本案例依原書第 2 章市場預測提案與 Integration Paradox 重組，並非原書正式案例研究。
理解兩個常見錯誤：把純預測任務誤交給生成式 AI，以及認為加入愈多資料來源就必然得到更好洞察。
原書描述一位主管想用生成式 AI 分析新聞、天氣、社群情緒等資料來預測市場趨勢。作者認為，生成式 AI 擅長內容生成與模式辨識，但純預測任務更適合傳統機器學習。此提案也呈現 Integration Paradox：假設資料來源愈多，洞察自然愈好。
| 提案元素 | 原書判斷 | 需注意的問題 |
|---|---|---|
| 市場趨勢預測 | 純預測較適合傳統 ML | 不要把內容生成能力等同預測能力 |
| 新聞資料 | 可成為資料來源之一 | 需驗證相關性與品質 |
| 天氣資料 | 可被加入，但不代表一定改善結果 | 可能增加複雜度與故障點 |
| 社群情緒 | 可提供另一類訊號 | 可能引入新的偏誤 |
| 更多資料來源 | 不自動等於更好洞察 | 形成 Integration Paradox |
Excel 可建立資料來源清冊，記錄每個來源的用途、品質、更新頻率、缺失、偏誤與是否真的改善預測指標；AI 可整理來源用途與風險，但精確預測仍應由可驗證模型計算。
原書沒有提供任何市場資料或模型績效數字，因此不能計算預測結果，也不能量化新增資料來源的邊際價值。
多資料源整合的價值取決於資料是否真正相關、可靠且能被正確整合。每增加一個來源，也增加資料處理、偏誤與系統故障的可能位置。
請逐一檢查我列出的資料來源，說明它們可能回答哪個業務問題、需要哪些品質證據，以及新增來源可能帶來的整合與偏誤風險。不要假設資料來源愈多模型一定更準。