Atlan: tworzenie wartości AI dzięki kontekstowi przedsiębiorstwa przenosi uwagę poza modele

Atlan kwestionuje podejście stawiające modele na pierwszym miejscu w AI dla przedsiębiorstw, argumentując, że nawet zaawansowanym systemom wciąż brakuje rozumienia biznesu niezbędnego do użytecznej pracy. Tworzenie wartości AI dzięki kontekstowi przedsiębiorstwa, temat artykułu MIT Technology Review Insights z 28 października, poddaje tę tezę analizie. Pytanie brzmi, czy organizacje potrzebują kolejnej warstwy infrastruktury, lepszego zarządzania istniejącą wiedzą, czy obu tych elementów.

Argument pojawia się również w określonym kontekście komercyjnym. Tekst pochodzi z działu treści niestandardowych MIT Technology Review, a nie z redakcji tego tytułu. Materiały konferencyjne Atlana wskazują, że powiązane badanie powstało we współpracy z firmą. Ta relacja ma znaczenie przy ocenie diagnozy, która jednocześnie wspiera pozycjonowanie produktu dostawcy.

Work IQ firmy Microsoft stanowi użyteczne porównanie: inny dostawca również buduje swoją strategię AI dla przedsiębiorstw wokół kontekstu biznesowego. Główne napięcie wykracza poza rywalizację dostawców. Organizacje chcą AI zdolnej wykonywać pracę, lecz ich definicje, uprawnienia i zasady działania często wymagają ludzkiej interpretacji. Zakup dostępu do modelu nie rozstrzyga tych kwestii.

Tworzenie wartości AI dzięki kontekstowi przedsiębiorstwa wykracza poza model

Analiza kontekstu przedsiębiorstwa z 28 października przedstawia znany problem wdrożeniowy z perspektywy preferowanej przez Atlan. Narzędzia AI mogą odpowiadać szybko, jednocześnie błędnie rozumiejąc obsługiwany biznes. Współzałożycielka Atlana, Prukalpa Sankar, twierdzi, że infrastruktura kontekstowa może pomóc zmniejszyć tę lukę.

Warstwa kontekstowa to infrastruktura dostarczająca systemom AI definicje biznesowe, relacje, polityki i inne informacje potrzebne do interpretowania danych firmy. Koncepcja jest istotna, ponieważ wyszukiwanie informacji i rozumienie ich znaczenia biznesowego to różne zadania. Dokument może zawierać odpowiedź, nie przesądzając jednak, czy pozostaje ona wiążąca.

To bardziej wyraźny argument komercyjny dotyczący źródeł wartości AI dla przedsiębiorstw niż nowo potwierdzony przełom techniczny.

To rozróżnienie pozwala zachować właściwe proporcje. Artykuł nie dowodzi, że sama infrastruktura kontekstowa zapewnia lepsze wyniki finansowe. Przedstawia wyjaśnienie rozczarowujących wdrożeń i kierunek ich poprawy. Nabywcy powinni oceniać to wyjaśnienie niezależnie od konkretnej implementacji.

Rozważmy przykładowy proces sprzedażowy. Asystent odnajduje kartę klienta, podsumowuje ostatnie rozmowy i przygotowuje rekomendację dotyczącą odnowienia umowy. Każdy pobrany dokument może być indywidualnie poprawny. Rekomendacja może jednak zawieść, jeśli asystent pomyli podmiot rozliczany z jego spółką dominującą lub pominie zatwierdzony wyjątek.

Lepszy model mógłby rozpoznać niejednoznaczność i zadać przydatne pytanie. Utrzymywana definicja biznesowa mogłaby rozstrzygnąć tę niejednoznaczność przed rozpoczęciem generowania. Podejścia te się uzupełniają, ale dotyczą różnych elementów problemu. Traktowanie każdego błędu jako problemu modelu zaciera to rozróżnienie.

