काम, घर आणि अभ्यासासाठी सर्वोत्तम ChatGPT प्रॉम्प्ट्स 2026

ChatGPT ला केवळ एक सर्च इंजिन समजण्याचा काळ आता संपला आहे. जे युजर्स अजूनही बॉक्समध्ये साधे प्रश्न टाईप करतात, त्यांना अनेकदा सामान्य किंवा चुकीची उत्तरे मिळून निराशाच पदरी पडते. या टूलची खरी ताकद त्याच्या जटिल तार्किक रचनेचे पालन करण्याच्या आणि एखाद्या जादूच्या ओरेकलपेक्षा ‘स्पेशलाइज्ड कोलॅबोरेटर’ म्हणून काम करण्याच्या क्षमतेत आहे. यशाची गुरुकिल्ली म्हणजे अस्पष्ट विनंत्या सोडून अशा स्ट्रक्चर्ड सिस्टम्सकडे वळणे, ज्या मशीनने नेमके कसे विचार करावे हे ठरवतात. हा बदल म्हणजे केवळ प्रेरणेकडून उपयुक्ततेकडे (utility) जाणे, जिथे प्रॉम्प्टमधील प्रत्येक शब्द एका विशिष्ट तांत्रिक उद्देशासाठी वापरला जातो. तुमचे ध्येय असे आउटपुट तयार करणे आहे जे तुमच्या कामाच्या किंवा अभ्यासाच्या रूटीनमध्ये सहज बसू शकेल आणि ज्यासाठी वारंवार मॅन्युअल दुरुस्त्या करण्याची गरज पडणार नाही.

आधुनिक प्रॉम्प्टिंगची यंत्रणा

प्रभावी प्रॉम्प्टिंग तीन स्तंभांवर अवलंबून असते: संदर्भ (context), व्यक्तिमत्व (persona) आणि मर्यादा (constraints). संदर्भ मॉडेलला परिस्थिती समजून घेण्यासाठी आवश्यक माहिती पुरवतो. व्यक्तिमत्व मॉडेलला कोणता टोन आणि तज्ज्ञता पातळी वापरायची हे सांगते. मर्यादा हा सर्वात महत्त्वाचा भाग आहे कारण त्या AI ने काय करू नये, हे ठरवतात. बहुतेक नवशिक्या इथेच चुकतात कारण ते मर्यादा स्पष्ट करत नाहीत. यामुळे मॉडेल त्याच्या सर्वात नम्र आणि शब्दबंबाळ आवृत्तीवर परत जाते, ज्यामध्ये अनेकदा अनावश्यक मजकूर असतो जो प्रोफेशनल युजर्स टाळू इच्छितात. मॉडेलने काही विशिष्ट शब्द टाळावेत किंवा शब्दांची मर्यादा पाळावी, असे सांगून तुम्ही इंजिनला सामाजिक शिष्टाचारांऐवजी प्रत्यक्ष मजकुरावर आपली प्रक्रिया शक्ती वापरण्यास भाग पाडता.

OpenAI ने अलीकडेच त्यांच्या मॉडेल्सना साध्या पॅटर्न मॅचिंगपेक्षा ‘रिझनिंग’ला (reasoning) प्राधान्य देण्यासाठी अपडेट केले आहे. o1 सिरीजची ओळख आणि GPT-4o चा वेग याचा अर्थ असा की, आता मॉडेल संभाषणाचा धागा न गमावता खूप मोठ्या सूचना हाताळू शकते. या बदलामुळे, तुम्ही आता संपूर्ण डॉक्युमेंट्स संदर्भासाठी देऊ शकता आणि अत्यंत विशिष्ट बदलांची मागणी करू शकता. उदाहरणार्थ, सारांश मागण्याऐवजी, तुम्ही मॉडेलला प्रत्येक ‘ॲक्शन आयटम’ शोधून तो डिपार्टमेंटनुसार टेबल फॉरमॅटमध्ये सॉर्ट करायला सांगू शकता. हे वाचण्याचा केवळ वेगवान मार्ग नाही, तर माहितीवर प्रक्रिया करण्याच्या पद्धतीत झालेला हा एक मूलभूत बदल आहे. मॉडेल आता फक्त पुढचा शब्द प्रेडिक्ट करत नाही, तर ते तुमच्या विशिष्ट लॉजिकनुसार डेटा आयोजित करत आहे. या तांत्रिक बदलांबद्दल अधिक सविस्तर सल्ला तुम्ही आमच्या ताज्या AI युटिलिटी गाइड्स मध्ये वाचू शकता, जे विविध कामांमध्ये मॉडेलची कामगिरी कशी सुधारते हे स्पष्ट करतात.

