AI 替你改善提问可让準确率大幅提升，但真正差距来自谁在问问题

在企业追求数位转型的过程中，搜寻引擎与 AI 助手已成为不可或缺的工具。然而，当我们输入複杂提问时，结果往往差强人意。

最新研究指出，AI如果能协助重新整理与补充使用者的提问，解答準确率可显着提升，改善理解与决策品质。但真正的差距，在于谁在提问？同一个问题由工程师与非技术人员提出，AI是否会给出本质不同的答案？

AI 改善后还存在效率鸿沟？

研究显示，高品质的技术支援能协助使用者操作数位应用，但许多人（特别是高龄者或非技术背景人员）常因不熟悉专业术语而难以精确表达问题。常见的沟通障碍包括：语言过于冗长、资讯不完整、过于细节化或描述不足。

为了克服这些障碍，研究导入GPT-4o等大型语言模型进行提问改善，能显着改善理解品质。实验数据证实，经AI调整后的提问，解决方案的準确率从 46%大幅提升至69%，Google搜寻结果的準确率更是从35%翻倍成长至 69%。

即便如此，搜寻结果如果不準确，核心因素往往仍回归到提出问题的品质。当工程师、产品经理（PM）或法务人员提出问题时，其切入角度、逻辑架构与提供的关键背景资讯本就不同，这决定了 AI 改善的天花板。

AI 能做为问题翻译器的潜力

在企业内部，跨部门沟通的落差常来自于专业知识的壁垒。研究发现，年轻族群或专业人员对 AI 重新调整后的问题理解度高达93.7%，远高于原始问题的65.8%。这暗示AI具备做为问题翻译器的潜力，能将非技术人员模糊的描述，转化为开发端可理解的精确需求。

然而，这种转化也可能放大专业差距。同一个技术问题，由具备系统思维的工程师提出，AI能在重新整理的过程中，找到其架构关联；而由缺乏基础知识的人员提出，AI仅能就字面意思补完细节。当 AI 能够引导使用者补充上下文（Contextual details）时，具备专业素养者更能精準回答AI的追问（感知能力达89.8%），而产出更具深度与执行力的解决方案 。

查询技术与强化学习的协同效应

AI答非所问的情况，常常是因为人类的原始提问（Query）过于模糊。查询重塑系统（Query Reformulation System），的核心在于将神经网路与强化学习（Reinforcement Learning）结合。

当你输入一个问题，AI并非直接去抓答案，而是先在后台演练无数次，自动挑选出最能精确表达意图的专业术语来重新组装你的问题。这种方式就像是帮你的问题请了一位专业翻译人员，能让搜寻的精确度在实际应用中提升5%至20%。

然而，专业背景决定了AI的起跑点。虽然系统会帮你改善提问，但如果你本身具备深厚的领域知识（Domain Knowledge），例如工程师或法务人员，你提供的初始资讯就像是给了AI一个高品质的草稿（Initial State）。AI在这个基础上进行调整时，能更精準地锁定那些藏在数据中的高价值关键资讯（特徵向量），而极大地缩短找到正确决策的路径 。

这代表提问力正成为一项关键的职场竞争力，当AI具备帮你把问题问清楚的能力时，它其实是在放大你原有的专业价值。如果你能提供精确的问题，AI的改善效果将事半功倍。即便技术在演进，人类对问题的原始定义与专业判断，依然是AI能否高效能协助我们做出贡献的关键。

• Empowering Older Adults in Digital Technology Use with Foundation Models
• Task-Oriented Query Reformulation with Reinforcement Learning

（首图来源：shutterstock）