Tworzenie wartości AI dzięki kontekstowi przedsiębiorstwa zmienia więc rozmowę zakupową. Zamiast pytać wyłącznie, który system generuje najlepszą odpowiedź, nabywcy muszą zapytać, co sprawia, że odpowiedź jest ważna w ich organizacji. Obejmuje to ustalenie, kto zatwierdził leżącą u jej podstaw zasadę i kiedy ostatnio ją zmieniono.

Relacja wydawnicza również zasługuje na uwagę. Wydarzenie Atlana poświęcone badaniom nad kontekstem promowało wcześniejszy dostęp do badań powstałych we współpracy z firmą. Uzasadnia to traktowanie argumentu jako wspieranego przez dostawcę wkładu do debaty. Nie uzasadnia jednak odrzucenia samego problemu.

Praktyczna implikacja jest węższa niż szeroka narracja sprzedażowa. Kontekst jest wiarygodnym źródłem błędów AI w przedsiębiorstwach, ale jego znaczenie trzeba ustalić dla każdego procesu. Organizacje nadal potrzebują dowodów łączących proponowaną interwencję z mierzalną poprawą. Bez tego powiązania kontekst staje się kolejnym trudnym do sprawdzenia wyjaśnieniem.

Właściciele procesów biznesowych dziedziczą problem niezawodności AI

Argument dotyczący kontekstu wywiera presję zarówno na właścicieli procesów biznesowych, jak i zespoły technologiczne. Jeśli asystent błędnie rozumie zatwierdzoną politykę, zmiana modelu może pomóc. Jeśli działy nie zgadzają się co do samej polityki, organizacja musi rozwiązać ten spór, zanim oprogramowanie będzie mogło konsekwentnie ją stosować.

AI dla przedsiębiorstw sprawia, że zaniedbane przypisanie odpowiedzialności za wiedzę staje się kwestią operacyjną.

Twórca AI może podłączyć repozytorium dokumentów, nie mając uprawnień do rozstrzygnięcia, która polityka ma pierwszeństwo przed inną. Zespół bezpieczeństwa może egzekwować ograniczenia dostępu, nie decydując o tym, jak dział finansowy definiuje klienta. Odpowiedzialności te się przecinają, ale nie należą do tej samej osoby.

Tworzy to inne obciążenie wdrożeniowe niż instalacja interfejsu konwersacyjnego. Ktoś musi wskazać wiarygodne źródła, przypisać właścicieli, udokumentować wyjątki i utrzymywać te ustalenia. Praca ta może ujawnić spory, które pracownicy wcześniej rozwiązywali w nieformalnych rozmowach. Automatyzacja utrudnia pozostawienie takich sporów bez rozstrzygnięcia.

Dla liderów finansowych presja dotyczy spójności. Asystent odpowiadający na pytanie o przychody potrzebuje odpowiedniej definicji księgowej, okresu raportowania i zakresu organizacyjnego. Płynne wyjaśnienie nie rekompensuje wyboru niewłaściwej miary. Właściciel biznesowy musi udostępnić zamierzoną interpretację w formie możliwej do zweryfikowania.

Dla liderów obsługi presja dotyczy adekwatności. Agent, czyli system AI wybierający kroki lub używający narzędzi do realizacji pracy, potrzebuje istotnych okoliczności dotyczących klienta. Obowiązująca polityka zwrotów może różnić się zależnie od umowy lub regionu. Odnalezienie ogólnej polityki to jedynie część decyzji.

Te przykłady mają charakter ilustracyjny, a nie raportowanych wyników klientów. Pokazują, dlaczego odpowiedzialność za kontekst staje się istotna, gdy oprogramowanie przechodzi od tworzenia tekstu do rekomendowania działań. Błędne podsumowanie generuje pracę korygującą. Błędne działanie może także stworzyć zobowiązanie, które inny zespół będzie musiał odwrócić.

