă mai mult cu briefing-ul dat unui colaborator uman nou: furnizezi rolul, contextul, sarcina, standardul de calitate și formatul de la bun început.
Astfle modelul nu mai ghicește și completează cu ce are la dispoziție în fereastra de context. Tu decizi ce pui acolo.
Checklist de context
Înainte de a trimite un prompt, verifică dacă ai inclus elementele esențiale:
Rolul și publicul
Cine „vorbește" și pentru cine este răspunsul? (ex. „Ești specialist HR în retail")
Contextul specific
Ce trebuie să știe modelul despre situație? Companie, dimensiune, industrie, moment.
Sarcina clară
Ce anume produci? Un email, un plan, o analiză, o listă de întrebări?
Standardul de calitate
Ton, stil, lungime, nivel de detaliu, exemple dorite.
Formatul de ieșire
Liste, paragrafe, tabel, JSON, subiect email, structură specifică.
Briefingul AIMastery în 5 Părți pentru prompt
CINE
Rolul pe care îl joacă AI-ul în această sarcină
CONTEXT
Situația specifică, organizația, publicul final
CE
Livrabilul exact: ce document, ce mesaj, ce analiză
CUM
Ton, stil, nivel de limbaj, lungime, perspective incluse
FORMAT
Structura exactă a răspunsului: paragrafe, liste, tabel, secțiuni
Exemplu complet
Briefing HR retail
Scenariu: email de anunț pentru un program de training adresat managerilor de magazin, companie retail cu 3.000 de angajați.
CINE: Ești specialist în comunicare internă cu experiență în retail.
CONTEXT: Lucrezi pentru o companie retail cu 3.000 de angajați și 45 de magazine. Lansăm un program de training obligatoriu pentru managerii de magazin privind legislația muncii actualizată.
CE: Un email de anunț al programului de training.
CUM: Ton cald, dar profesional. Limbaj clar, accesibil pentru manageri fără background juridic. Subliniezi beneficiile practice, nu obligativitatea.
FORMAT: Subiect email + corp email (250–300 cuvinte), cu salut, 3 paragrafe și un call-to-action clar pentru înregistrare.
Partea III
26 de Tehnici
Grupate în 6 capitole, de la claritate la meta-nivel. Fiecare tehnică poartă nivel de dificultate și etichetă de dovadă.
Cap. 1
Claritate și structură 4 tehnici
Cap. 2
Raționament 5 tehnici
Cap. 3
Creativitate 3 tehnici
Cap. 4
Controlul calității 6 tehnici
Cap. 5
Meta-nivel 3 tehnici
Cap. 6
Avansate 5 tehnici
T1
Constrângerile mai întâi
Ce este
Plasezi limitele și restricțiile la începutul promptului, înainte de sarcina propriu-zisă. Modelul calibrează tot răspunsul în funcție de ce citește primul.
De ce funcționează
Modelele acordă atenție superioară primelor elemente din context. Constrângerile plasate târziu sunt procesate cu mai puțin „spațiu de lucru".
Exemplu HR/L&D
„Răspunde în maxim 150 de cuvinte, în română, fără termeni juridici. Sarcina: explică noul regulament de telemuncă pentru angajați fără experiență cu astfel de documente."
Șablon
Constrângeri: [lungime] · [ton] · [limbaj] · [format]
Sarcina: [ce anume produci]
Context: [pentru cine / în ce situație]
T2
Etichete XML pentru structură
Recomandată explicit de Anthropic pentru Claude. Separă clar componentele promptului cu etichete XML: rolul, contextul, sarcina, datele de intrare, formatul.
De ce funcționează
Etichetele creează granițe clare între secțiuni. Modelul nu confundă contextul cu instrucțiunea, nici datele cu formatul dorit.
Exemplu HR/L&D
<rol>Specialist HR în companie retail</rol>
<context>Companie cu 3.000 angajați, 45 magazine</context>
<sarcina>Scrie o invitație la workshop siguranță psihologică</sarcina>
<format>Email, 200 cuvinte, ton cald</format>T3
Specificația înaintea execuției
Ce este
Ceri modelului să confirme înțelegerea sarcinii înainte de a o executa. Sau descrii explicit standardul de calitate așteptat, cu un exemplu, înainte de a solicita livrabilul.