एका महत्त्वाच्या गोष्टीकडे लोक दुर्लक्ष करतात, ती म्हणजे मॉडेलची स्वतःच्या कामावर टीका करण्याची क्षमता. मोठ्या कामांसाठी एकच प्रॉम्प्ट सहसा पुरेसा नसतो. सर्वोत्तम निकाल तेव्हा मिळतात जेव्हा तुम्ही ‘मल्टी-स्टेप’ प्रक्रिया वापरता, जिथे पहिल्या प्रॉम्प्टमध्ये ड्राफ्ट तयार होतो आणि दुसऱ्या प्रॉम्प्टमध्ये तुम्ही मॉडेलला त्या ड्राफ्टमधील त्रुटी शोधायला सांगता. हा ‘इटरेटिव्ह’ दृष्टिकोन एखाद्या मानवी संपादकासारखा काम करतो. AI ला स्वतःचा सर्वात मोठा टीकाकार बनण्यास सांगून, तुम्ही मॉडेलच्या अति-सहमती दर्शवण्याच्या प्रवृत्तीला बायपास करता. ही पद्धत हे सुनिश्चित करते की अंतिम आउटपुट पहिल्या प्रयत्नापेक्षा कितीतरी अधिक मजबूत आणि अचूक असेल.

डिफॉल्ट टूल का जिंकते?

ChatGPT मार्केटमध्ये आघाडीवर आहे, याचे कारण केवळ त्याचे लॉजिक नाही, तर त्याचे ‘डिस्ट्रिब्युशन ॲडव्हांटेज’ आहे. हे लोक आधीच वापरत असलेल्या टूल्समध्ये इंटिग्रेटेड आहे. मोबाईल ॲप असो किंवा डेस्कटॉप इंटिग्रेशन, इतर कोणत्याही स्पर्धकापेक्षा यात प्रवेश करणे सोपे आहे. ही ओळख एक ‘फीडबॅक लूप’ तयार करते. जसजसे जास्त लोक याचा दैनंदिन कामात वापर करतात, तसतसा डेव्हलपर्सना लोकांना नेमके काय हवे आहे, याचा चांगला डेटा मिळतो. यामुळेच ‘कस्टम GPTs’ आणि ‘मेमरी’ स्टोअर करण्याची क्षमता विकसित झाली आहे. या फीचर्समुळे तुम्ही जितका जास्त वापर कराल, तितके हे टूल तुमच्या गरजांनुसार अधिक स्मार्ट होत जाते. जरी काही स्पर्धक कोडिंग किंवा क्रिएटिव्ह रायटिंगमध्ये थोडे चांगले परफॉर्मन्स देत असले, तरी OpenAI इकोसिस्टमची सोय बहुतांश युजर्ससाठी त्याला टॉपवर ठेवते.

या सुलभतेचा जागतिक प्रभाव खूप मोठा आहे. ज्या प्रदेशांत उच्च-स्तरीय स्पेशलाइज्ड कन्सल्टिंग महाग आहे किंवा उपलब्ध नाही, तिथे ChatGPT एका पुलाचे काम करते. हे कायदा, औषध आणि व्यवसायामध्ये तज्ज्ञतेचा एक आधारभूत स्तर प्रदान करते, जो पूर्वी मोठ्या फीमुळे मर्यादित होता. माहितीचे हे लोकशाहीकरण म्हणजे तज्ज्ञांना बदलणे नसून प्रत्येकाला एक सुरुवात करून देणे आहे. विकसनशील अर्थव्यवस्थेतील एक छोटा व्यावसायिक आता न्यूयॉर्कमधील फर्मप्रमाणेच प्रगत मार्केटिंग लॉजिक वापरू शकतो. हे तंत्रज्ञान इतर फार कमी तंत्रज्ञानांनी साध्य केले आहे. यामुळे जागतिक श्रमाचे मूल्य कसे मोजले जाते, यात बदल झाला आहे कारण आता लक्ष ‘कोणाकडे माहिती आहे’ यापेक्षा ‘ती कशी वापरायची हे कोणाला माहित आहे’ यावर केंद्रित झाले आहे.

