Det är i princip det jag menar när jag säger att AI behöver kontext. Samma disciplin som förvandlar ett rörigt problem till en tydlig checklista är det som gör någon effektiv med AI, och det handlar om specificitet. Jag pratar med team som svär att de gav modellen "riktigt bra kontext", men det låter som om någon ger vägbeskrivning genom att säga "gå mot bergen och sväng vänster när det känns rätt." Så här ser det ut i praktiken: "Vi är ett klädmärke, vi har ungefär 10 SKU:er, återköp är inte där vi vill ha dem, vad ska vi göra?" Det känns specifikt tills man bryter ner det. Vilken sorts kläder? Vilka SKU:er presterar sämre? Vad är den nuvarande upprepningsfrekvensen? Vad har du redan provat? När du tvingar dig själv att svara på de frågorna får du: "Vi är ett klädmärke med sju siffror som säljer 7 SKU:er i 2 passformskategorier, alla fokuserade på kortärmade och långärmade skjortor. Vår återköpsfrekvens ligger på 18 %, där det mesta kommer från en produktlinje (kortärmade skjortor), och vårt bäst presterande mejl förra kvartalet drog X intäkter från kunder som köpt två gånger på 90 dagar." Nu har AI:n något att arbeta med. Och ärligt talat, det gör du också, för tiden som läggs på att bryta ner det avslöjar svaret innan modellen ens svarar.