Zespoły zakupowe stoją przed powiązanym wyzwaniem. Platforma kontekstowa może obiecywać wspólne definicje, ale umowa nie może zagwarantować, że działy osiągną w ich sprawie porozumienie. Nabywcy muszą odróżniać odpowiedzialność dostawcy od odpowiedzialności organizacji. W przeciwnym razie zakup infrastruktury może ukryć niedokończoną decyzję operacyjną.

Pracownicy wiedzy doświadczają tego samego problemu w mniejszej skali. Przeszukiwalne archiwum pomaga odnajdywać materiały, podczas gdy wiarygodna baza wiedzy określa, które materiały powinny kierować pracą. Rozróżnienie między wiedzą osobistą a zespołową staje się istotne, gdy indywidualne wspomnienia wpływają na wspólne decyzje.

Krótkoterminowa reakcja powinna odpowiadać rozwiązywanemu problemowi. Brak materiałów źródłowych wymaga lepszego pokrycia. Sprzeczne definicje wymagają przypisania odpowiedzialności i rozstrzygnięcia. Nieprawidłowe rozumowanie wymaga zmian w modelu lub aplikacji. Łączenie tych kategorii w jeden wskaźnik dokładności może ukryć miejsce, w którym potrzebna jest interwencja.

Z czasem presja przesuwa się w stronę utrzymania. Kontekst biznesowy zmienia się wraz ze zmianami produktów, umów, zespołów i polityk. Wdrożenie, które dobrze działa w momencie uruchomienia, może stać się niewiarygodne bez żadnej aktualizacji modelu. Argument dotyczący kontekstu jest więc również twierdzeniem o ciągłej odpowiedzialności operacyjnej.

Microsoft pokazuje, dlaczego kontekst staje się kwestią platformową

Microsoft stanowi konkretne porównanie, ponieważ również opisuje kontekst przedsiębiorstwa jako wspólną infrastrukturę. W opublikowanym 11 czerwca opisie wewnętrznego wykorzystania Work IQ firma wyjaśnia, jak informacje organizacyjne wspierają bardziej trafne odpowiedzi AI. Przedstawia kontekst jako część środowiska otaczającego asystentów.

Microsoft podaje, że Work IQ korzysta z sygnałów z miejsca pracy i respektuje istniejące uprawnienia. Jego wewnętrzne przykłady obejmują łączenie informacji ze spotkań z ich uczestnikami oraz uwzględnianie sytuacji pracowników w udzielanych wskazówkach. Są to przykłady raportowane przez firmę, a nie niezależne pomiary zwrotu biznesowego. Mimo to pokazują dostawcę rozwiązującego ten sam ogólny problem.

Pytanie konkurencyjne dotyczy tego, gdzie powinno znajdować się rozumienie biznesu i jak szeroko można je ponownie wykorzystywać.

Podejście Microsoftu do inteligencji środowiska pracy opisuje rozwijanie kontekstu wewnątrz jego środowiska pracy. Argument Atlana koncentruje się na zapewnianiu rozumienia biznesu w różnych systemach. Te stanowiska rodzą odmienne pytania dla nabywców, nawet gdy obaj dostawcy używają podobnego języka.

Dla organizacji skupionej w określonym środowisku oprogramowania kontekst osadzony w tym środowisku może stanowić naturalny punkt wyjścia. Istniejące dokumenty, tożsamości i rejestry współpracy już znajdują się w pobliżu. Nabywca nadal musi ustalić, które źródła są objęte zakresem oraz czy wynikająca z nich interpretacja ma zastosowanie poza tym środowiskiem.

Dla organizacji korzystającej z kilku systemów biznesowych ważniejsze staje się ponowne wykorzystanie. Definicja utrzymywana dla asystenta finansowego nie powinna po cichu odbiegać od definicji stosowanej przez asystenta operacyjnego. Wspólny kontekst obiecuje ograniczenie tej duplikacji. To, czy się powiedzie, zależy od szczegółów integracji i zarządzania.