मात्र, या जागतिक पोहोचसोबतच ‘कल्चरल होमोजेनायझेशन’चा धोकाही आहे. मॉडेल्स प्रामुख्याने पाश्चात्य डेटावर ट्रेन केलेले असल्याने, ते अनेकदा तीच मूल्ये आणि भाषिक पॅटर्न दर्शवतात. जगाच्या वेगवेगळ्या भागातील युजर्सनी हे लक्षात घेतले पाहिजे की, आउटपुट त्यांच्या विशिष्ट संस्कृतीशी सुसंगत असावे यासाठी प्रॉम्प्टमध्ये स्थानिक संदर्भ देणे आवश्यक आहे. म्हणूनच प्रॉम्प्टपेक्षा त्यामागचे लॉजिक अधिक महत्त्वाचे आहे. जर तुम्हाला विनंती कशी मांडायची हे समजले, तर तुम्ही हे टूल कोणत्याही सांस्कृतिक किंवा व्यावसायिक वातावरणात जुळवून घेऊ शकता. डिस्ट्रिब्युशन ॲडव्हांटेजचा फायदा तेव्हाच होतो जेव्हा युजर्सना मशीनला त्याच्या डीफॉल्ट बायसपासून दूर कसे ठेवायचे हे माहित असते.

दैनंदिन वापरासाठी व्यावहारिक सिस्टम्स

ChatGPT ला काम, घर आणि अभ्यासासाठी उपयुक्त बनवण्यासाठी तुम्हाला पॅटर्नची एक लायब्ररी हवी. कामासाठी, सर्वात प्रभावी पॅटर्न म्हणजे ‘रोल-प्ले’ आणि ‘टास्क’ फ्रेमवर्क. ‘एक ईमेल लिहा’ असे म्हणण्याऐवजी, तुम्ही असे म्हणा: ‘तुम्ही एक सीनियर प्रोजेक्ट मॅनेजर आहात, जो उशिरामुळे त्रस्त असलेल्या क्लायंटला ईमेल लिहित आहे. शांत आणि प्रोफेशनल टोन वापरा. पहिल्या वाक्यात उशिरा झाल्याबद्दल कबुली द्या. दुसऱ्या वाक्यात नवीन टाइमलाइन द्या. शेवटी एक विशिष्ट ‘कॉल टू ॲक्शन’ द्या.’ तपशीलाची ही पातळी AI साठी अंदाज लावण्याचे काम कमी करते. यामुळे आउटपुट किमान संपादनासह वापरण्यासाठी तयार असते. बहुतेक लोक AI ची विचार वाचण्याची क्षमता जास्त समजतात आणि स्पष्ट सूचनांच्या ताकदीला कमी लेखतात.

घरगुती सेटिंगमध्ये, जटिल नियोजनासाठी हे टूल उत्तम काम करते. ‘डे इन द लाईफ’ परिस्थितीचा विचार करा, जिथे पालकांना तीन वेगवेगळ्या आहाराच्या निर्बंधांसह कुटुंबासाठी आठवड्याचे जेवण प्लॅन करायचे आहे. एक नवशिका कदाचित किराणा मालाची यादी मागेल. एक प्रो युजर निर्बंधांची यादी, एकूण बजेट आणि पॅन्ट्रीमध्ये आधीच काय उपलब्ध आहे, याची माहिती देईल. त्यानंतर AI एक मील प्लॅन, वर्गीकृत शॉपिंग लिस्ट आणि स्वयंपाकाचे वेळापत्रक तयार करते जे अन्नाची नासाडी कमी करते. हे AI ला ‘लॉजिस्टिक्स कोऑर्डिनेटर’ बनवते. पालकांचा मानसिक श्रमाचा वेळ वाचतो कारण मशीन कामाची जटिलता हाताळते. याचे मूल्य रेसिपीमध्ये नसून डेटाच्या नियोजनात आहे.

