To je v podstatě to, co myslím, když říkám, že AI potřebuje kontext. Stejná disciplína, která promění chaotický problém v jasný kontrolní seznam, je to, co dělá někoho efektivním s AI, a vše se shrnuje na konkrétnost. Mluvím s týmy, které přísahají, že modelu dali "opravdu solidní kontext", ale působí to, jako by někdo dával pokyny slovy "jdi směrem k horám a odboč doleva, když to bude správné." Takto to vypadá v praxi: "Jsme značka oblečení, máme asi 10 SKU, opakované nákupy nejsou tam, kde je chceme, co máme dělat?" To působí konkrétně, dokud to nerozložíte. Jaké oblečení? Které SKU zaostávají? Jaká je aktuální frekvence opakování? Co jsi už zkusil? Když se donutíte na tyto otázky odpovědět, skončíte s: "Jsme značka oblečení v hodnotě sedmi čísel, která nabízí 7 SKU ve dvou kategoriích střihu, všechny zaměřené na košile s krátkým a dlouhým rukávem. Naše míra opakovaných nákupů je 18 %, přičemž většina z toho pochází z jedné produktové řady (trička s krátkým rukávem), a náš nejlepší e-mail z minulého čtvrtletí přinesl X příjmů zákazníkům, kteří nakupovali dvakrát během 90 dnů." Teď má AI něco, s čím může pracovat. A upřímně, i vy, protože čas strávený rozkladem odhalí odpověď ještě dřív, než model vůbec odpoví.