AI‑agenter kommer att göra promptning till en ledningsfärdighet

Ju bättre AI‑agenter blir, desto mer känns promptning som att leda arbete. Du måste bestämma vad du vill ha gjort, förklara hur ett bra resultat ser ut och ge agenten tillräckligt med utrymme att nå dit. Det kommer att bli en grundläggande affärsfärdighet, även för personer som aldrig har lett en anställd.

Det låter enkelt tills du försöker delegera en verklig uppgift. Det är lätt att be om en bättre webbplats eller en användbar forskningsrapport. Det är svårare att förklara vad som skulle göra någon av dem användbar för ditt företag.

När en agent kan undersöka ett ämne, arbeta över filer och leverera ett resultat, kan en vag uppgift skicka den långt i fel riktning. Mer kapacitet ger den fler sätt att agera på dina instruktioner. Det gör också de beslut du utelämnar mer avgörande.

Jag tror att det är här mycket av värdet i att lära sig använda AI kommer att ligga. Att kunna förklara uppdraget, tillhandahålla rätt kontext och känna igen ett bra resultat kommer att vara viktigt oavsett vilka verktyg som kommer härnäst.

Den svåraste delen är att bestämma vad man ska be om

Föreställ dig att be en agent förbättra en landningssida. Den kan skriva om rubriken, omordna sektionerna och göra sidan mer visuellt polerad. Alla dessa förändringar kan uppfylla instruktionen. Ingen av dem förklarar nödvändigtvis erbjudandet tydligare för den avsedda kunden.

Kanske kan besökarna inte se vem produkten är avsedd för. Kanske ber sidan dem att köpa innan värdet förklaras. Det är olika problem. Om du inte har bestämt vilket som är viktigt måste agenten fatta det valet åt dig eller återkomma och fråga. Varken en längre prompt eller en mer polerad design löser det.

I mitt eget tillvägagångssätt för AI‑arbete vill jag bestämma vad resultatet ska vara innan utförandet påbörjas. Ett forskningsuppdrag behöver en fråga att besvara. En webbplats behöver ett erbjudande som den avsedda kunden kan förstå. Jag kan ge agenten frihet att bestämma hur den når dit när jag har gjort målet tydligt.

Chefer stöter på detta hela tiden: någon slutför uppdraget exakt enligt begäran, men resultatet löser fortfarande inte problemet. Jag har skrivit om samma fråga med AI‑piloter som förstärker befintliga arbetsflöden. Innan man gör en process snabbare måste någon avgöra om den förtjänar att överleva.

En Stanford‑preprint publicerad i augusti 2026 fann att mänskligt ledd samarbete dominerade de Claude‑konversationer som forskarna granskade. Människor formade arbetet genom sina prompts och uppföljande utbyten. Det stämmer överens med hur jag ser på delegering: att sätta uppdraget är början på ditt engagemang.

En avslutad uppgift kräver ett användbart resultat

Ett polerat dokument och ett självsäkert avslutningsmeddelande kan få en uppgift att kännas färdig. Jag vill fortfarande se vad som faktiskt hände. Löste agenten problemet, eller producerade den något som ser ut som den leverans jag begärde?

Anthropic gör en användbar distinktion i sin guide för att utvärdera agenter: registreringen av vad en agent gjorde är separerad från det resultat den faktiskt producerade. Jag tycker att det är en bra utgångspunkt för alla som tilldelar AI‑arbete.

Om du begär en bokning, kontrollera att rätt bokning finns. Om du begär ett kalkylblad, kontrollera beräkningarna och antagandena. Om du begär forskning, öppna källorna och se om de stödjer slutsatserna. Agentens avslutningsmeddelande talar om för dig att den är klar för granskning.

Att ge agenten den standarden från början gör uppdraget enklare att genomföra. Den kan kontrollera sitt arbete och återkomma med specifika problem. Om en källa motsäger slutsatsen vill jag ha veta det innan jag lägger tid på att granska texten. Om ett kalkylblad bygger på ett antagande vill jag att antagandet är synligt.

Mängden granskning bör passa uppdraget. Jag vill inte spendera tio minuter på att övervaka en formateringsändring som jag kan ångra på några sekunder. Ett offentligt åtagande förtjänar mer uppmärksamhet. Att veta var din uppmärksamhet är viktig är en del av att bli bra på detta.

Ge agenten utrymme att arbeta

God delegering innebär också att bestämma var agenten kan agera utan att återkomma till dig. Tillgång till ett e‑postverktyg avgör inte om den får skicka ett meddelande. Uppdraget bör tydligt ange när arbetet är förberedelse och när det inkluderar att vidta åtgärder.

Klarta gränser sparar uppmärksamhet. En agent kan undersöka, förbereda ett resultat och hantera rutinmässiga revideringar samtidigt som de avgörande besluten lämnas till den ansvariga personen. Den riktningen måste vara tillgänglig i arbetsmiljön, tillsammans med relevant affärskontext. Lauren Hanford, VP för produktoperationer på Sonar, gör detta tydligt i sin essä om att utforma agenters operativa miljöer: vi måste tillhandahålla den kontext och riktning som arbetet är beroende av.

Stanford-forskarna fann också att friktion ofta var produktiv: människor klargjorde förfrågningar och rättade missförstånd. Jag tror att vi ibland betraktar dessa utbyten som ett verktygsfel när de bara är en del av att arbeta igenom ett problem. Den användbara frågan är om samtalet driver arbetet framåt.

Det är därför jag inte bedömer övervakning efter hur många gånger någon godkänner en åtgärd. Du kan klicka igenom ett dussin förfrågningar och ändå missa det beslut som verkligen betyder något. Jag vill att rutinuppgifter ska fortlöpa och att viktiga val ska återkomma med tillräckligt sammanhang för att jag ska kunna fatta dem.

En ström av aktivitetsuppdateringar hjälper inte så mycket på egen hand. Berätta vad som kräver ett beslut, varför det är viktigt och vad som händer härnäst.

Detta förändrar vad det innebär att vara bra med AI

För en ensam operatör är detta en verklig förändring av arbetsformen. Du är kanske van vid att hålla skälen till ett beslut i huvudet eftersom du också är den som utför arbetet. Delegering gör dessa skäl användbara för någon annan eller något annat. Att få dem ur huvudet är en del av att göra verksamheten enklare att driva.

Vinsterna bör byggas upp över tid. När en uppgift går fel för att en preferens saknades, registrera den preferensen där nästa uppgift kan använda den. När samma fråga återkommer, avgör om agenten saknar sammanhang eller om beslutet verkligen kräver dig. Upprepade korrigeringar är ett tillfälle att förbättra hur arbetet fördelas.

Jag skulle vilja att AI-utbildning ägnade mer tid åt dessa situationer. Ge människor en ofullständig uppgift och låt dem lista ut vad som saknas. Visa dem ett polerat resultat med en svag slutsats. Återanvändbara prompts kan vara hjälpsamma, men människor behöver öva på att fatta de beslut som dessa prompts förutsätter.

När agenter tar mer arbete till fullbordan kommer deras användare att spendera mer tid på att sätta riktning och avgöra vad som är tillräckligt bra. Vissa kommer att ha team. Andra kommer att driva verksamheter på egen hand. Oavsett blir förmågan att omvandla en avsikt till en tydlig uppgift en del av hur de konkurrerar. Det är därför prompting faktiskt är en ledarskapsfärdighet.