Właściwie to mam na myśli, gdy mówię, że AI potrzebuje kontekstu. Ta sama dyscyplina, która przekształca chaotyczny problem w jasną listę kontrolną, sprawia, że ktoś jest skuteczny w pracy z AI, a to sprowadza się do szczegółowości. Rozmawiam z zespołami, które przysięgają, że dały modelowi „naprawdę solidny kontekst”, ale to brzmi jak ktoś, kto daje wskazówki, mówiąc „idź w kierunku gór i skręć w lewo, gdy poczujesz, że to odpowiednie”. Tak to wygląda w praktyce: „Jesteśmy marką odzieżową, mamy około 10 SKU, powtarzalne zakupy nie są na poziomie, którego chcemy, co powinniśmy zrobić?” To wydaje się konkretne, dopóki tego nie rozłożysz. Jakiego rodzaju odzież? Które SKU są słabo sprzedające się? Jaki jest obecny wskaźnik powtarzalności zakupów? Co już próbowaliście? Kiedy zmusisz się do odpowiedzi na te pytania, kończysz z: „Jesteśmy marką odzieżową o wartości 7 cyfr, prowadzącą 7 SKU w 2 kategoriach dopasowania, wszystkie skoncentrowane na koszulach z krótkim i długim rękawem. Nasz wskaźnik powtarzalnych zakupów wynosi 18%, z czego większość pochodzi z jednej linii produktów (koszule z krótkim rękawem), a nasz najlepiej sprzedający się e-mail w zeszłym kwartale przyniósł X przychodu od klientów, którzy kupili dwa razy w ciągu 90 dni.” Teraz AI ma coś, z czym może pracować. I szczerze mówiąc, ty też, ponieważ czas spędzony na rozkładaniu tego ujawnia odpowiedź, zanim model nawet odpowie.