Opprinnelig publisert på bizzit.pl av CM Sławomir Chojnacki, President i Bizzit S.A. Republisert med tillatelse.
FM Michał Fudalej, grunnlegger av ChessboArt, fungerer som medlem av styret i Bizzit S.A.
Strategiske aktører og fremtidens arbeidsmarked
I årevis ble sjakklubber inne i bedrifter sett på som en hyggelig kuriositet — et sted mellom teambygging og en hobby. Dette begynner å endre seg, og av en veldig konkret grunn. Bedrifter som bruker systemer basert på store språkmodeller oppdager at teknisk kunnskap om AI bare er halve historien. Den andre halvdelen er evnen til formulere presise, flerlags instruksjoner som faktisk fungerer — og her viser det seg at en erfaren sjakkspiller har en fordel som ikke lett kan tilegnes på et helgekurs.
Denne påstanden kan høres provoserende ut. Men hvis du ser nøye på hva effektivt arbeid med språkmodeller faktisk krever, og sammenligner det med hva år med sjakkpraksis utvikler — blir overlappene lange og alt annet enn tilfeldige.
Hva Prompt Engineering egentlig er
Prompt engineering er ikke å skrive spørsmål inn i en chatbot. Det er designe strukturen for kommunikasjon med et probabilistisk system som responderer på kontekst, tone, rekkefølge av informasjon og dusinvis av andre faktorer samtidig. En god prompt-ingeniør vet at det samme målet kan oppnås på hundre forskjellige måter — og at de fleste gir dårligere resultater enn et lite utvalg av godt gjennomtenkte.
Dette arbeidet krever blant annet:
- forstå strukturen til et problem før det formuleres,
- forutse hvordan modellen vil tolke en gitt instruksjon,
- dele komplekse oppgaver opp i sekvenser av mindre steg,
- teste hypoteser og trekke konklusjoner ut fra feil,
- språklig presisjon — hvert ord teller,
- holde det endelige målet i tankene mens hver enkelt fase bygges opp.
Sett gjennom linsen av sjakk — dette er nøyaktig det hver spiller over amatørnivå gjør i hver kamp.
Varianttenkning — grunnlaget for AI-arbeid
En av de første tingene en ambisiøs sjakkspiller lærer er beregning av variasjoner: før man gjør et trekk, bearbeider spilleren mentalt et tre av muligheter — hva skjer hvis jeg spiller dette, hva hvis jeg spiller det, hvordan vil motstanderen svare, og så videre? En klubbspiller ser tre eller fire trekk fremover. En sterk spiller ser ti eller flere.
I arbeid med språkmodeller har denne mekanismen en direkte ekvivalent. I stedet for å sende ett enkelt prompt og håpe på det beste, planlegger hele sekvensen av interaksjoner på forhånd. De vet at i steg én må modellen plasseres i kontekst, i steg to må komponentene av problemet skilles ut, i steg tre må hver analyseres individuelt, og først i steg fire skal en syntese etterspørres.
Denne teknikken — kjent som kjede-tenkning eller prompt-kjede — er i praksis den samme kognitive prosessen som sekvensiell planlegging i sjakk. En sjakkspiller lærer det gjennom tusenvis av partier. Å overføre denne mentale vanen til arbeid med AI er ikke en metafor — det er en overføring av en ekte kompetanse.
Mønster gjenkjenning og hva som ligger under overflaten
Forskning av Herbert Simon og William Chase på 1970-tallet viste noe som revolusjonerte forståelsen av ekspertise: sjakkmestere er ikke bedre fordi de kalkulerer raskere. De er bedre fordi de ser en stilling som en samling av meningsfulle mønstre, ikke som et sett med 32 brikker på 64 felter. Chunking — å gruppere informasjon i meningsfulle enheter — gjør at de kan behandle komplekse stillinger mange ganger raskere enn amatører.
I prompt engineering har mønstre tilsvarende betydning. En effektiv spesialist gjenkjenner:
- hvilke promptstrukturer gir forutsigbare resultater for spesifikke oppgaver,
- når modellen sannsynligvis vil vike i feil retning og hvorfor,
- hvilke utdataformater er mer pålitelige i gitte kontekster,
- hvilke ord og konstruksjoner aktiverer ulike registre av modellens kunnskap.