विद्यार्थ्यांसाठी, सर्वोत्तम दृष्टिकोन म्हणजे ‘सॉक्रेटीक ट्यूटर’ पॅटर्न. गणिताच्या समस्येचे उत्तर मागण्याऐवजी, विद्यार्थी AI ला त्यांना टप्प्याटप्प्याने मार्गदर्शन करायला सांगू शकतात. AI ला सांगा: ‘मी कॅल्क्युलसचा अभ्यास करत आहे. मला थेट उत्तर देऊ नका. मला ही समस्या सोडवण्यासाठी प्रश्न विचारा. जर मी चूक केली, तर मी चुकलेली संकल्पना समजावून सांगा.’ हे टूलला फसवणुकीच्या साधनाकडून एका शक्तिशाली शैक्षणिक सहाय्यकात रूपांतरित करते. हे विद्यार्थ्याला विषयाशी जोडले जाण्यास भाग पाडते. इथे लॉजिक हे आहे की AI चा वापर ‘वन-ऑन-वन’ ट्युटरिंग सत्राचे सिम्युलेशन करण्यासाठी करायचा, जे शिकण्याचे सर्वात प्रभावी मार्ग आहे. या पॅटर्नची मर्यादा अशी आहे की AI अजूनही गणना करताना चुका करू शकते, त्यामुळे विद्यार्थ्याने अंतिम निकाल पाठ्यपुस्तक किंवा कॅल्क्युलेटरसह तपासणे आवश्यक आहे.

मॉडेल्स ज्या प्रकारे ‘लॉन्ग-फॉर्म रिझनिंग’ हाताळतात, त्यातील अलीकडील बदलांमुळे हे जटिल सिनेरिओ अधिक विश्वासार्ह झाले आहेत. पूर्वी, मॉडेल मील प्लॅनच्या अर्ध्या वाटेतच आहाराचे निर्बंध विसरू शकत होते. आता, ‘कॉन्टेक्स्ट विंडो’ इतकी मोठी आहे की ती सर्व मर्यादा एकाच वेळी लक्षात ठेवू शकते. ही विश्वासार्हता टूलला खेळण्यापासून युटिलिटीमध्ये रूपांतरित करते. आता हे केवळ संगणक तुमच्याशी बोलतोय या नवल करण्यापुरते मर्यादित राहिलेले नाही. हे अशा कामाबद्दल आहे जे पूर्ण करण्यासाठी मानवाला बराच वेळ आणि श्रम लागले असते. प्रॉम्प्टला कोडचा एक तुकडा मानणे हीच यशाची गुरुकिल्ली आहे.

ऑटोमेशनची छुपी किंमत

जसजसे आपण या सिस्टम्सवर अवलंबून राहतो, तसतसे आपल्याला कठीण प्रश्न विचारणे आवश्यक आहे. जेव्हा आपण आपले लॉजिक मशीनकडे सोपवतो, तेव्हा आपल्या स्वतःच्या गंभीर विचार करण्याच्या क्षमतेचे काय होते? आपण स्वतःच्या कल्पनांचे निर्माते होण्याऐवजी AI मजकुराचे संपादक बनण्याचा धोका आहे. यामुळे आपण सर्वजण एकाच प्रकारचे ऑप्टिमाइझ केलेले प्रॉम्प्ट वापरू लागलो, तर मूळ विचारांमध्ये घट होऊ शकते. शिवाय, गोपनीयतेचे (privacy) परिणामही गंभीर आहेत. तुम्ही क्लाउड-आधारित मॉडेलमध्ये टाकलेला प्रत्येक प्रॉम्प्ट भविष्यातील आवृत्त्यांच्या ट्रेनिंग डेटासाठी योगदान देतो. कंपन्या चांगल्या गोपनीयतेसह एंटरप्राइझ टियर्स ऑफर करत असल्या तरी, सामान्य युजर अनेकदा सोयीसाठी आपला डेटा विकत असतो. आपल्या व्यावसायिक आव्हानांची आणि वैयक्तिक योजनांची नोंद एका कंपनीकडे असणे आपल्याला मान्य आहे का?

