Context Engineering: Prompt Engineering-ის აუცილებელი შემდეგი საფეხური
რამდენიმე თვის წინ ერთი კარგად დაწერილი პრომპტიც კი საკმარისი იყო შედეგის მისაღებად. დღეს, როცა AI-ს რთულ, განმეორებად და მონაცემებზე დაფუძნებულ ამოცანებში ვრთავთ, ცალკე კითხვა უკვე არასაკმარისია – მთავარი კითხვა აღარ არის მხოლოდ „რა ვკითხოთ AI-ს”, არამედ „რა გარემოში ვამუშავებთ მას”.
მნიშვნელოვანია ერთი დაზუსტება: Context Engineering არ ანაცვლებს Prompt Engineering-ს – ის მას ეფუძნება და აძლიერებს. კარგად აწყობილი კონტექსტიც კი ცუდად ფორმულირებულ ინსტრუქციას ვერ გამოასწორებს. სხვაობა იმაშია, რომ პრომპტი განსაზღვრავს რას ვთხოვთ, ხოლო კონტექსტი – რამდენად ზუსტად, უსაფრთხოდ და თანმიმდევრულად შეასრულებს სისტემა ამ თხოვნას რეალურ, განმეორებით სამუშაო პროცესში.
Context Engineering გულისხმობს არა ერთჯერად კითხვას, არამედ სისტემის აწყობას: მონაცემების, ინსტრუქციების, წინა ისტორიის, წესებისა და შეზღუდვების ერთობლიობას, რომელსაც AI ყოველ გამოძახებაზე ეყრდნობა. პრაქტიკაში ეს ნიშნავს, რომ ერთი და იგივე პრომპტი სრულიად განსხვავებულ შედეგს იძლევა იმის მიხედვით, რა ინფორმაცია მივაწოდეთ სისტემას წინასწარ.
მაგალითი: „მანამდე” და „შემდეგ”
პრომპტი (ორივე შემთხვევაში იდენტური): „დაწერე შემდგომი კომუნიკაცია იმ კანდიდატისთვის, რომელმაც გასაუბრება ჩააბარა, მაგრამ საბოლოოდ არ ავირჩიეთ.”
– Prompt Engineering-ის მიდგომით (მხოლოდ ინსტრუქცია): სისტემა აგენერირებს ზოგად, თავაზიან უარის წერილს – ისეთივეს, როგორსაც ნებისმიერი კომპანია ნებისმიერი კანდიდატისთვის გამოიყენებდა.
– Context Engineering-ის მიდგომით (ინსტრუქცია + კონტექსტი – კანდიდატის კონკრეტული გასაუბრების ჩანაწერები, კომპანიის ტონალობის სახელმძღვანელო, წინა მსგავს შემთხვევებში გამოყენებული ფორმულირებები): სისტემა წერილში ითვალისწინებს კანდიდატის კონკრეტულ ძლიერ მხარეებს, აკონკრეტებს რატომობას ზოგადი ფრაზების გარეშე და ინარჩუნებს კომპანიისთვის დამახასიათებელ ტონს.
განსხვავება არა ტექსტის სტილშია, არამედ იმაში, თუ რამდენად გამოსადეგია შედეგი რეალურ გამოსაყენებლად რედაქტირების გარეშე.
Context Engineering გაყიდვებსა და ბიზნესის განვითარებაში
B2B გაყიდვებში ზედაპირული ავტომატიზაცია სწრაფად ცნობადია – პოტენციური კლიენტები ადვილად არჩევენ ზოგადი პრომპტით აწყობილ მეილებსა და შაბლონურ სკრიპტებს ნამდვილი პერსონალიზაციისგან. კონტექსტური მიდგომა ცვლის სამ კონკრეტულ რგოლს:
1. მომხმარებელთა ისტორია (CRM-მონაცემები). AI-ს გადაეცემა კლიენტის წარსული მოთხოვნები, გამოკვეთილი ინტერესები და წინა ეტაპზე შეჩერების მიზეზები – ეს განსაზღვრავს, თუ რა აქცენტით შედგება მომდევნო მიმართვა, ზოგადი გაყიდვის ტონის ნაცვლად.
2. პროდუქტის ტექნიკური დოკუმენტაცია. სისტემა შემოსაზღვრულია რეალური მახასიათებლებითა და ფასებით, რაც ამცირებს არასწორი ან მოძველებული დეტალის დაშვების რისკს.
3. კონკურენტული გარემოს მონაცემები.AI აწყობს არგუმენტაციას იმ უპირატესობებზე, რომლებიც კონკრეტული ალტერნატივის ფონზე რეალურად აქტუალურია კონკრეტული კლიენტისთვის.
ამ მიდგომის ღირებულება პირდაპირ იზომება: ნაკლები რედაქტირება გაგზავნამდე, უფრო მაღალი საპასუხო კოეფიციენტი და ნაკლები შეცდომა ფასებსა თუ მახასიათებლებში.