Nie jest to prosty konkurs między architekturą scentralizowaną a rozproszoną. Architektura to układ komponentów i ich odpowiedzialności. Centralna usługa może rozpowszechniać nieaktualne definicje, podczas gdy kontekst specyficzny dla aplikacji może pozostawać poprawny w ograniczonym zakresie. Sama lokalizacja nie przesądza o jakości.

Bardziej użyteczne porównanie dotyczy zmian. Gdy definicja się zmienia, które aplikacje otrzymują aktualizację? Gdy dostęp zostaje cofnięty, które przechowywane reprezentacje przestają ujawniać informacje? Gdy odpowiedź zostaje zakwestionowana, czy osoby dokonujące przeglądu mogą odtworzyć użyte źródło i zasadę? Pytania te łączą projekt platformy z konsekwencjami operacyjnymi.

Na uwagę zasługuje również przenośność. Nabywcy powinni pytać, czy zatwierdzone definicje można przenosić między narzędziami bez utraty przypisania odpowiedzialności, historii wersji lub ograniczeń dostępu. Eksport tekstu jest łatwiejszy niż zachowanie jego wiążącego charakteru. Migracja, która zachowuje słowa, lecz traci możliwość zastosowania, może odtworzyć pierwotny problem.

Porównanie dostawców wspiera zatem szerszą ocenę, nie dowodząc przewagi podejścia żadnego z nich. Kontekst staje się odpowiedzialnością platformową, ponieważ wiele aplikacji potrzebuje tego samego rozumienia biznesu. Tworzy to okazję dla wspólnej infrastruktury, a zarazem ryzyko uzależnienia wielu aplikacji od wspólnego błędu.

Dla nabywców użyteczną odpowiedzią jest zbadanie procesu przekraczającego rzeczywistą granicę organizacyjną. Demonstracja ograniczona do uporządkowanego zbioru dokumentów pozostawia główne pytanie bez odpowiedzi. Istotnym dowodem jest to, czy kontekst pozostaje spójny, gdy informacje przemieszczają się między działami, aplikacjami i właścicielami decyzji.

Dowody dotyczące wyszukiwania wspierają węższe twierdzenie

Generowanie wspomagane wyszukiwaniem, czyli RAG, pobiera istotne informacje i przekazuje je modelowi, zanim model udzieli odpowiedzi. To ugruntowany sposób łączenia generowanych odpowiedzi z wiedzą zewnętrzną. Jego ograniczenia pomagają wyjaśnić, dlaczego argument dotyczący kontekstu przedsiębiorstwa przyciąga uwagę.

Badania Anthropic z września 2024 roku stanowią przykład techniczny. Metoda Contextual Retrieval firmy dodaje informacje wyjaśniające do fragmentów dokumentów przed ich indeksowaniem. Celem jest zachowanie znaczenia, które może zniknąć, gdy fragment zostanie oddzielony od oryginalnego dokumentu.

Anthropic podał, że połączenie jego technik kontekstowych zmniejszyło liczbę niepowodzeń wyszukiwania o 49%, a dodanie rerankingu — o 67%. Reranking to drugi etap selekcji, który porządkuje pobrane materiały według trafności. Były to wyniki ocen przeprowadzonych przez firmę, a nie pomiary finansowych zwrotów przedsiębiorstw.

Lepsze wyszukiwanie wspiera argument dotyczący kontekstu, ale nie dowodzi, że kompletna platforma kontekstu przedsiębiorstwa jest konieczna.

Badanie dotyczące wyszukiwania kontekstowego dotyczy konkretnego błędu: system pomija istotne informacje, ponieważ fragmentowi brakuje otaczającego go znaczenia. To zakres węższy niż rozwiązywanie sprzecznych polityk firmowych. Jest też węższy niż ustalanie, czy użytkownik ma uprawnienia do wykonania działania.

