Wie entscheidest du, ob ein Problem wirklich nach einem KI-Feature verlangt oder nach etwas Einfacherem?

Frag, ob die Aufgabe Fehler verträgt. Ist ein Fehler billig zu erkennen und billig rückgängig zu machen, funktioniert ein probabilistisches Feature gut; ist der Fehler still oder teuer, gewinnen bessere Regeln und bessere Defaults. Prüf dann, dass die Daten existieren und dass Nutzer den Workflow nicht ohnehin schon meiden, denn ein Modell in einen Workflow zu setzen, den niemand öffnet, macht nur einen ungenutzten Workflow langsamer.

Die Frage, die ich zuerst stelle, ist, was passiert, wenn es falsch ist, denn das entscheidet alles. Sieht der Nutzer den Fehler sofort und kann ihn billig rückgängig machen, passt ein Modell hervorragend, und genau deshalb funktionieren Entwürfe und Zusammenfassungen so gut. Ist der Fehler still oder teuer, etwa etwas, das eine Zahl ändert, auf deren Basis ein Kunde abrechnet, hätte ich lieber Regeln und einen deutlich besseren Default. Die zweite Frage ist, ob die zugrundeliegende Aufgabe überhaupt gewollt ist. Ich habe viel Aufwand darin verschwinden sehen, einen Workflow intelligent zu machen, den Leute ohnehin gemieden haben, was nur eine schlauere Version von etwas ergibt, das niemand öffnet. Und drittens müssen die Daten existieren. Wenn das Modell Kontext braucht, der in drei Systemen lebt, auf die wir keinen Zugriff haben, ist die ehrliche Antwort, dass das zuerst ein Integrationsprojekt ist. Dann schneide ich die kleinste Version zu, die testet, ob Leute dem Output überhaupt vertrauen.