რატომ არის კონტექსტი განსაკუთრებით კრიტიკული HR-ში
ადამიანური რესურსების მართვა ეყრდნობა ორგანიზაციულ კულტურას, ნიუანსებს და კონფიდენციალურობას. „დაწერე ვაკანსიის აღწერა” ტიპის ზოგადი მოთხოვნა შაბლონურ ტექსტს გვაძლევს. კონტექსტის დამატებით სამი პროცესი კონკრეტულად იცვლება:
რეკრუტინგი. სისტემას წინასწარ ეძლევა კომპანიის შიდა კულტურის აღწერა, წინა წარმატებული და წარუმატებელი ვაკანსიების ისტორია, გუნდის ტონალობა და კონკრეტული პოზიციისთვის საჭირო კომპეტენციები. შედეგი — ვაკანსიის ტექსტი, რომელიც მიმართულია იმ კანდიდატებისკენ, ვინც რეალურად ერგება კომპანიის კონტექსტს, არა ზოგადად „კარგ კანდიდატს”.
პერფორმანსის მენეჯმენტი. 9-Box Grid შეფასებისა თუ განვითარების გეგმის (PDP) შედგენისას სისტემას გადაეცემა თანამშრომლის წინა შეფასებები და კომპანიის მიმდინარე მიზნები. ეს ამცირებს რისკს, რომ რეკომენდაცია იყოს ზოგადი და ერთეულ თანამშრომელს მოწყვეტილი – თუმცა საბოლოო შეფასება ადამიანის განსჯას მაინც სჭირდება.
შიდა კომუნიკაცია. პოლიტიკების, ცვლილებების შესახებ შეტყობინებებისა თუ მოტივაციური წერილების დროს, კომპანიის ისტორიულ კონტექსტზე და ღირებულებებზე წვდომა ეხმარება სისტემას შეინარჩუნოს კომპანიისთვის დამახასიათებელი ტონი „რობოტული” ტექსტის ნაცვლად.
რისკები, რომლებიც არ უნდა დაგვავიწყდეს
კონტექსტის მართვა უპირატესობებთან ერთად ახალ პასუხისმგებლობებსაც წარმოშობს, განსაკუთრებით HR-ში:
– მონაცემთა კონფიდენციალურობა. კანდიდატებისა და თანამშრომლების პირადი მონაცემების AI სისტემაში მიწოდება მოითხოვს მკაფიო წესებს – ვინ წვდება ამ მონაცემებს, სად ინახება და რამდენ ხანს.
– AI-ს გადაწყვეტილებაზე ზედმეტი პასუხისმგებლობის გადატანა.** განსაკუთრებით პერფორმანსის შეფასებაში, AI-ის რეკომენდაცია უნდა დარჩეს დამხმარე ინსტრუმენტად – საბოლოო გადაწყვეტილება ადამიანის პასუხისმგებლობაა, მათ შორის სამართლებრივი თვალსაზრისითაც.
– კონტექსტის მოძველება. არასწორად განახლებული ან მოძველებული მონაცემები (მაგ. ძველი სახელფასო ბადეები, გაუქმებული პოლიტიკები) შეიძლება უფრო საზიანო აღმოჩნდეს, ვიდრე საერთოდ კონტექსტის არარსებობა.
– მუდმივი შენარჩუნების ხარჯი.ცოდნის ბაზის აწყობა ერთჯერადი სამუშაო არ არის – საჭიროა რეგულარული განახლება, რაც დროსა და რესურსს მოითხოვს.
ქართული რეალობა
ქართულ ბაზარზე AI ჯერ კიდევ ხშირად გამოიყენება ზედაპირულად – ტექსტების გენერაციის, თარგმანისა თუ მარტივი ანალიზის დონეზე. თუმცა ის კომპანიები, რომლებიც საკუთარი HR თუ Sales მონაცემების სტრუქტურირებას და შიდა ცოდნის ბაზების აგებას იწყებენ, ღებულობენ სტაბილურად უფრო ზუსტ და გამოსადეგ შედეგებს, ვიდრე ზოგადი პრომპტებით მომუშავე კონკურენტები.
შეჯამება
Context Engineering არ არის Prompt Engineering-ის ჩამნაცვლებელი, არამედ მისი გაგრძელება – ინსტრუქციიდან სისტემამდე გადასვლა. მისი ღირებულება ყველაზე თვალსაჩინოა იქ, სადაც სამუშაო განმეორებადია და შეცდომის ფასი მაღალია, როგორც გაყიდვებში, ისე განსაკუთრებით HR-ში. ამავე დროს, ეს მიდგომა ახალ პასუხისმგებლობებსაც მოითხოვს – მონაცემთა უსაფრთხოებასა და ადამიანის საბოლოო კონტროლში.
როგორ აპირებთ საკუთარ კომპანიაში ან HR პრაქტიკაში კონტექსტური ინჟინერიის დანერგვას?