De ce funcționează
Reduce iterațiile costisitoare. Modelul aliniază așteptările înainte de a produce conținut care trebuie refăcut.
Exemplu HR/L&D
„Înainte de a redacta planul anual de training, descrie în 3 puncte cum vei structura documentul și ce vei include în fiecare secțiune. Aștept confirmarea înainte să continui."
Șablon:
„Descrie mai întâi cum vei aborda [sarcina]. Include [elementele-cheie]. Aștept confirmarea structurii înainte de execuție."
T4
Separarea regulilor de sarcină
Regulile permanente (ton, stil, format standard) și sarcina variabilă (ce produci azi) stau în blocuri separate. Regulile pot fi reutilizate ca „sistem prompt" în setări de proiect sau gpt.
Blocul de reguli
Ton, limbaj, lungime, restricții, public țintă. Se scrie o singură dată și se reutilizează.
Blocul de sarcină
Livrabilul specific al sesiunii: emailul de azi, feedback-ul de mâine, analiza săptămânii.
Exemplu HR: Regulile = „Ton profesional-cald, română, fără jargon juridic, maxim 300 cuvinte". Sarcina = „Redactează email de anunț program wellbeing pentru luna octombrie."
T5
Chain of Draft
Ce este
Ceri modelului să gândească în schițe ultra-scurte (max. 5 cuvinte pe pas), nu în fraze complete. Xu et al. 2025 (arXiv 2502.18600): acuratețe egală sau superioară Chain-of-Thought cu doar 7,6% din tokeni — economie de ~92% la output.
De ce funcționează
Forțează esențializarea. Elimină verbozitatea care maschează raționamentul slab. Latență redusă cu 76%. Necesită cel puțin un exemplu few-shot.
Exemplu HR/L&D
„Gândește în schițe de max. 5 cuvinte per pas, apoi redactează feedback-ul post-curs pentru managerul [Nume]."
Șablon Chain of Draft:
„Gândește în pași, max. 5 cuvinte per pas. Schiță: [pas 1] → [pas 2] → [pas 3]. Apoi redactează: [sarcina]."
T6
Auto-consistență (Majority Voting)
Wang et al. 2022 (arXiv 2203.11171): generezi 3 răspunsuri independente la aceeași sarcină și alegi răspunsul majoritar. Câștig de +4–18% pe benchmark-uri de raționament, +17,9% pe GSM8K.
Prompt 1
Răspuns A
Prompt 2
Răspuns B
Prompt 3
Răspuns C
Majority Voting
Alegi concluzia majoritară sau ceri modelului să sintetizeze
Exemplu HR: Ceri 3 variante de titlu pentru sondajul de engagement, alegi cea care apare în cel puțin 2 variante sau ceri modelului să sintetizeze cele mai bune elemente.
T7
Pasul înapoi (Step-Back)
Ce este
Înainte de a aborda problema specifică, ceri modelului să identifice principiul general sau conceptul mai larg relevant. Zheng et al. 2023 (arXiv 2310.06117): +7% fizică, +11% chimie, +27% raționament temporal (PaLM-2L).
De ce funcționează
Activează cunoștințe contextuale mai profunde înainte de a intra în detalii. Reduce erorile de raționament situațional.
Exemplu HR/L&D
„Care sunt principiile generale ale comunicării schimbărilor organizaționale eficiente? Pe baza acestor principii, redactează un email de comunicare a noii politici de lucru hibrid."
Șablon Step-Back:
„Care sunt principiile generale pentru [domeniu/tip de sarcină]?
Pe baza acestor principii, [sarcina specifică]."
T8
Repetiția instrucțiunii
Leviathan, Kalman & Matias 2025 (arXiv 2512.14982): dublarea promptului (repetat la finalul mesajului) a câștigat 47/70 teste cu zero înfrângeri pe modele fără raționament. Un model: 21% → 97% acuratețe.
Când funcționează
Pe modele fără raționament activ sau pentru sarcini unde instrucțiunea principală riscă să fie „uitată" în contextul lung.