To rozróżnienie ma znaczenie przy decyzjach zakupowych. Jeśli asystent wsparcia pomija odpowiedzi, ponieważ fragmentom dokumentów brakuje danych identyfikacyjnych, warto zbadać zmiany w wyszukiwaniu. Jeśli znajduje właściwy fragment, lecz stosuje go niepoprawnie, błąd występuje gdzie indziej. Szeroka propozycja infrastrukturalna powinna wyjaśniać, który błąd rozwiązuje.

Przykład dotyczący umowy wyraźniej pokazuje to rozdzielenie. Fragment mówi, że klient kwalifikuje się do wyjątku, lecz jego nazwa pojawia się na wcześniejszej stronie. Zachowanie tej relacji może poprawić wyszukiwanie. Ustalenie, czy wyjątek nadal obowiązuje, wymaga dodatkowych informacji o datach, aneksach i uprawnieniach.

System może więc wyszukiwać dokładnie, a mimo to przedstawić błędną rekomendację biznesową. Z kolei przepływ pracy z wąskimi, utrzymywanymi źródłami może działać wystarczająco dobrze bez rozbudowanej współdzielonej usługi kontekstowej. Odpowiednia interwencja zależy od rzeczywistego zadania, jego wymagań informacyjnych i konsekwencji błędów.

Tworzenie wartości AI z wykorzystaniem kontekstu przedsiębiorstwa należy oceniać poprzez ten łańcuch zależności. Zakres źródeł wpływa na to, co system może znaleźć. Interpretacja źródeł wpływa na to, co rozumie. Reguły decyzyjne wpływają na to, co rekomenduje. Kontrole działań wpływają na to, co może wykonać. Poprawa jednego elementu nie oznacza automatycznie poprawy całego procesu.

Takie rozumowanie zmienia również sposób interpretacji demonstracji. Udana odpowiedź dowodzi, że konkretna konfiguracja obsłużyła konkretne pytanie w określonych warunkach. Nie potwierdza ogólnej niezawodności we wszystkich działach. Kupujący potrzebują dowodów obejmujących niejednoznaczne dane wejściowe, zmienione polityki i sprzeczne źródła.

Najmocniejszy argument techniczny wskaże pierwotny błąd, interwencję kontekstową oraz wynikającą z niej różnicę. Utrzymanie porównywalności modelu i zadania pomaga wyodrębnić to, co się zmieniło. Oddzielne raportowanie skuteczności wyszukiwania i trafności decyzji ułatwia interpretację wyniku oraz zapobiega przekształcaniu wąskiego zysku w szersze twierdzenie.

Większa ilość kontekstu może dalej rozpowszechniać błędną odpowiedź

Sceptyczne stanowisko zaczyna się od prostego problemu: kontekst biznesowy może być błędny. Wspólna definicja może być nieaktualna, niepełna lub kwestionowana. Konsekwentne dostarczanie jej może sprawić, że wyniki będą zgodne, choć nadal niepoprawne. Zgodność jest użytecznym dowodem spójności, lecz niewystarczającym dowodem prawdziwości.

Warstwa kontekstu może rozpowszechniać autorytet, nie ustalając, czy ten autorytet jest uzasadniony.

Ma to znaczenie, gdy organizacje przekształcają nieformalną wiedzę w utrzymywane reguły. Doświadczeni pracownicy czasem wiedzą, kiedy udokumentowany proces nie pasuje do sytuacji. Zakodowanie takiej oceny wymaga rozstrzygnięcia, które wyjątki są uzasadnione. Automatyczne wyodrębnienie stwierdzenia z rozmowy nie przesądza, czy powinno ono stać się polityką.

Uczestnik spotkania może opisać tymczasowe obejście problemu. Inny pracownik może powtórzyć nieaktualną praktykę. Dokument projektowy może zawierać porzuconą propozycję. Każde źródło wnosi informacje, ale każde ma inny stopień autorytetu. Traktowanie ich jako równoważnych tworzy problem zarządzania jeszcze przed rozpoczęciem generowania.

