TL;DR
Revisor-prompten vänder AI:n från författare till motståndare: efter att den levererat beordrar du den att attackera sin egen utdata — jaga logiska fel, osupporterade påståenden och missade vinklar — innan den producerar en härdad slutversion. Den kostar ett uppföljningsmeddelande och fångar rutinmässigt felet du skulle ha hittat på det hårda sättet.
Analysen
Varje seriös tidning drivs av två personer som aldrig sitter vid samma skrivbord: Skribenten och Redaktören.
Skribentens jobb är produktion — svepa med läsaren, få argumentet att sjunga. Redaktörens jobb är rivning. Redaktören ringar in påståendet utan källa, skriver "vem säger det?" i marginalen, hittar stycket där argumentet tyst motsäger sig självt, och ställer frågan Skribenten hoppades att ingen skulle lägga märke till. Avgörande nog betygsätts Redaktören på hittade fel, inte på vänlighet — en snäll redaktör är en trasig redaktör. Tidningen är pålitlig precis för att personen som kontrollerar den inte är personen som skrev den.
Här är problemet med AI: du har pratat med en Skribent utan Redaktör. Modellen som producerade ditt utkast är optimerad för att producera text som flyter — och när du frågar samma modell "är det här bra?" ber du författaren recensera sitt eget manuskript. Vad skulle du säga om en romanförfattare berättade att deras bok var felfri? Du skulle avskriva det direkt. Ändå accepterar folk "det här ser bra ut!" från en AI varje dag — och upptäcker sedan, inför sin chef, att introduktionen motsade slutsatsen.
Revisor-prompten är du anställer Redaktören medvetet. Samma modell, nytt kontrakt: jobbet är inte längre "skriv det här" — jobbet är "förstör det här". Det är cybersäkerhetsvärldens red team-drag, där ett team bygger systemet och ett rivaliserande team betalas för att attackera det innan verkliga motståndare gör det. Vänlig eld, medvetet, innan den ovänliga sorten anländer.
Och till skillnad från en mänsklig redaktör arbetar denna på sekunder, blir aldrig trött på ditt tredje utkast och kan inte förolämpas till att mjukna — eftersom du skrev hårdheten i instruktionerna.
Hur det fungerar & verktyget (resonerande modeller)
Tekniken är en tvåstegsrytm: Utkasta, sedan Granska. Aldrig samtidigt.
Steg 1 — Utkasta. Producera arbetet normalt, med vilken teknik som passar: en one-shot-prompt, en intervju, ett begränsat format. Utkasthjärnan och granskningshjärnan måste ta separata turer — om den ombeds "skriv och kontrollera" i ett meddelande skriver en modellen självsäkert och stämplar sedan sig själv.
Steg 2 — Granska. Följ upp med en order som har tre bärande delar:
| Del | Vad den gör | Exempel |
|---|---|---|
| Rolltilldelning | Dödar författarens artighet | "Agera som en hänsynslös djävulens advokat" |
| Räknade fynd | Tvingar fram verkliga defekter, inte vibbar | "Hitta exakt 3 dödliga fel" |
| Undanhållen dom | Förbjuder den lugnande slutsatsen | "Revidera inte ännu — endast fynd, rankade efter allvarlighetsgrad" |
Agera som en hänsynslös djävulens advokat och kritisera ditt föregående svar. Hitta exakt 3 dödliga fel: logiska misstag, osupporterade påståenden eller missade vinklar som en skeptisk expert skulle attackera. Ranka dem efter allvarlighetsgrad. Skriv inte om något ännu — endast fynd.
Varför "exakt 3"? Eftersom ett otakterat "några problem?" bjuder in modellen att framföra säkerhet — "överlag är det här välstrukturerat!" — och en granskning som öppnar med beröm är en granskning som redan har misslyckats. En räkning tvingar fram utgrävning: något måste fylla de numrerade facken, även i gott arbete, och det som kommer upp är vanligtvis antagandet ingen hade granskat. Sedan, först efter att ha läst fynden, släpper du steg tre: "Skriv nu om originalet och åtgärda alla tre felen."
Det är också här den subtila hybridtouchen finns: vilken modell som helst kan granska, men granskning är tankearbete — och det är vad resonerande modeller är byggda för. Resonerande modeller (som premiummodellerna tillgängliga i Uzu) är tränade att sakta ner och arbeta igenom ett problem steg för steg innan de svarar, vilket gör dem oproportionerligt bra på att fånga felet som snabba modeller glider över. Därav den professionella pipelinen: snabb modell för utkast, resonerande modell för granskning. Den billiga, snabba modellen genererar råmaterialet; den dyra, övervägda modellen spenderar sin eldkraft bara på passet som spelar roll — det som avgör om arbetet överlever kontakt med verkligheten.
Före & efter (promptarna)
Exempel 1 — affärsfallet
Är den här affärsplanen bra? Någon feedback?
Författaren recenserar manuskriptet. Tillbaka kommer: styrkor först, ett milt "överväg att lägga till", och en helhetsdom på solid. Planen skeppas med sitt dödliga antagande orört.
Agera som en skeptisk investerare som har sett 1 000 pitcher. Identifiera exakt 3 dödliga fel i den här affärsplanen — anledningarna som en firma skulle tacka nej. Ranka efter allvarlighetsgrad, citera det specifika avsnittet, endast fynd, ingen omskrivning.