Den kunnskapen kommer ikke fra dokumentasjon — den kommer fra dusinvis av timer med eksperimentering og analyse av resultater. En sjakkspiller tilegner seg kunnskap på nøyaktig samme måte: ikke fra en lærebok, men fra stillinger, partier og feil. Den samme tilnærmingen overføres til arbeid med AI nesten uten modifikasjon.
Post-Game-analyse som en modell for iterativ forbedring
Sjakkultur er en kultur av rask analyse av egne feil. Etter hvert parti — vunnet eller tapt — går spillerne tilbake til stillingen, ser etter øyeblikket der det gikk galt, og tester alternativer. Etterspill er ikke valgfritt; det er plikten til alle som ønsker å forbedre seg.
I arbeid med språkmodeller gir akkurat samme arbeidsmåte de samme resultatene. Å registrere prompt-historikk, kategorisere feilaktige modellresponser, teste korrigeringer og måle deres påvirkning — dette er prompt engineering på et profesjonelt nivå. Og det er nettopp det en sjakkspiller gjør etter hvert parti, bare i en annen domene.
Viktigst av alt, en sjakkspiller blir ikke frustrert over en feil. De er interessert inne i det. Den innstillingen — der feil er en kilde til data i stedet for en grunn til å gi opp — er en av de vanskeligste holdningene å utvikle i AI-arbeid.
Hvordan en sjakkspiller løser en kompleks AI-oppgave — steg for steg
For å gå utover teori, er det verdt å se hvordan disse kompetansene ser ut i praksis. Ta følgende oppgave: «Forbered en risikovurdering for et digitalt transformasjonsprosjekt i et finanssektor-selskap.»
Trinn 1: Åpning — Integrere modellen i en rolle
I stedet for å kaste oppgaven direkte, begynner sjakkspilleren med en systemprompt: å tildele modellen rollen som en erfaren rådgiver, sette nivået av detaljer, definere målgruppen for dokumentet. Dette er det samme som å velge en sjakkåpning — en beslutning som bestemmer karakteren av alt arbeidet som følger.
Trinn 2: Utvikling — Bygge grunnlaget før konklusjoner
Før de vurderer risiko, ber sjakkspilleren modellen om å identifisere kategorier — de hopper ikke til konklusjoner uten først å bryte ned problemet. Akkurat som i sjakk: du utvikler brikkene dine før du angriper.
Trinn 3: Taktikk — Separat analyse av hvert element
Hver risikokategori får en separat, dedikert prompt. Å spre modellens oppmerksomhet over mange tråder samtidig reduserer kvaliteten på hver — akkurat som å spre et angrep over hele brettet i stedet for å konsentrere seg om én sektor.
Trinn 4: Koordinering — Integrering av resultatene
Først når de delvise analysene er samlet inn, gir sjakkspilleren modellen beskjed om å syntetisere — med en eksplisitt instruksjon angående format og prioritering. Det tilsvarer å koordinere brikker mot et felles mål i den siste fasen av en plan.
Trinn 5: Verifisering — Kontrollere kombinasjonen for svakheter
Til slutt, en prompt fra det motsatte perspektivet: «Vurder denne analysen kritisk ut fra en som ønsker å utfordre den.» En sjakkspiller sjekker alltid om kombinasjonen har en taktisk svakhet. Her gjør de akkurat det samme.
Resultatet av denne tilnærmingen er uforlignelig med en enkeltstående forespørsel — analysen er dypere, mer sammenhengende og mer robust mot innvendinger.
Decomponering av kompleksitet — fra helhet til deler og tilbake
I sjakk er det en grunnleggende forskjell mellom strategi og taktikk. Strategi er planen over mange trekk: svekke bonde strukturen, ta kontroll over åpen fil, bygge en posisjon for sluttspillet. Taktikk er den spesifikke sekvensen som utfører planen. En sterk spiller beveger seg flytende mellom disse to nivåene — vet hva de vil og vet hvordan de skal oppnå det steg for steg.