Când câștigul dispare
Pe modele cu raționament activ (GPT-5, Claude Opus, Gemini Advanced) — deja procesează instrucțiunile cu atenție superioară.
Exemplu HR
Adaugă la finalul unui prompt lung: „Reamintire: răspunsul va fi în română, max. 200 cuvinte, ton cald."
T9
Recitarea (Quote-First)
Ce este
Ceri modelului să citeze explicit pasajele relevante din documentul furnizat înainte de a răspunde la întrebare. Du et al. 2025 (arXiv 2510.05381): câștig de până la +31 puncte pe modele mici; câștig tipic ~4% pe GPT-4o.
De ce funcționează
Contracarează fenomenul „lost in the middle". Modelul localizează activ informația relevantă înainte de a sintetiza, reducând halucinațiile bazate pe memorie falsă.
Exemplu HR/L&D
„Din regulamentul intern atașat, citează mai întâi paragraful relevant despre concediul medical, apoi explică procedura unui angajat nou."
Șablon Quote-First:
„Din [documentul/contextul furnizat], citează mai întâi pasajele relevante pentru [subiect]. Pe baza acestor pasaje, [răspunde/explică/redactează]."
T10
Eșantionarea verbalizată
Zhang et al. 2025 (arXiv 2510.01171): ceri modelului să genereze variante deliberat diferite între ele, nu doar mai multe versiuni ale aceleiași idei. Diversitate ×1,6–2,1 la scriere creativă; evaluatorii umani preferă cu +25,7% pe diversitate.
Cum o activezi
„Generează 3 variante, fiecare cu o abordare complet diferită ca ton, structură și unghi. Faci variante să fie distincte, prin contrast deliberat."
Exemplu HR/L&D
„Generează 3 titluri pentru newsletter-ul intern de wellbeing: unul informativ, unul emoțional, unul ludic."
De reținut
Efectul scade la modele mari care tind spre soluții convergente. Formularea „prin contrast deliberat" amplifică diversitatea.
T11
Multi-perspectivă
Ce este
Ceri modelului să analizeze o situație din perspectivele mai multor roluri sau stakeholderi simultan, înainte de a produce o recomandare sau un document.
De ce funcționează
Evită perspectiva unilaterală. Produce output-uri mai nuanțate, echilibrate, care anticipează obiecțiile și nevoile diverselor grupuri.
Exemplu HR/L&D
„Analizează introducerea politicii de lucru hibrid din perspectiva: (1) angajatului cu copii mici, (2) managerului de echipă, (3) departamentului IT. Apoi redactează o comunicare care adresează preocupările fiecăruia."
Șablon Multi-perspectivă:
„Analizează [situația] din perspectiva:
(1) [Rol A]
(2) [Rol B]
(3) [Rol C]
Apoi [redactează/recomandă/sintetizează] ținând cont de toate perspectivele."
T12
Prompting diferențial
Descrii diferența față de standardul implicit, nu standardul în sine. În loc să specifici tot de la zero, specifici ce este diferit față de ce ar produce modelul implicit.
De ce funcționează
Modelele au comportamente implicite bine calibrate. Descrierea diferenței este mai eficientă decât rescrierea completă a standardului.
Exemplu HR/L&D
„Scrie o invitație la workshop — ca de obicei, dar cu tonul unui prieten care te cheamă la ceva interesant, înlocuind fraza de deschidere formală cu o întrebare care stârnește curiozitatea."
Șablon
„[Sarcina standard], dar cu o singură schimbare față de abordarea obișnuită: [diferența specifică]."
T13
Auto-reflecția (Self-Refine)
Ce este
Ceri modelului să critice și să îmbunătățească propriul output înainte de a-l livra. Madaan et al. 2023 (arXiv 2303.17651): +20% absolut în medie pe 7 sarcini.
De ce funcționează
Modelul reactivează procesarea critică asupra propriului text un mecanism similar cu relectura umană, care surprinde erori de aliniere, inconsistențe și omisiuni.
Exemplu HR/L&D
„Redactează planul de training anual. Evaluează-l pe o scară 1–10 pe criterii de claritate, fezabilitate și aliniere cu obiectivele de business. Îmbunătățește punctele cu scor sub 8."
