Därför får ditt team olika svar från samma AI
Två kollegor frågar ChatGPT samma sak om ditt företag och får två svar. Varför det händer, varför bättre promptar inte hjälper och vad som faktiskt gör det.
Den här situationen hör vi om ofta. En kund frågar om det fortfarande går att returnera en beställning. Anna på kundtjänst frågar ChatGPT och får svaret “inom 30 dagar”. Erik på sälj frågar Copilot och får “inom 14 dagar, oöppnad”. Båda klistrar in svaret i ett mejl. Nu har kunden två svar från samma företag.
Ingen har gjort något fel. Och det kommer att fortsätta hända, eftersom orsaken inte är modellen.
Tre skäl till att svaren glider isär
Modellen känner inte ditt företag. Från början vet ChatGPT mycket om returer i allmänhet och ingenting om just dina. Får den frågan om dina villkor fyller den luckan med det som är vanligt. Det vanliga ligger ofta så nära att det låter rätt, och ändå kan det vara fel.
Alla har gett den olika underlag. Anna klistrade en gång in retursidan i sin chatt. Erik har en gammal prislista i sina egna instruktioner. En kollega använder ett projekt med fjolårets personalhandbok. Varje assistent svarar utifrån det den har fått veta, och alla har fått veta olika saker, vid olika tillfällen, av olika personer.
Svaren varierar även med samma underlag. En språkmodell skriver aldrig exakt samma text två gånger. Med en tydlig källa spelar det knappt någon roll: formuleringen ändras, fakta gör det inte. Utan en sådan källa slår variationen igenom även i fakta.
Varför bättre promptar inte löser det
Den vanliga reaktionen på olika svar från AI är en promptguide: “Skriv alltid: kontrollera våra returvillkor.” Eller ett delat dokument med bra promptar, ett slags gemensamma AI-riktlinjer. Det hjälper folk att fråga bättre. Det ändrar inte vad AI:n vet.
En promptguide hamnar dessutom på ännu ett ställe. Nu har du returvillkoren på webbplatsen, en äldre version i en pdf, en tredje i någons egna instruktioner och en guide om hur man frågar om dem. Fyra ställen, och ingen som äger dem.
Det som löser det
Svaren stämmer överens när tre saker är uppfyllda.
Det finns en källa. Returregeln står på ett enda ställe som alla AI-verktyg läser. Den kopieras inte in i varje verktyg, utan verktygen kopplas till den. I dag är MCP (Model Context Protocol) det vanligaste sättet att koppla dem, och ChatGPT, Claude och Copilot stöder det i sina företagsabonnemang.
Någon äger den. Supportchefen äger returerna. Om säljarna tycker att regeln borde se annorlunda ut är det ett samtal mellan två personer, inte mellan två chattbottar. Tills regelns Owner har godkänt en ändring gäller den gamla regeln.
Du kan se vad AI:n följde. När ett svar ser fel ut behöver du veta vilken regel den använde och i vilken version. Då rättar du den regeln en gång, och alla verktyg får rättelsen. Utan det spåret får du gissa vilket av de fyra dokumenten AI:n hittade.
Ett snabbt test för ditt företag
Be tre kollegor ställa samma fråga till det AI-verktyg de använder. Välj något som har ett tydligt rätt svar i din verksamhet, som ett betalningsvillkor, en leveranstid eller en rabattgräns. Jämför svaren.
Får alla samma svar från ChatGPT, Copilot eller vad de nu använder, är du i gott läge. Om inte: räkna hur många ställen regeln står på och vem som skulle behöva godkänna en ändring. Det antalet är oftast problemet.
Var du börjar
Du behöver ingen programvara för första steget. Välj den fråga där fel svar gör mest skada. Skriv ner regeln en gång, med ett skäl och namnet på den som äger den. Se sedan till att allas AI läser den versionen och inte en egen kopia.
Att göra det för en regel är enkelt. Att göra det för några hundra, i flera team och verktyg, medan folk hela tiden ändrar dem, är betydligt svårare. Det är jobbet för en company brain, och det är vad vi bygger med CtxCore Brain.