I prompt engineering er denne evnen like viktig. Strategi er å forstå det endelige målet — hva som skal skje med modellens output, hvem som skal lese den, hvilken beslutning den skal støtte. Taktikk er den konkrete utformingen av prompten: hvilken rolle som skal tildeles, hvordan problemet skal deles opp, hva som skal begrenses, hva som skal vektlegges. De fleste AI-brukere opererer utelukkende på det taktiske nivået — de skriver en instruksjon uten bredere kontekst. Sjakkspillere tenker instinktivt på begge nivåer samtidig.
Presisjon og økonomi — ingen trekk kan være bortkastet
I sjakk finnes det et prinsipp om økonomi: et godt trekk bør oppnå flere mål samtidig — angripe, forsvare, aktivere en brikke, forberede en plan. Et trekk som bare gjør én ting er generelt svakere enn et trekk som gjør tre ting samtidig.
I prompts produserer den samme logikken målbare resultater. Hver setning bør tilføre verdi: definere en rolle, spesifisere et format, inkludere et eksempel, pålegge en begrensning eller formulere et mål. En prompt som gjør dette kortfattet og flerfunksjonelt gir bedre resultater enn en omfattende instruksjon full av repetisjon og generaliseringer.
Sjakkspillere har en dypt forankret motvilje mot bortkastede trekk. De overfører dette naturlig til en motvilje mot bortkastede ord — og det er en fordel som er vanskelig å oppnå uten tusenvis av timer med øvelse.
Perspektivtanking — å forstå hvordan modellen “ser” en prompt
En av de viktigste teknikkene i sjakkutvikling er å spørre: «Hva ønsker motstanderen min?» Når en motstander gjør et trekk, spør en sterk spiller ikke bare hva som ble spilt, men hvorfor — hvilke planer det åpner, hvilken respons det forventer, hva det prøver å oppnå.
Ved arbeid med språkmodeller fører akkurat den samme tilnærmingen til det forskere kaller modellperspektiv — evnen til å tenke på hvordan systemet vil tolke en gitt prompt, hvilke assosiasjoner det vil aktivere, hvilke standardantakelser det vil gjøre. De beste spesialistene spør seg selv: «Hvis jeg var en modell trent på milliarder av internett-dokumenter, hvordan ville jeg forstå denne instruksjonen?» — og at kognitiv empati gjør dem i stand til å forhåndsforebygge misforståelser.
En sjakkspiller trener denne evnen i hver eneste kamp gjennom hele sjakklivet sitt.
Bridge og Go — relaterte ferdigheter, en annen dimensjon
Sjakk er et spill med perfekt informasjon. Bridge og go legger til ytterligere lag som har sine egne ekvivalenter i AI-arbeid.
A bridge-spiller opererer under betingelser med ufullstendig informasjon — de kjenner ikke motstandernes kort. De må utlede hender ut fra budgivning og spill, samtidig som de kommuniserer sine egne intensjoner gjennom det strengt begrensede språket av konvensjoner. Dette er en direkte analogi til å jobbe med en modell som et system hvis interne tilstander er utilgjengelige — man må utlede atferd fra observasjon av utdata og kommunisere intensjoner gjennom nøye utvalgte prompt-språk.
A go-spiller lærer noe mindre til stede i sjakk: å tenke på hele systemet over lokale kamper. Et lokalt tap kan være et bevisst valg til fordel for en global seier. I komplekse AI-systemer — pipelines, agenter, automatiserte arbeidsflyter — er dette systemiske perspektivet enormt verdifullt: optimalisering av én prompt kan forringe resultatene av en annen, og beslutninger om kontekst har ikke-lineære effekter på hele systemet.
Hvorfor programmerere ikke er nok
Intuisjon tilsier at de beste prompt-ingeniørene bør være programmerere. Øvelse snur denne intuisjonen regelmessig. Programmere har en tendens til å behandle språkmodeller som deterministiske systemer — de forventer at en presis instruksjon vil gi et presist resultat. Språkmodeller fungerer ikke slik. De er probabilistiske, kontekstuelle og følsomme for nyanser som ingen kompilator noensinne ville lagt merke til.
Dessuten trener ikke programmering fantasi eller konseptuell fleksibilitet — og det er nettopp disse egenskapene som skiller de beste prompt-ingeniørene ut. Sjakkspillere har brukt år på å jobbe med et system som har sin egen logikk, sine egne tendenser og uforutsigbare reaksjoner — og de lærer å jobbe med det produktivt i stedet for å prøve å kontrollere det. Det er en grunnleggende forskjell i tilnærming.