Istnieje również ograniczenie na poziomie modelu. Profil ryzyka generatywnej AI NIST, generative AI risk profile, opisuje konfabulację — pewnie wygenerowane fałszywe lub błędne treści — jako charakterystyczne ryzyko. Zwraca również uwagę, że generowane wyjaśnienia i cytowania mogą wprowadzać użytkowników w błąd. Istotne materiały źródłowe nie eliminują potrzeby oceny wyników.

Analiza NIST wspiera ostrożną interpretację tezy o kontekście. Lepsze informacje mogą rozwiązywać problem brakującej wiedzy, nie gwarantując poprawnego rozumowania. System może niewłaściwie zastosować prawidłową regułę lub zbyt stanowczo przedstawić niepewny wniosek. Jakość kontekstu i niezawodność wyników wymagają powiązanej, ale odrębnej kontroli.

Uprawnienia tworzą kolejny punkt nacisku. Możliwość przeczytania dokumentu przez pracownika nie musi oznaczać upoważnienia zautomatyzowanego systemu do działania na podstawie jego treści. Usługa kontekstowa potrzebuje jasnej relacji z kontrolami regulującymi dalsze działania. W przeciwnym razie dokładne informacje mogą wspierać nieuprawnioną decyzję.

Również argument finansowy pozostaje niepewny. Utrzymywanie definicji, rozstrzyganie sporów, sprawdzanie uprawnień i przeglądanie błędów pochłaniają czas pracowników. Część tej pracy może usprawniać istniejące procesy także poza AI. Kupujący powinni jednak uwzględniać ją przy ocenie ekonomiki wdrożenia.

Organizacja może uzyskać lepsze odpowiedzi, jednocześnie zwiększając łączną pracę potrzebną do ich uzyskania. Inna może ograniczyć wysiłek związany z przeglądem na tyle, by uzasadnić znaczne nakłady na utrzymanie. Znaczące porównanie obejmuje cały przepływ pracy, a nie widoczną szybkość generowania. To wymóg analityczny, a nie zgłoszony wynik z artykułu źródłowego.

Tworzenie wartości AI z wykorzystaniem kontekstu przedsiębiorstwa wymaga także zaakceptowania ograniczeń. Gdy konflikt polityk pozostaje nierozstrzygnięty, użyteczny asystent powinien ujawnić ten konflikt. Gdy uprawnienia są niejasne, powinien odpowiednio przekierować decyzję. System, który zawsze udziela pewnej odpowiedzi, może ukrywać właśnie tę organizacyjną niepewność, którą infrastruktura kontekstowa powinna ujawniać.

Sceptyczne stanowisko nie wymaga zatem odrzucenia inwestycji w kontekst. Wymaga bardziej konkretnego twierdzenia o tym, co inwestycja zmienia. Dostawca powinien określić, które błędy występują rzadziej, które obowiązki pozostają po stronie klienta oraz które tryby awarii nadal się utrzymują. Dzięki temu propozycję można przetestować.

Kolejne dowody powinny łączyć kontekst z ukończoną pracą

W nadchodzących miesiącach najbardziej użyteczne sygnały będą dotyczyć dowodów z wdrożeń, a nie nowego słownictwa. Październikowa dyskusja ustanawia jasną tezę: rozumienie biznesu zasługuje na większą uwagę obok możliwości modeli. Kolejnym krokiem jest ustalenie, gdzie ta teza przynosi mierzalne korzyści.

Teza o kontekście staje się silniejsza, gdy utrzymywana wiedza biznesowa poprawia ukończoną pracę w zmieniających się warunkach.

Pierwszym sygnałem jest udokumentowane porównanie w rzeczywistym przepływie pracy. Kupujący powinni szukać wyników pokazujących, co wydarzyło się przed i po zdefiniowanej interwencji kontekstowej. Porównanie powinno obejmować błędy źródeł, błędy decyzji, poprawki dokonywane przez ludzi i ukończone zadania. Wynik, który wyodrębnia poprawę, wzmocniłby argument.