पर्यावरणीय खर्च हा दुसरा घटक आहे ज्यावर युजर इंटरफेसमध्ये क्वचितच चर्चा केली जाते. प्रत्येक जटिल प्रॉम्प्टसाठी डेटा सेंटर्स थंड करण्यासाठी मोठ्या प्रमाणात पाणी आणि प्रक्रियेसाठी वीज लागते. वैयक्तिक खर्च कमी असला तरी, लाखो युजर्सनी ‘मल्टी-स्टेप रिझनिंग’ टास्क चालवल्यास त्याचा एकत्रित परिणाम प्रचंड असतो. आपल्याला अचूकतेच्या समस्येचाही विचार करावा लागेल. सर्वोत्तम मॉडेल्स अजूनही चुकीची माहिती देऊ शकतात (hallucinate). जर आपण कठोर पडताळणी प्रक्रियेविना अभ्यासासाठी किंवा कामासाठी हे प्रॉम्प्ट वापरले, तर आपण चुकीची माहिती पसरवण्याचा धोका पत्करतो. मशीन हे ‘प्रोबॅबिलिटी इंजिन’ आहे, ‘ट्रुथ इंजिन’ नाही. ते सर्वात संभाव्य पुढचा शब्द तयार करण्यासाठी डिझाइन केलेले आहे, जो नेहमीच सर्वात अचूक नसतो. आउटपुट परिपूर्ण दिसत असले तरीही आपण साशंकता बाळगली पाहिजे.

शेवटी, ‘डिजिटल डिव्हाइड’चा मुद्दा आहे. जसजसे सर्वोत्तम मॉडेल्स महागड्या पेवॉलच्या मागे जातील, तसतसे जे लोक सर्वोत्तम AI परवडणारे आहेत आणि जे नाहीत, त्यांच्यातील दरी वाढत जाईल. यामुळे विषमतेचे एक नवीन स्वरूप निर्माण होऊ शकते जिथे उत्पादकता तुमच्या सबस्क्रिप्शनच्या गुणवत्तेशी जोडलेली असेल. आपल्याला हे सुनिश्चित करणे आवश्यक आहे की या तंत्रज्ञानाचे फायदे सर्वांना समान रीतीने मिळतील. प्रॉम्प्टचे लॉजिक मोफत असू शकते, पण ते चालवण्यासाठी लागणारी ‘कंप्युट’ शक्ती मोफत नाही. आपण असे जग निर्माण करू नये जिथे फक्त श्रीमंतांनाच काम करण्याचे आणि शिकण्याचे सर्वात कार्यक्षम मार्ग उपलब्ध असतील. या टूल्सवर अवलंबून राहणे आपल्या स्वतःच्या बौद्धिक स्वातंत्र्याच्या किंवा सामाजिक समानतेच्या किमतीवर नसावे.

GPT इंजिनच्या पडद्यामागे

पॉवर युजर्ससाठी, खरा ताबा स्टँडर्ड चॅट इंटरफेसच्या बाहेर असतो. API वापरून तुम्ही ‘टेंपरेचर’ आणि ‘top_p’ सारखे पॅरामीटर्स ॲडजस्ट करू शकता, जे आउटपुटची यादृच्छिकता (randomness) नियंत्रित करतात. टेंपरेचर 0 केल्यास मॉडेल अत्यंत ‘डिटरमिनिस्टिक’ बनते, जे कोडिंग किंवा डेटा एक्सट्रॅक्शनसाठी उत्तम आहे. उच्च टेंपरेचर अधिक सर्जनशील आणि वैविध्यपूर्ण प्रतिसादांसाठी परवानगी देते. तुम्हाला ‘टोकन लिमिट्स’ देखील व्यवस्थापित कराव्या लागतात. प्रत्येक शब्द आणि स्पेसची टोकन्समध्ये किंमत असते. जर तुमचा प्रॉम्प्ट खूप लांब असेल, तर मॉडेल संभाषणाची सुरुवात कापून टाकेल. अर्थ न गमावता तुमच्या सूचना कशा कॉम्प्रेस करायच्या हे समजून घेणे, ऑटोमेटेड वर्कफ्लो तयार करणाऱ्या प्रत्येकासाठी एक महत्त्वाचे कौशल्य आहे. इथूनच प्रॉम्प्टिंगचा ‘गीक’ विभाग सुरू होतो.

