Du kan komma långt med en återkommande uppgift i ChatGPT eller Claude. Här får du en instruktion att börja med, ett enkelt kvalitetstest och vad metoden inte löser.
Du behöver inte kunna programmera för att testa en återkommande AI-baserad mediebevakning. Om ditt behov är att följa ett ämne regelbundet kan du börja med en schemalagd uppgift i ChatGPT eller Claude.
Jag skulle inte jämföra den direkt med Retriever eller Meltwater. AI-assistenten har inte automatiskt samma källtäckning eller arkiv. Men för ett avgränsat område kan den ge ett användbart komplement.
Formulera uppdraget som om du briefade en kollega
Det är lätt att skriva ”bevaka kompetensbrist”, men det säger varken vad som är viktigt eller vad som ska räknas bort. Beskriv i stället ämnet, tidsperspektivet, relevanskriterierna och hur resultaten ska redovisas.
Varje vardag vill jag ha en sammanställning av nya svenska nyhetsartiklar om kompetensförsörjning inom vården. Leta efter utbildningsplatser, rekrytering, personalbrist, arbetsvillkor, nya kompetenskrav och politiska beslut. Ta med relevanta artiklar även när ordet kompetensbrist inte används. Redovisa rubrik, medium, publiceringsdatum, journalist om uppgiften finns, länk och en kort motivering till relevansen. Skilj mellan nyheter och debattartiklar, markera dubbletter och hitta inte på saknade uppgifter. Om inga nya relevanta artiklar hittas ska du säga det.
Kopiera instruktionen och byt ämne. När du har kört den några gånger märker du vilka begrepp och undantag som behöver justeras.
Schemalägg uppgiften
I ChatGPT finns funktionen Scheduled för återkommande uppgifter. Claude har motsvarande schemaläggning i Cowork och den nya Claude-upplevelsen där funktionen finns tillgänglig. Utbudet av anslutningar, webbsökning och filåtkomst beror på konto och miljö.
Följ de officiella instruktionerna för Scheduled i ChatGPT och återkommande uppgifter i Claude. Börja exempelvis med ett kort mejl eller en sammanställning varje vardag.
Låt sökning och relevans vara två skilda steg
En viktig lärdom är att det kan bli för trångt om du försöker lösa allt med samma filter. Låt gärna AI först hitta ett brett urval och därefter bedöma vilka artiklar som är direkt relevanta, användbara som bakgrund eller ointressanta.
Be den markera osäkra träffar. Det är bättre än att pressa fram ett tvärsäkert ja eller nej på varje artikel.
Kontrollera kvaliteten efter en vecka
- Välj några artiklar som du själv vet borde ha ingått. Hittade bevakningen dem?
- Markera ett urval som relevant eller irrelevant och se var dina bedömningar skiljer sig från AI:ns.
- Kontrollera datum, journalist och länkar mot originalartiklarna. AI-svar kan innehålla fel även när de ser rimliga ut.
- Justera en sak i instruktionen i taget så att du ser vad som faktiskt hjälper.
Vad metoden inte kan garantera
Schemalagda AI-uppgifter ser inte hela webben, saknar normalt direkt tillgång till licensierade mediedatabaser och kan förändra sitt beteende när modeller eller sökverktyg uppdateras. Om du behöver konsekventa analyser av tusentals artiklar över tid räcker det inte alltid.
Det var en av anledningarna till att vi började bygga egna, styrda kedjor på Heartspace. I del tre berättar jag om Nirvana AI och hur du kan bygga mediebevakning med bakgrundsagenter. Missade du starten finns del ett om sökningar och källtäckning.
Vill du gå ett steg längre än en schemalagd prompt? Vi har redan byggt en klassificerare för våra egna uppgifter och söker nu andra sätt att använda den. Läs om vår designpartnerpilot för bättre medieklassificering.