حسابرس قابلیت اطمینان خروجی AI: هر گزارش تولیدشده توسط هوش مصنوعی را به یک پیش‌نویس راستی‌آزمایی‌شده تبدیل کنید
چرا این پرامپت اهمیت دارد
In a well-documented 2023 case, two New York lawyers were sanctioned after submitting a legal brief containing six fake case citations fabricated by ChatGPT — neither lawyer had checked the citations before filing. Fabricated AI statistics in a board memo, a client proposal, or a published article carry the same risk on a smaller scale: a wrong number gets repeated by others and traced back to its source, a misattributed quote can trigger a correction request or a direct complaint from the person quoted, and a confidently stated falsehood is more dangerous than an admitted uncertainty, precisely because nobody feels the need to double-check something that sounds sure of itself.
ما از آن برای چه استفاده می‌کنیم
A marketing manager used ChatGPT to draft a competitive analysis report due to the VP of Sales in 45 minutes. The report cites specific market share percentages, a quote from a named industry analyst, and three statistics about competitor pricing — none of which the manager has independently verified, and there's no time to research each one from scratch before the meeting.
پرامپت
Role: You are a rigorous fact-checking editor whose job is to catch errors before they reach a client, executive, or publication — not to praise or rewrite the work. Context: I generated the following content using AI: [PASTE AI-GENERATED CONTENT HERE]. This will be used for: [DESCRIBE THE STAKES, e.g. "a client-facing report", "an internal board memo", "a public blog post"]. I do not have time to manually verify every claim, so I need you to systematically flag what needs checking before I send this. Task: Go through the content section by section and produce a structured audit that: 1. Lists every specific factual claim (statistics, dates, names, quotes, citations, technical specs) as a separate item 2. For each claim, classify it as: VERIFIABLE (a specific source could confirm or deny this), UNVERIFIABLE AS STATED (too vague to check, e.g. "many experts agree"), or SUSPICIOUS (internally inconsistent, suspiciously precise, or matches a known pattern of AI-fabricated detail) 3. For any claim classified SUSPICIOUS, explain specifically why — e.g. "this statistic has no attributed source and doesn't match [known figure] from general knowledge", or "this quote is attributed to a real person but cannot be verified" 4. Flag any internal contradictions between different sections of the content 5. Note any claims stated with unwarranted confidence (absolute language like "always", "never", "proven" around claims that are actually contested or uncertain) Constraints: - Do not simply rewrite or improve the prose — your only job is verification triage - Do not assume a claim is true just because it sounds plausible or specific — AI-generated fabrications are often highly specific and plausible-sounding - If you genuinely cannot assess a claim without external lookup, say so explicitly rather than guessing - Prioritize the claims that would be most damaging if wrong, given what's at risk: [DESCRIBE WHAT'S AT RISK, e.g. "client trust", "legal exposure", "public credibility"] Output Format: ## Verification Priority List [Ranked list of the 3-5 claims most critical to verify before sending, with why] ## Full Claim Audit [Table: Claim | Classification | Notes] ## Internal Contradictions [List, or "None found"] ## Overconfident Language [List of phrases with suggested softer alternatives] ## Bottom Line [One paragraph: safe to send as-is, safe with minor edits, or needs a fact-check pass before it goes anywhere]
نتیجه
Verification Priority List
- 34% market share claim for Competitor X — This specific figure appears with no cited source and will likely be the first number the VP questions. If wrong, it undermines the entire report's credibility.
- Quote attributed to "Sarah Chen, Gartner analyst" — A named, verifiable person is quoted with a specific opinion. If this person didn't say this, or doesn't hold this role at Gartner, this is a serious misattribution risk.
- "Competitor pricing dropped 18% in Q3" — A precise, checkable pricing claim. Public pricing pages or press releases may confirm or refute this quickly.
Full Claim Audit
| Claim | Classification | Notes |
|---|---|---|
| "Competitor X holds 34% market share" | SUSPICIOUS | No source cited; figure is suspiciously precise for a private company with no public market-share disclosures. Cross-check against IDC or Gartner public reports before using. |
| Quote from "Sarah Chen, Gartner analyst" | SUSPICIOUS | Cannot confirm this person exists at Gartner or made this statement. Models frequently generate plausible-sounding attributed quotes that are fabricated. Verify via Gartner's published research or remove the attribution. |
| "Competitor pricing dropped 18% in Q3" | VERIFIABLE | Specific and checkable against the competitor's public pricing page or press releases. |
| "The market is rapidly consolidating" | UNVERIFIABLE AS STATED | Too vague to check as written; would need a specific timeframe and metric to become verifiable. |
| "Competitor Y has been the clear leader for years" | SUSPICIOUS (overconfident) | Absolute language for a market described elsewhere in the same report as "highly competitive" — internally inconsistent framing. |
Internal Contradictions
The report calls the market "highly competitive with no dominant player" in the intro paragraph, then later states Competitor Y has been "the clear leader for years." These two framings can't both be accurate — pick one and verify it before sending.
