From tasks to AI systems

A team says it wants to automate customer support with AI, but this statement hides several different tasks.

一个团队说想用 AI 自动处理客服工作，但这句话其实包含了几项不同的任务。

チームがAIで顧客対応を自動化したいと言っても、その一言には異なる作業がいくつも含まれています。

Someone must recognize the customer's problem, find the applicable policy, prepare a response, and decide whether to send it.

需要有人识别客户的问题、找到适用的政策、准备回复，并决定是否发送。

顧客の問題を把握し、適用される規定を探し、返答を作成し、送信するか判断する必要があります。

Separating these tasks makes it possible to ask what kind of system each one actually needs.

把这些任务拆开，才能进一步判断每项任务究竟需要什么样的系统。

作業を分けると、それぞれに本当に必要な仕組みを検討できます。

A fixed rule might send every request containing a particular order number to the order database.

一条固定规则可以把所有包含某个特定订单号的请求发送到订单数据库。

たとえば固定ルールで、特定の注文番号を含む問い合わせを注文データベースに送れます。

The rule follows a procedure written by a developer; it does not have to learn that procedure from examples.

这条规则按照开发者写好的流程执行，无须从示例中学习该流程。

このルールは開発者が記述した手順に従い、事例から手順を学習する必要はありません。

A machine-learning classifier, by contrast, uses patterns learned from examples to assign a category to a new request.

相比之下，机器学习分类器会利用从示例中学到的模式，为新请求分配类别。

一方、機械学習の分類器は、事例から学んだパターンを使って新しい問い合わせにカテゴリを割り当てます。

A generative language model can produce a draft response, including wording that was not stored as a complete template.

生成式语言模型可以起草回复，其中也可以包含未以完整模板形式存储过的措辞。

生成言語モデルは、完成したテンプレートとして保存されていない表現も含めて返答の下書きを作れます。

These approaches can operate together inside the same application, so the choice is not simply between AI and automation.

这些方法可以在同一个应用中共同运作，因此选择并不是简单地在 AI 和自动化之间二选一。

これらの方法は同じアプリ内で組み合わせられるため、AIか自動化かという単純な二者択一ではありません。

The model is only one component of this application: databases, permissions, interface controls, and review procedures also shape the outcome.

模型只是这个应用的一个组成部分：数据库、权限、界面控制和审核流程也会影响最终结果。

モデルはアプリの一部にすぎず、データベース、権限、画面の操作、確認手順も結果を左右します。

If the application retrieves an outdated refund policy, even a fluent and relevant draft may give the customer the wrong advice.

如果应用检索到的是过时的退款政策，即使草稿流畅、切题，也可能给客户错误的建议。

アプリが古い返金規定を取得すると、自然で的を射た下書きでも誤った案内になる可能性があります。

If the model invents a policy exception, retrieving the correct document has not been enough to produce a supported answer.

如果模型编造了政策例外，就说明即使检索到了正确文档，也不足以产生有依据的回答。

モデルが規定にない例外を作り出した場合、正しい文書を取得できていても、根拠のある回答にはなりません。

These are different failure modes, and they require different corrections rather than a general instruction to make the AI better.

这些是不同的失败方式，需要分别采取相应的修正措施，而不是笼统地要求“让 AI 变得更好”。

これは異なる種類の失敗であり、「AIを改善する」という一般的な指示ではなく、それぞれに対応した修正が必要です。

Consider a fictional trial in which specialists currently spend eight minutes preparing each response.

设想一个虚构的试行场景：专员目前准备每条回复需要八分钟。

例として、担当者が現在1件の返答準備に8分かけている架空の試行を考えます。

An assistant reduces drafting to two minutes, but the specialist then spends five minutes checking sources and correcting mistakes.

助手把起草时间缩短到两分钟，但专员随后要用五分钟核查来源、纠正错误。

アシスタントで下書きが2分になっても、その後の出典確認と修正に5分かかるとします。

The relevant saving is one minute per completed response, not the six minutes removed from drafting alone.

按每条完成的回复计算，实际节省的是一分钟，而不是只看起草步骤得出的六分钟。

実際の節約は完成した返答1件につき1分であり、下書きだけで短縮した6分ではありません。

The team would still need to compare error rates, difficult cases, and customer outcomes before deciding whether the change is worthwhile.

在判断这项改变是否值得之前，团队仍需要比较错误率、复杂案例的处理情况，以及客户实际获得的结果。

変更に価値があるか判断するには、誤りの割合、難しい事例、顧客への結果も比較する必要があります。

A useful first specification therefore names the user, the task boundary, the evidence source, the responsible reviewer, and a measurable outcome.

因此，一份实用的初步规格应明确使用者、任务范围、证据来源、审核责任人，以及可衡量的结果。

したがって最初の仕様では、利用者、作業範囲、根拠となる情報源、確認責任者、測定可能な成果を明記すると役立ちます。

This specification turns a broad ambition into a system that can be examined, compared with a baseline, and improved.

这份规格把一个宽泛的愿景转化为可以检查、与基线比较并持续改进的系统。

この仕様によって大まかな構想が、調査し、現状と比較し、改善できる仕組みになります。