Dit is in wezen wat ik bedoel als ik zeg dat AI context nodig heeft. Dezelfde discipline die een rommelig probleem omzet in een duidelijke checklist, is wat iemand effectief maakt met AI, en het komt neer op specificiteit. Ik praat met teams die zweren dat ze het model "echt solide context" hebben gegeven, maar het leest als iemand die aanwijzingen geeft door te zeggen: "ga richting de bergen en sla linksaf wanneer het goed voelt." Dit is hoe dat er in de praktijk uitziet: "We zijn een kledingmerk, we hebben ongeveer 10 SKU's, herhaalaankopen zijn niet waar we ze willen hebben, wat moeten we doen?" Dat voelt specifiek aan totdat je het uit elkaar haalt. Wat voor soort kleding? Welke SKU's presteren ondermaats? Wat is het huidige herhalingspercentage? Wat heb je al geprobeerd? Wanneer je jezelf dwingt om die vragen te beantwoorden, kom je uit op: "We zijn een kledingmerk met 7 cijfers dat 7 SKU's aanbiedt in 2 pasvormcategorieën, allemaal gericht op korte mouwen en lange mouwen shirts. Ons herhalingsaankooppercentage ligt op 18%, waarbij het meeste daarvan afkomstig is van één productlijn (korte mouwen shirts), en onze best presterende e-mail van het afgelopen kwartaal genereerde X omzet van klanten die twee keer in 90 dagen hebben gekocht." Nu heeft de AI iets om mee te werken. En eerlijk gezegd, jij ook, want de tijd die je besteedt aan het uit elkaar halen onthult het antwoord voordat het model zelfs maar reageert.