В основном, это то, что я имею в виду, когда говорю, что AI нуждается в контексте. Та же дисциплина, которая превращает запутанную проблему в четкий список задач, делает кого-то эффективным с AI, и все сводится к конкретике. Я общаюсь с командами, которые клянутся, что дали модели "действительно хороший контекст", но это читается как кто-то, дающий указания, говоря: "идите в сторону гор и поворачивайте налево, когда почувствуете, что это правильно." Вот как это выглядит на практике: "Мы бренд одежды, у нас около 10 SKU, повторные покупки не на том уровне, на котором мы хотим, что нам делать?" Это кажется конкретным, пока вы не разберете это. Какой вид одежды? Какие SKU показывают плохие результаты? Каков текущий уровень повторных покупок? Что вы уже пробовали? Когда вы заставляете себя ответить на эти вопросы, вы приходите к: "Мы бренд одежды с семизначным доходом, у нас 7 SKU в 2 категориях размеров, все сосредоточено на футболках с коротким и длинным рукавом. Наш уровень повторных покупок составляет 18%, большая часть из которых поступает от одной линии продуктов (футболки с коротким рукавом), а наше лучшее письмо за прошлый квартал принесло X дохода от клиентов, которые покупали дважды за 90 дней." Теперь у AI есть с чем работать. И честно говоря, у вас тоже, потому что время, потраченное на разбор, раскрывает ответ еще до того, как модель даже ответит.