আইবিএম শুধুমাত্র একটি “পারফেক্ট” প্রম্পটের চেয়ে চারটি বoring প্রম্পটের বেশি কার্যকরী হওয়ার কারণ দেখিয়েছে। কাজটি ছিল সহজ: অনুপস্থিত খাবারের আইটেমগুলিকে কুরিয়ার নোটের সাথে মেলানো, “মেহ”-এর মতো অর্থহীন কারণগুলি প্রত্যাখ্যান করা এবং একটি পরিষ্কার রিপোর্ট তৈরি করা। একটি বড় প্রম্পট প্রান্তিক কেসগুলিতে বারবার ব্যর্থ হচ্ছিল। এটি মডেলটি খুব ছোট হওয়ার কারণে নয়। এটি একইসাথে ডেটা বের করতে, মূল্যায়ন করতে, তুলনা করতে এবং লিখতে বলা হচ্ছিল। তাই IBM এটিকে 4টি ধাপে ভাগ করেছে: বের করা, যাচাইকরণ, তুলনা এবং জেনারেশন। একই মডেল। একই ডেটা। প্রতিটি ধাপের জন্য কম বুদ্ধিমত্তা। প্রতিটি ব্যর্থতা দৃশ্যমান এবং সংশোধনযোগ্য। এটিই বেশিরভাগ টিমগুলির agents-এর সম্পর্কে ভুলবোধ। সুবিধাটি 20টি AI-এর persona-কে একটি group chat-এর মধ্যে রাখা নয়। এটি একটি vague task-কে narrow, testable decisions-এ পরিণত করা। বড় মডেলগুলি demo-কে improve করে। Better workflows production-এ survive করে।