Nu möter samma plan Redaktören. Fynden kommer tillbaka numrerade och obekväma: intäktsmodellen antar en 40 % konverteringsgrad utan belägg; "konkurrentanalysen" utelämnar den största aktören; kassaflödesprognosen döljer ett gap i månad sju. Inget av dessa är stilnoteringar. Alla dessa är skillnaden mellan finansiering och tystnad.
Exempel 2 — argumentet
Kontrollera min uppsats efter fel.
"Fel" är en stavjakt, så det är vad du får — grammatikpolerad, logik orörd.
Du är min hårdaste kritiker. Läs mitt argument och hitta exakt 3 ställen där resonemanget är som svagast — hypoteser, osupporterade premisser eller invändningar jag misslyckats att bemöta. Ange för varje det starkaste motargumentet mot mig. Mjuka inte upp. Endast fynd.
Granskningen returnerar de två meningar en motståndare skulle citera mot dig — och den invändning du aldrig bemötte för att du aldrig såg den. Åtgärda de tre, och argumentet är redo för en publik som vill att det ska misslyckas.
Exempel 3 — mejlet innan sändning
Se till att det här mejlet låter rätt.
Tonkontroll. Fint. Men mejlets fara var aldrig tonen — det var meningen som av misstag förpliktade dig till en deadline du inte kan hålla.
Innan jag skickar det här: granska det som en kontraktsjurist. Hitta exakt 3 påståenden som kan läsas som åtaganden eller ansvar jag inte avsett. Citera var och en, förklara den riskabla läsningen, endast fynd.
Tre fynd senare flaggas en mening: "Vi kommer att ha det här löst inom kort" — som, under press, blir ett löfte. Den omformuleras. Mejlet var aldrig bättre skrivet. Det var säkrare att skicka.
Vanliga misstag
- Att acceptera det första "det ser bra ut!"-svaret. Om du frågar artigt betygsätter modellen sin egen läxa generöst — artighet tränades in djupare än stringens. En granskning som returnerar noll fynd var ingen granskning; den var en komplimang. Kör om med en räkning: "Hitta exakt 3."
- Att granska i samma andetag som utkastet. "Skriv det och se till att det är bra" kollapsar Redaktören in i Skribenten. Modellen utkastar självsäkert och ärver sedan sin egen självsäkerhet som sin granskare. Två turer, alltid: utkasta, sedan attackera.
- Vaga granskningsförfrågningar. "Kritisera det här" bjuder in till uppsatslångt trams om ton och struktur. Begränsa granskningen som du skulle begränsa vilken utdata som helst: en roll, en räkning, en allvarlighetsrankning, en ingen-omskrivning-regel. Granskningen är också en leverans.
- Att hoppa över granskningen på arbete som "känns klart." Flyt är exakt fel fullföljnadssignal — kom ihåg säkerhetens illusion: det felfria låtande utkastet och det felaktiga utkastet kommer i samma lugna röst. Ju bättre det låter, desto mer behöver du en fientlig andra pass, inte mindre.
- Att fixa symptom, inte fynd. Granskningen namnger tre fel; du lagar en mening av varje och kallar det klart. Fyndet pekar vanligtvis på ett antagande — granska om det, inte bara meningen som bar det. Granska sedan revideringen: "Granska v2 på samma sätt."
FAQ
Hur får jag AI att kritisera sitt eget arbete?
Beordra den explicit: tilldela en fientlig roll ("agera som en hänsynslös djävulens advokat / skeptisk investerare / red team"), kräv en räknad lista med fel ("exakt 3 dödliga fel"), kräv allvarlighetsrankning och förbjud omskrivningen tills du har läst fynden. Tredelarsstrukturen — roll, räkning, undanhållen dom — är det som skiljer en riktig granskning från en komplimang.
Varför säger AI att mitt arbete är bra när det inte är det?
Eftersom du ställde en fråga med bara ett artigt svar. Modeller tränas på tillmötesgående konversation, så "är det här bra?" drar mot "ja, med mindre förslag". Fixen är inte en bättre fråga — det är ett annat kontrakt: modellen utvärderar inte längre en väns arbete, den betygsätts på hittade fel. Ändra incitamenten och ärligheten framträder.
Ska jag använda en resonerande modell för att kontrollera AI-utdata?
För allt konsekvensbundet, ja. Resonerande modeller — som premiummodellerna i Uzu — överväger steg för steg innan de svarar, vilket är exakt den färdighet felföljande kräver. Det effektiva mönstret är arbetsfördelning: en snabb modell utkastar billigt, sedan spenderar den resonerande modellen sin beräkning bara på granskningspasset. Spara den tunga modellen för det tunga tänkandet.
Nästa lektion
Revisorn kör en kraftfull pass: utkasta, attackera, åtgärda. Men vissa jobb är för stora för ens ett perfekt enskilt svar — researcha sedan omvandla sedan polera, varje steg matar nästa. Vad händer när du slutar skriva promptar och börjar bygga monteringslinjer?
Fortsätt till nästa lektion: Prompt-kedjor
Övningsdrill innan du går: ta den senaste AI-utdata du faktiskt använde och kör den exakta granskningsprompten ovan på den — hänsynslös roll, exakt 3 fel, endast fynd. Oavsett vad som framträder, sitt med fakta att det låg där hela tiden och väntade på att någon skulle betalas för att hitta det.