Overconfident Language
- "proven to be the top choice" → "reported by multiple sources to be a leading choice"
- "will definitely continue" → "is likely to continue, based on current trends"
Bottom Line
Not safe to send as-is. The market share figure and the Gartner analyst quote are both high-risk fabrication candidates that would be embarrassing if wrong in front of the VP of Sales — verify those two first, even if nothing else gets checked. The pricing claim is quick to confirm via public sources. Budget fifteen minutes for these three checks before sending.
بیشتر کسانی که از یک AI می‌خواهند «این را دوباره بررسی کند»، پاسخی دریافت می‌کنند که می‌گوید محتوا درست به نظر می‌رسد — زیرا یک درخواست کلی برای تأیید صحت، یک وظیفه واقعی نیست؛ بلکه درخواستی برای اطمینان‌بخشی است، و اطمینان‌بخشی دقیقاً چیزی است که یک مدل زبانی تمایل دارد ارائه دهد، هنگامی که دستورالعمل آن را مجبور به انجام کار دیگری نکند.
این Prompt آن درخواست مبهم را با یک روش حسابرسی واقعی جایگزین می‌کند: هر ادعای واقعی را بر اساس قابلیت تأیید دسته‌بندی کنید، به‌طور مشخص توضیح دهید که چرا موارد پرخطر، پرخطر هستند، و به جای دلداری کلی، با یک حکم قطعی پایان دهید.
چرا ادعاها را دسته‌بندی کنیم به جای اینکه فقط آن‌ها را «بررسی» کنیم
از مدل خواستن که «خطاها را بررسی کند» هیچ وظیفه مشخصی به آن نمی‌دهد — تنها می‌تواند متن را دوباره بخواند و یک برداشت مبهم گزارش دهد. اجبار به دسته‌بندی سه‌گانه (قابل تأیید، غیرقابل تأیید به همان شکل بیان‌شده، مشکوک) فرآیند تأیید را به یک وظیفه مرتب‌سازی مکانیکی تبدیل می‌کند که مدل می‌تواند ادعا به ادعا آن را انجام دهد، نه یک قضاوت باز که احتمالاً بدون دقت لازم تأیید خواهد شد. دسته SUSPICIOUS به‌طور خاص نوع شکستی را هدف می‌گیرد که بیشترین اهمیت را دارد: جزئیات ساخته‌شده توسط AI معمولاً بسیار مشخص و قانع‌کننده به نظر می‌رسند — یک تحلیلگر با نام مشخص، یک درصد دقیق، یک تاریخ معین — که دقیقاً همین آن‌ها را خطرناک می‌کند و دقیقاً همین چیزی است که یک بررسی مبهم «آیا این درست به نظر می‌رسد؟» از دست خواهد داد.
چرا راستی‌آزمایی متقاطع بین مدل‌ها در اینجا بیش از جاهای دیگر اهمیت دارد
مدلی که از آن خواسته می‌شود خروجی خود یا خروجی مدلی با داده‌های آموزشی و گرایش‌های مشابه را حسابرسی کند، کمتر احتمال دارد جعلی را که با الگوهای پیش‌فرض آن در ارائه جزئیات با اطمینان مطابقت دارد، علامت‌گذاری کند. اجرای حسابرسی با یک مدل متفاوت — ترجیحاً از یک آزمایشگاه متفاوت — به این معنی است که حسابرس نقاط کور یکسانی با تولیدکننده ندارد. این بزرگ‌ترین تغییر با بیشترین اثرگذاری است: این Prompt با هر مدلی کار می‌کند، اما در میان مدل‌های مختلف بهتر از یک مدل واحد عمل می‌کند.
مهم‌ترین محدودیت: ممنوعیت بازنویسی
دستورالعمل به‌صراحت مدل را از بهبود نثر منع می‌کند. بدون این محدودیت، مدل‌ها به قوی‌ترین غریزه خود بازمی‌گردند — بهتر کردن متن — که به جای یک گزارش ریسک، یک پیش‌نویس صیقلی تولید می‌کند و سیگنال راستی‌آزمایی مورد نیاز شما را زیر تغییرات سبکی که درخواست نداده‌اید پنهان می‌سازد. جدا کردن «آیا این درست است» از «آیا این خوب نوشته شده است» حسابرسی را بر همان یک وظیفه‌ای که برای انجام آن طراحی شده متمرکز نگه می‌دارد.
تطبیق با نیازهای مختلف
فیلد «میزان ریسک» در بخش Context کار واقعی انجام می‌دهد: نام بردن از آنچه واقعاً در خطر است — اعتماد مشتری، مواجهه حقوقی، یک تصمیم هیئت مدیره — به مدل می‌گوید چگونه فهرست اولویت‌بندی تأیید خود را ترتیب دهد، زیرا یک آمار اشتباه در یک سند طوفان فکری داخلی بسیار کمتر از همان خطا در یک اطلاعیه مطبوعاتی عمومی اهمیت دارد. آن را به‌طور مشخص پر کنید، نه به‌صورت کلی — هرچه میزان ریسک روشن‌تر باشد، اولویت‌بندی نیز دقیق‌تر خواهد بود.