Șablon Self-Refine:
„[Sarcina]. Evaluează rezultatul pe criterii: [criteriu 1], [criteriu 2], [criteriu 3]. Identifică punctele slabe și livrează o versiune îmbunătățită."
T14
Lanțul de verificare (CoVe)
Dhuliawala et al. 2023 (arXiv 2309.11495): modelul formulează întrebări de verificare pentru propriul răspuns și le rezolvă independent ce oferă reducere măsurabilă a halucinațiilor.
Redactează răspunsul inițial
Modelul produce răspunsul la sarcina principală
Formulează întrebări de verificare
„Ce afirmații pot fi verificate? Ce ar putea fi inexact?"
Răspunde independent la verificări
Fără a vedea răspunsul inițial, reduce confirmarea circulară
Sintetizează răspunsul final
Integrează corecțiile și livrează versiunea verificată
T15
Bucla perfecțiunii (Rafinare în 3 runde)
Ce este
Trei iterații structurate: Draft → Critică → Versiune finală. Bazată pe Self-Refine (Madaan et al. 2023). Trei runde sunt suficiente, iterațiile suplimentare aduc câștiguri marginale.
Exemplu HR/L&D
„Runda 1: scrie un prim draft al regulamentului intern de telemuncă. Runda 2: critică draft-ul, ce lipsește, ce e neclar, ce poate fi prost-interpretat? Runda 3: livrează versiunea finală care integrează toate observațiile."
Șablon 3 Runde:
„Runda 1: [sarcina].
Runda 2: Evaluează pe criterii [A, B, C]. Ce îmbunătățești?
Runda 3: Versiunea finală cu toate îmbunătățirile integrate."
T16
Nivelul de încredere
Tian et al. 2023 (arXiv 2305.14975) și Lin et al. 2022 (arXiv 2205.14334): încrederea cerută explicit este mai bine calibrată decât probabilitățile brute de token. Modelul devine mai precis în a semnala ce știe și ce nu știe.
Cum îl folosești
Adaugă la finalul oricărui prompt: „Indică nivelul tău de încredere pentru fiecare afirmație pe o scală 1–5 și semnalează unde recomanzi verificare umană."
Exemplu HR/L&D
„Redactează o analiză comparativă a 3 platforme LMS. Pentru fiecare afirmație despre prețuri sau funcționalități, indică nivelul de încredere (1–5) și recomandă verificare acolo unde datele se pot schimba."
T17
Bucle de validare integrate
Ce este
Integrezi în promptul inițial criterii de succes explicite pe care modelul le verifică automat înainte de a livra răspunsul final. Validarea devine parte din instrucțiune, nu o iterație separată.
De ce funcționează
Elimină un ciclu de feedback. Modelul știe de la început ce standard trebuie să atingă și se auto-corectează în aceeași sesiune.
Exemplu HR/L&D
„Redactează fișa de post pentru Specialist Training. Verifică înainte de livrare: (1) include responsabilități măsurabile, (2) are cerințe de experiență clare, (3) respectă legislația muncii din România."
Șablon Validare integrată:
„[Sarcina]. Înainte de livrare, verifică că rezultatul:
✓ [Criteriu 1]
✓ [Criteriu 2]
✓ [Criteriu 3]
Dacă vreun criteriu nu este îndeplinit, corectează și relivrează."
T18
Rafinare în 3 runde cu feedback uman
Varianta avansată a buclei de perfecțiune: runda de critică vine de la tine, nu de la model. Tu evaluezi draft-ul și îi dai feedback structurat, modelul integrează și livrează versiunea finală.
Draft inițial
Modelul produce prima versiune conform briefingului
Feedback uman
Tu evaluezi și oferi observații specifice: „Paragraf 2 e prea formal, adaugă exemplu concret la punct 3"
Versiunea finală
Modelul integrează toate observațiile și livrează documentul finalizat
T19
Meta-Prompting
Ce este
Ceri modelului să construiască promptul pentru o altă sarcină, în loc să redactezi tu promptul de la zero. Modelul devine co-designer al instrucțiunii.