Sjakkferdigheter vs. AI-markedskrav
Kartlegging av sjakkkompetanser direkte mot det AI-jobbmarkedet leter etter:
- Beregning av variasjoner → utforming av flerstegs prompt-kjeder
- Mønster gjenkjenning → identifisering av optimale strukturer, forutsi modelladferd
- Etteranalyse → iterativ feilsøking og forbedring av prompts
- Tosjiktet tenkning (strategi / taktikk) → utforming av prompt-arkitektur for komplekse systemer
- Økonomi i trekk → presisjon og konsishet i instruksjoner
- Perspektivt tenkning → forutsi modellens tolkning, unngå feiltolkninger
- Kombinasjonsmessig fantasi → visualisere utdata før det genereres
- Metakognisjon → oppdage hallusinasjoner, kalibrere modellens tillit
- Toleranse for iterasjon og feil → smidige arbeidsflyter, rask prototyping
Ingen av disse kompetansene er isolert — sammen utgjør de en kognitiv profil som er akkurat det selskapene som bruker AI leter etter og ofte ikke finner, og over
En ny type verdi i arbeidsmarkedet
AI-jobbmarkedet søker noe det ennå ikke har lært å beskrive godt i stillingsannonser. Spørsmål om spesifikke verktøy og rammeverk gir sakte plass til spørsmål om hvordan en kandidat tenker — om de kan bryte ned et komplekst problem, om de jobber metodisk under press, om de er i stand til kritisk å evaluere resultater de selv har generert.
I dette paradigmet, En ELO-rating begynner å bli et mer pålitelig signal enn mange tekniske sertifiseringer. Ikke fordi sjakk ligner programmering. Men fordi en høy ELO er dokumentert bevis på dusinvis av kognitive kompetanser som ikke kan fakes eller erverves på noen uker.
Selskaper som innser dette først vil få tilgang til en gruppe ansatte med et svært sjeldent profil. Sjakkspillere, bridge- og go-spillere som forstår verdien av sine egne kompetanser i denne sammenhengen vil ligge flere steg foran markedet — før markedet i det hele tatt forstår hvem de leter etter.
Opprinnelig publisert på bizzit.pl · Forfatter: CM Sławomir Chojnacki, president i Bizzit S.A. · Gjenpublisert med tillatelse fra ChessboArt.
FAQ
Vil hver sjakkspiller bli en god prompt-ingeniør?
Ikke alle — men kompetansene som utvikles gjennom bevisst, regelmessig spilling skaper et veldig solid grunnlag. En sjakkspiller med en ELO-rating på 1600+ og motivasjon til å lære seg detaljene i språkmodeller har reelle, målbare fordeler over de fleste kandidater uten den bakgrunnen.
Er prompt-ingeniør en karriere med fremtid, eller en midlertidig trend?
Det spesifikke navnet på yrket vil utvikle seg etter hvert som modellene gjør det. Men det grunnleggende behovet for effektiv, gjennomtenkt kommunikasjon med AI-systemer — å utforme, teste og optimalisere instruksjoner — vil ikke forsvinne. Verktøyene vil endre seg; de kognitive kompetansene vil forbli.
Hvilke prompt-ingenieringsteknikker er nærmest sjakk-tenkning?
Fremfor alt: kjede-av-tanker prompting, tre-av-tanker, prompt-kjeding og few-shot learning. Alle krever sekvensiell planlegging og strukturelt tenkning — ferdigheter som sjakk trener direkte.
Er det verdt å liste sjakkferdigheter på CV-en når du søker AI-roller?
Ja — men med en forklaring. I stedet for å skrive «hobby: sjakk», er det verdt å skrive: «Aktiv sjakkspiller med ELO-rating [X]; utviklet evne til sekvensiell planlegging, mønstergjenkjenning og iterativ problemløsning i komplekse systemer.» Dette oversetter en hobby til kompetansespråket.
Sjakk som henger på veggen din
Hvis sjakkstrategi interesserer deg like mye som oss — utforsk våre vegghengte sjakksett, designet for spillere som tar spillet på alvor i alle aspekter.