Keskeisiä kysymyksiä olivat:

• Mitkä aihealueet ovat historiassa liittyneet tilausten syntymiseen?
• Millaiset juttuformaatit ovat toimineet?
• Millaisiin yleisötarpeisiin jutut vastaavat?
• Löytyykö tulevista jutuista yhtäläisyyksiä aiemmin toimineisiin sisältöihin?

Tilausdataa ei kuitenkaan haluttu käyttää journalistisen arvon mittarina, vaan yhtenä sisältösuunnittelua tukevana näkökulmana.

Agentti:

• luokittelee juttuja aihealueen, juttuformaatin ja user needin perusteella
• analysoi historiallista tilausdataa myös suhteessa julkaistujen juttujen määrään
• tunnistaa relevantteja historiallisia vertailujuttuja
• arvioi tulevien juttujen tilauspotentiaalia
• kertoo arvion yhteydessä myös confidence-tason
• tunnistaa viikon sisältöportfolion painotuksia ja mahdollisia puutteita
• erottaa datasta tehdyt havainnot, tulkinnat ja suositukset toisistaan

Agentti ei tee sisältöpäätöksiä toimituksen puolesta. Toimitus arvioi edelleen juttujen journalistisen merkityksen ja päättää, miten analyysia hyödynnetään suunnittelussa.

Ratkaisun avulla voidaan:

• nopeuttaa historiadatan analysointia
• löytää suunnittelulistalta relevantteja vertailuja aiempiin juttuihin
• tarkastella aiheiden lisäksi formaattien ja yleisötarpeiden toimivuutta
• tuoda sisältösuunnitteluun yhtenäinen tapa arvioida datasta saatavaa näyttöä
• tehdä analyysin epävarmuus näkyväksi confidence-tason avulla

Keskeinen oppi oli, että tekoälyn tuottaman analyysin luotettavuus riippuu voimakkaasti datan laadusta. Esimerkiksi myös nolla tilausta tuottaneet jutut on huomioitava, jotta eri sisältötyyppien onnistumisesta voidaan tehdä mielekkäitä vertailuja.

Seuraava vaihe on kasvattaa historiadataa, seurata agentin arvioiden toimivuutta käytännössä ja kehittää analyysimallia uuden datan perusteella.

Microsoft Copilot
AI-agentti
Excel-data
User needs -luokittelu
Historiallinen suorituskykydata
Prompt- ja analyysilogiikka
Human-in-the-loop