Tämä on käytännössä se, mitä tarkoitan, kun sanon, että tekoäly tarvitsee kontekstia. Sama kurinalaisuus, joka muuttaa sotkuisen ongelman selkeäksi tarkistuslistaksi, tekee ihmisestä tehokkaan tekoälyn kanssa, ja se tiivistyy tarkkuuteen. Puhun tiimien kanssa, jotka vannovat antaneensa mallille "todella hyvän kontekstin", mutta se kuulostaa siltä kuin joku antaisi ohjeita sanomalla "suuntaa vuorille ja käänny vasemmalle, kun se tuntuu oikealta." Tältä se käytännössä näyttää: "Olemme vaatemerkki, meillä on noin 10 SKU:ta, toistuvat ostot eivät ole siellä, mitä meidän pitäisi tehdä?" Se tuntuu erityiseltä, kunnes sen puret. Millaisia vaatteita? Mitkä SKU:t suoriutuvat heikommin? Mikä on nykyinen toistoprosentti? Mitä olet jo kokeillut? Kun pakotat itsesi vastaamaan näihin kysymyksiin, päädyt seuraavaan: "Olemme seitsemän numeron vaatebrändi, jolla on 7 SKU:ta kahdessa sovituskategoriassa, kaikki keskittyen lyhythihaisiin ja pitkähihaisiin paitoihin. Uusintaostoprosenttimme on 18 %, josta suurin osa tulee yhdestä tuotesarjasta (lyhythihaiset paidat), ja viime neljänneksen parhaiten toimiva sähköpostimme keräsi X liikevaihtoa asiakkailta, jotka ostivat kahdesti 90 päivän aikana." Nyt tekoälyllä on jotain, mihin käyttäytyä. Ja rehellisesti sanottuna, sinäkin tiedät, koska sen purkamiseen käytetty aika paljastaa vastauksen jo ennen kuin malli edes vastaa.