De ce funcționează
Modelul știe ce informații îi sunt utile. Un meta-prompt bun extrage structura optimă pentru sarcina dorită, pe care tu o poți rafina ulterior.
Exemplu HR/L&D
„Construiește un prompt eficient pentru a genera un sondaj de engagement pentru o echipă de 50 de persoane dintr-o companie de servicii financiare. Include toate elementele de context necesare."
Șablon Meta-Prompting:
„Construiește un prompt eficient pentru a [sarcina finală]. Promptul trebuie să includă: context, rol, sarcina specifică, criterii de calitate, format de ieșire. Livrează promptul gata de utilizat."
T20
Înlănțuirea prompturilor
Sarcini complexe se desfac în lanțuri de prompturi mai simple, unde output-ul unui prompt devine input-ul celui următor. Fiecare verigă are o sarcină clară și verificabilă.
Exemplu HR/L&D: Prompt 1: analizează nevoile de training din datele de performanță. Prompt 2: generează obiective SMART pentru programul anual. Prompt 3: redactează planul de training. Prompt 4: formatează ca prezentare executive.
T21
AI ca optimizator de prompturi
Khattab et al. 2023 (DSPy, arXiv 2310.03714) și Lemos et al. 2025 (arXiv 2507.03620): un studiu de caz comparat rescriere umană vs. optimizator automat:
Promptul inițial
Câștig prin optimizare manuală atentă
Rescriere humană
Câștig prin optimizare manuală atentă
Optimizator DSPy
Câștig prin optimizare automată sistematică
Calea practică: Folosește Prompt Optimizer-ul oficial OpenAI sau cere modelului: „Optimizează acest prompt pentru claritate și performanță, păstrând intenția originală."
T22–T23
Exemple cu standard vizibil & ieșiri structurate JSON
Exemple cu standard de calitate vizibil
Furnizezi un exemplu de referință etichetat explicit ca „Exemplu de calitate excelentă" înainte de sarcină. Modelul calibrează standardul, nu doar formatul.
„Exemplu de email excelent de comunicare HR: [exemplu]. Pe acest standard de calitate, redactează emailul pentru [situația nouă]."
Ieșiri structurate JSON
Ceri răspunsul în format JSON strict, cu schema definită în prompt. Regula null: orice câmp fără valoare primește null, nu valoare inventată.
„Livrează răspunsul în JSON cu schema: {„titlu": string, „obiective": [string], „durata_zile": number}. Câmpurile necunoscute primesc null."
T24
Protocolul gândirii structurate
Ceri modelului să urmeze un protocol explicit de gândire înainte de a răspunde: identifică premisele, verifică dacă sunt valide, apoi concluzia.
Identifică premisele
Ce afirmații sau date sunt asumate ca adevărate în această sarcină?
Verifică validitatea
Care premise sunt solide? Care pot fi contestate sau sunt incomplete?
Formulează concluzia
Pe baza premiselor validate, care este cel mai riguros răspuns?
Exemplu HR: „Folosind protocolul de gândire structurată, analizează dacă programul de wellbeing actual adresează cauzele reale ale burnout-ului echipei de vânzări."
T25–T26
Bucla Feynman & schelăria metacognitivă
Bucla Feynman
Ceri modelului să explice un concept în cel mai simplu limbaj posibil, apoi să identifice lacunele din propria explicație și să le completeze.
Exemplu HR: „Explică evaluarea 360° ca pentru un angajat care aude termenul prima dată. Identifică ce rămâne neclar în explicație și completează."
„Explică [conceptul] în limbajul unui [public]. Identifică lacunele explicației tale și completează-le."
Schelăria Metacognitivă
Ceri modelului să gândească despre propria gândire: ce strategie folosește, de ce, și dacă există o abordare mai bună pentru sarcina dată.
Exemplu HR: „Ce strategie folosești pentru a structura un plan de succession planning? Există o abordare alternativă mai potrivită pentru o organizație de 500 persoane?"
„Descrie strategia ta de rezolvare pentru [sarcina]. Evaluează dacă există o abordare superioară în contextul [specific]."
Știința Promptingului