AI svarar inte på frågor. Den försöker lösa ett problem.

För att göra det måste den först tolka vad frågan egentligen handlar om.

Vad försöker AI egentligen göra?

Många tänker att AI fungerar som ett uppslagsverk. Man ställer en fråga och modellen försöker hitta rätt information. Men språkmodeller arbetar egentligen på ett annat sätt.

När en fråga kommer in försöker modellen först tolka vilken situation frågan beskriver. Den försöker förstå vilket problem personen försöker lösa.

Det kan handla om att undvika risk, förstå skillnader mellan alternativ eller fatta ett beslut.

För AI är alltså en fråga inte bara en fråga. Den är ett problem som ska lösas. När modellen tror sig förstå problemet börjar den formulera ett svar som brukar förekomma i liknande situationer i det material den tränats på.

Och det är här små skillnader i språk kan få stora konsekvenser.

Är detta samma sak som sökintention?

Inom traditionellt sök har begreppet sökintention länge varit centralt. Vad försöker användaren egentligen göra?

• Är personen ute efter information?
• Vill den jämföra alternativ?
• Eller genomföra ett köp?

I AI-frågor blir detta ofta ännu tydligare. När människor ställer frågor till AI beskriver de ofta hela situationen i språket. De berättar vad de försöker uppnå, vad de är osäkra på och vad de vill undvika.

Det gör att analysen inte bara behöver förstå ämnet. Den behöver förstå frågeintentionen.

Det är ofta den som avgör vilka alternativ som överhuvudtaget inkluderas i svaret.

Kan ett enda ord verkligen förändra AI-svaret?

De stora språkmodellerna är tränade på enorma mängder engelskspråkigt material. Det Ja. Och ibland räcker det med ett enda ord.

Titta på dessa två frågor.

• Vilket CRM-system är bäst för småföretag?
• Vilket CRM-system är enklast för småföretag?

Ämnet är identiskt. Men signalen är annorlunda. Den första frågan signalerar en ranking. Den andra signalerar användbarhet och friktion.

När AI tolkar frågan försöker modellen förstå vilket problem som ska lösas. I den första frågan handlar problemet om att identifiera de starkaste alternativen. I den andra handlar problemet om att hitta något som är lätt att komma igång med.

När problemet förändras kan också urvalet av lösningar förändras. Det är därför små förändringar i hur en fråga ställs ibland kan leda till helt andra svar.

Vilka signaler hjälper AI att tolka frågan?

I många frågor återkommer tre typer av signaler. De motsvarar ofta olika steg i hur människor närmar sig ett beslut.

• Först försöker man minska risk.
• Sedan förstå skillnader mellan alternativ.
• Till sist fatta ett beslut.

Det är därför signalerna är grupperade just så här. De speglar hur människor faktiskt tänker när de ska välja något.

Språkmodeller försöker tolka vilken fas av resonemanget frågan befinner sig i. Det påverkar hur svaret byggs och vilka typer av alternativ som framstår som relevanta.

Trygghetssignaler

Trygghetssignaler uppstår när användaren försöker undvika risk eller osäkerhet. Exempel kan vara ord som:

• trygg
• stabil
• säker
• utan överraskningar

Den här typen av formuleringar signalerar att problemet inte främst handlar om funktioner eller prestanda, utan om förutsägbarhet och tillförlitlighet.

När sådana signaler finns i en fråga tolkar modellen ofta situationen som ett problem där stabilitet är viktigare än maximal prestanda. Den försöker då hitta resonemang och alternativ som i träningsdatan ofta kopplas till trygghet och långsiktighet.

Det gör att vissa typer av lösningar kan framstå som mer relevanta än andra.

Jämförelsesignaler

Jämförelsesignaler uppstår när användaren försöker förstå skillnader mellan alternativ. Exempel kan vara:

• skillnad
• jämfört med
• alternativ
• fördelar

Här signalerar frågan att användaren ännu inte har bestämt sig. Personen försöker orientera sig i ett landskap av olika möjligheter.

När sådana signaler finns i frågan tolkar modellen ofta situationen som en analys mellan flera alternativ. Svaret byggs därför ofta upp kring jämförelser, skillnader och resonemang om styrkor och svagheter.

Urvalet handlar då inte bara om vilka aktörer som finns, utan om vilka som är relevanta att jämföra i just den situationen.

Beslutssignaler

Beslutssignaler uppstår när användaren är nära ett val.

Exempel kan vara:

• välja
• rekommendera
• ska jag ta
• byta

Här signalerar språket att användaren inte längre bara försöker förstå alternativen. Personen försöker fatta ett beslut.

När sådana signaler finns i frågan tolkar modellen ofta situationen som ett problem där användaren vill ha en riktning. Svaret kan då bli mer konkret och ibland mer normativt, eftersom modellen försöker formulera vilket alternativ som framstår som mest rimligt i den beskrivna situationen.

Det är ofta i denna typ av frågor som urvalet blir mest affärskritiskt. Det är här AI inte bara beskriver marknaden utan börjar peka ut alternativ.

Varför räcker det inte att titta på enstaka ord?

Signalord gör fenomenet lätt att se. Men i grunden handlar det om något annat. AI reagerar inte på enstaka ord. Den reagerar på mönster i hur språk används.

Under träningen har modeller sett enorma mängder text där vissa begrepp ofta förekommer tillsammans i specifika sammanhang.

Ord kopplade till trygghet förekommer ofta i texter om riskminimering. Jämförelseord förekommer i analyser mellan alternativ. Beslutsord förekommer i rådgivning och rekommendationer.

När modellen ser sådana mönster försöker den tolka vilket problem frågan beskriver. Det är därför små förändringar i språket kan få stora konsekvenser.

Ordet i sig är inte avgörande. Det är vilken situation ordet signalerar.

Hur påverkar det analysen av AI?

Det är lätt att analysera AI-svar genom att ställa breda frågor. Men då missar man ofta de frågor där verkliga beslut fattas. Det är ofta i frågor med tydliga signaler som urvalet blir mest affärskritiskt.

Det betyder att analys av AI-svar behöver börja i verkliga kundfrågor. Hur formulerar människor sina frågor när de försöker lösa ett problem?

• När är ett varumärke med i svaret?
• Och när är det inte det?

Det är först när man analyserar sådana frågor som det går att förstå hur urvalet faktiskt fungerar.

Share of Answer utgår från just denna princip. I stället för att analysera generella frågor analyseras AI-svar på verkliga frågor där människor försöker lösa ett problem.

Det gör det möjligt att se när ett varumärke faktiskt blir en del av svaret och när det väljs bort. Inte bara hur synligt det är. Utan när det blir valbart.