वर्कफ्लो इंटिग्रेशन हे पॉवर युजर्ससाठी पुढचे पाऊल आहे. कॉपी-पेस्ट करण्याऐवजी, तुम्ही Zapier किंवा Make सारखी टूल्स वापरून ChatGPT ला तुमच्या ईमेल, कॅलेंडर आणि टास्क मॅनेजरशी जोडू शकता. हे ‘ऑटोनॉमस एजंट्स’ तयार करण्यास अनुमती देते जे तुमचा इनबॉक्स सॉर्ट करू शकतात किंवा तुमच्या मागील शैलीवर आधारित ड्राफ्ट तयार करू शकतात. तथापि, यासाठी ‘सिस्टम इन्स्ट्रक्शन्स’ची सखोल समज आवश्यक आहे. या त्या लपलेल्या सूचना आहेत ज्या AI ला सर्व संवादांमध्ये कसे वागायचे हे सांगतात. जर तुमची सिस्टम इन्स्ट्रक्शन खराब लिहिलेली असेल, तर प्रत्येक त्यानंतरचा प्रॉम्प्ट खराब होईल. या प्रॉम्प्ट्सचे स्थानिक स्टोरेज आणि संवेदनशील डेटासाठी Ollama सारख्या स्थानिक मॉडेल्सचा वापर केल्यास गोपनीयतेचे धोके कमी होण्यास मदत होऊ शकते. यामुळे डेटा क्लाउडवर न पाठवता तुम्ही तुमच्या स्वतःच्या हार्डवेअरवर मॉडेल चालवू शकता.

सध्याच्या API च्या मर्यादा प्रामुख्याने ‘रेट लिमिट्स’ आणि ‘लेटन्सी’शी संबंधित आहेत. o1 सारखी उच्च रिझनिंग मॉडेल्स प्रक्रिया करण्यासाठी जास्त वेळ घेतात कारण ते उत्तर देण्यापूर्वी टप्प्याटप्प्याने विचार करत असतात. यामुळे ते चॅटबॉट्ससारख्या रिअल-टाइम ॲप्लिकेशन्ससाठी कमी योग्य ठरतात, परंतु सखोल विश्लेषणासाठी ते परिपूर्ण आहेत. डेव्हलपर्सनी या उच्च-स्तरीय मॉडेल्सच्या खर्चाचा आणि GPT-4o mini सारख्या लहान मॉडेल्सच्या वेगाचा समतोल राखला पाहिजे. अनेकदा, सुरुवातीच्या सॉर्टिंगसाठी लहान मॉडेल आणि अंतिम सिंथेसिससाठी मोठे मॉडेल वापरणे ही सर्वोत्तम रणनीती आहे. जसा इकोसिस्टम परिपक्व होईल, तसे आपल्याला अशी अधिक टूल्स दिसतील जी हे लॉजिक आपोआप हाताळतील, पण सध्या तरी हे पॉवर युजरचे क्षेत्र आहे.

लीडरचे सातत्य

ChatGPT मार्केटमध्ये प्रबळ शक्ती म्हणून कायम आहे कारण ते यशस्वीरित्या एका नाविन्यपूर्ण गोष्टीकडून आवश्यक टूलमध्ये रूपांतरित झाले आहे. त्याची ताकद त्याच्या वापरण्यास सुलभतेमध्ये, त्याच्या विशाल डिस्ट्रिब्युशन नेटवर्कमध्ये आणि जटिल, मल्टी-स्टेप लॉजिक हाताळण्याच्या क्षमतेमध्ये आहे. जरी त्यात अचूकता आणि गोपनीयतेच्या बाबतीत कमतरता असली, तरी त्या अनेकदा त्याच्या उत्पादकतेच्या फायद्यांमुळे झाकल्या जातात. यशाची गुरुकिल्ली म्हणजे परिपूर्ण प्रॉम्प्ट शोधणे थांबवणे आणि परिपूर्ण सिस्टम तयार करणे सुरू करणे. संदर्भ आणि मर्यादांचे लॉजिक समजून घेऊन, तुम्ही कोणत्याही परिस्थितीत हे टूल तुमच्यासाठी काम करायला लावू शकता. काम आणि अभ्यासाचे भविष्य AI टाळण्याबद्दल नसून, त्याला अचूकतेने आणि साशंकतेने कसे निर्देशित करायचे, हे शिकण्याबद्दल आहे.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.