C'est essentiellement ce que je veux dire quand je dis que l'IA a besoin de contexte. La même discipline qui transforme un problème désordonné en une liste de contrôle claire est ce qui rend quelqu'un efficace avec l'IA, et cela revient à la spécificité. Je parle à des équipes qui jurent qu'elles ont donné au modèle un "contexte vraiment solide", mais cela ressemble à quelqu'un qui donne des directions en disant "dirigez-vous vers les montagnes et tournez à gauche quand cela semble juste." Voici à quoi cela ressemble en pratique : "Nous sommes une marque de vêtements, nous avons environ 10 SKU, les achats répétés ne sont pas à la hauteur de nos attentes, que devrions-nous faire ?" Cela semble spécifique jusqu'à ce que vous le décomposiez. Quel type de vêtements ? Quels SKU sous-performent ? Quel est le taux de répétition actuel ? Qu'avez-vous déjà essayé ? Lorsque vous vous forcez à répondre à ces questions, vous finissez par : "Nous sommes une marque de vêtements à 7 chiffres avec 7 SKU répartis sur 2 catégories de taille, tous axés sur des chemises à manches courtes et à manches longues. Notre taux d'achat répété est de 18 %, la plupart provenant d'une ligne de produits (chemises à manches courtes), et notre meilleur e-mail du dernier trimestre a généré X revenus de clients qui ont acheté deux fois en 90 jours." Maintenant, l'IA a quelque chose avec quoi travailler. Et honnêtement, vous aussi, car le temps passé à décomposer cela révèle la réponse avant même que le modèle ne réponde.