Demonstracja oferująca wyłącznie wybrane udane odpowiedzi pozostawiłaby główną niepewność nierozstrzygniętą. Podobnie byłoby z porównaniem, które jednocześnie zmienia model, interfejs, zbiór źródeł i proces przeglądu. Takie zmiany mogą poprawić produkt, lecz utrudniają wyodrębnienie wkładu kontekstu przedsiębiorstwa.

Kolejnym sygnałem jest niezawodne zachowanie po zmianie biznesowej. Zmieniona polityka, cofnięte uprawnienie lub zmieniona nazwa klienta tworzą użyteczny punkt obserwacji. Czy system wdraża zmianę we wszystkich aplikacjach, których ona dotyczy? Czy zachowuje wystarczającą historię, aby wyjaśnić wcześniejsze odpowiedzi? Spójne zachowanie wspierałoby argument za współdzieloną infrastrukturą.

Utrzymujące się sprzeczności osłabiłyby ten argument. Jeśli każda aplikacja nadal wymaga ręcznej naprawy, proponowana wspólna warstwa nie wyeliminowała powielonego utrzymania. Jeśli nieaktualne informacje pozostają w pochodnych magazynach, organizacja musi zrozumieć, jak rozchodzą się korekty. Jakość początkowej konfiguracji nie odpowie na te pytania.

Ostatnim sygnałem jest całkowite obciążenie operacyjne. Organizacje powinny sprawdzać, czy recenzenci spędzają mniej czasu na korygowaniu wyników po uwzględnieniu utrzymania kontekstu. Powinny też śledzić, czy nierozstrzygnięte sprawy trafiają do właściwych osób. Ograniczenie widocznej pracy przeglądowej ma niewielkie znaczenie, jeśli ukryta praca przygotowawcza rośnie szybciej.

Te sygnały nie zależą od zwycięstwa konkretnego dostawcy. Microsoft, Atlan i twórcy aplikacji mogą dostarczać dowodów za pomocą różnych podejść. Użyteczne rozróżnienie dotyczy twierdzeń o dostępnych możliwościach oraz obserwacji dotyczących trwałego użytkowania. Kupujący potrzebują obu, ale nie powinni ich mylić.

Dla pracowników wiedzy natychmiastowe znaczenie ma charakter praktyczny. Asystent, który wie, gdzie znajdują się informacje, może oszczędzić czas poświęcany na wyszukiwanie. Asystent, który rozumie, które informacje mają zastosowanie, może wspierać decyzję. Wartość tego dodatkowego rozumienia zależy od tego, czy użytkownicy mogą je sprawdzać, kwestionować i utrzymywać.

Zacznij od przepływu pracy, w którym nieprawidłowa odpowiedź powoduje możliwą do zidentyfikowania dodatkową pracę. Przeglądaj błędy z osobami odpowiedzialnymi za leżącą u ich podstaw politykę, zamiast traktować każdą poprawkę jako problem z promptowaniem. Oddziel brakujące informacje od sprzecznych definicji, błędów rozumowania i nieodpowiednich działań. Następnie sprawdź, czy proponowana inwestycja w kontekst rozwiązuje te konkretne błędy. W pracy indywidualnej utrzymywany system zarządzania wiedzą osobistą może pomóc uporządkować istotne materiały, podczas gdy wspólne decyzje nadal wymagają wspólnego autorytetu. Tworzenie wartości AI z wykorzystaniem kontekstu przedsiębiorstwa staje się wiarygodną tezą, gdy to rozróżnienie przetrwa wdrożenie. Poproś kolejnego dostawcę, aby pokazał, jak jego system radzi sobie ze zmienioną regułą, kwestionowanym źródłem i decyzją, którą powinien pozostawić nierozstrzygniętą.