Generating a good Arabic form with AI is harder than the English case. Models are better-trained in English, which means Arabic generation tends to translate English-first output rather than draft Arabic-first — and the difference shows in phrasing, option sets, and (crucially) consent-language that matches Arabic legal convention. This is a working library of prompts that produce clean Arabic-first forms, regardless of which LLM you use.
Why Arabic-first prompting matters
If you prompt “generate a customer-feedback form in Arabic,” most models draft the form in English internally and translate it out. The result reads as translated Arabic — correct grammar, off idiom. Arabic-first prompting — writing the instruction in Arabic — nudges the model to draft Arabic originally. The difference is measurable and obvious to native readers.
Five prompts, five categories
HR onboarding
“أنشئ نموذج إعداد موظّف جديد باللغة العربية، يشمل: المعلومات الشخصية (الاسم، الهوية، الجنسية، تاريخ الميلاد الهجري)، بيانات التواصل، المؤهّلات، الخبرات، الوثائق المطلوبة، والإقرار بسياسات الشركة. أضف موافقةً صريحة على معالجة البيانات بموجب نظام حماية البيانات الشخصية.”
English equivalent that also works: “Build a new-employee onboarding form in Arabic, covering personal info (name, ID, nationality, Hijri date of birth), contact details, qualifications, experience, required documents, and policy acknowledgement. Include an explicit PDPL consent field.”
Customer NPS
“أنشئ استبيان NPS قصير (٥ أسئلة فقط) باللغة العربية لعميل سعودي: السؤال الرئيسي ٠–١٠، سبب التقييم، ثلاثة جوانب للتقييم الإضافي (الجودة، السعر، الدعم)، وملاحظة مفتوحة. اجعل الأسلوب محايدًا غير متحيّز.”
Event RSVP
“نموذج تأكيد حضور فعالية باللغة العربية: الاسم، جهة العمل، تفضيل الوجبات (عادي/نباتي/حلال)، حضور الجلسات (اختيار متعدّد)، احتياجات إمكانية الوصول، وسؤال نعم/لا عن المشاركة في التصوير.”
Academic survey
“استبيان NCAAA لتجربة الطالب الجامعي باللغة العربية: رضا عن الجودة الأكاديمية (١–٥)، المرافق، الدعم الطلّابي، التغذية الراجعة من الأساتذة، الإرشاد الأكاديمي. أضف أسئلة مفتوحة اختيارية. اجعل كلّ الأسئلة الرقمية على مقياس ليكرت خماسي.”
Legal consent (standalone)
“أنشئ نموذج موافقة على معالجة البيانات باللغة العربية متوافقًا مع نظام PDPL السعودي، يوضّح: الغرض من المعالجة، فئات البيانات، جهات المعالجة الثانوية، مدّة الاحتفاظ، الحقوق (الوصول، التصحيح، الحذف، الاعتراض). اجعل الصياغة واضحة لغير المتخصّصين.”
The five common prompt failures
- English-first prompting. Always write the prompt itself in Arabic; the model mirrors your register.
- Missing context. “Build an HR form” is too loose. Name the country, the regulatory posture, the audience.
- No consent language. Every form touching personal data needs a consent field under PDPL. Name it explicitly in the prompt.
- Western defaults. Model defaults to Gregorian dates, USD currency, Western name conventions. Override each one explicitly.
- Not specifying question types. Ask for single-choice, multi- choice, rating, NPS, file upload by name — don’t leave it to the model.
What Sahl/form’s AI does on top
Our generator is tuned on these failure modes specifically. The same prompt run against Sahl/form AI versus ChatGPT-4o produces output with (a) bilingual labels by default, (b) PDPL-aware consent language, (c) Hijri-capable date fields, (d) proper validation rules, and (e) a theme draft that actually matches the form’s tone. You can import any of the prompts above directly.