案例01｜Copilot for Microsoft 365：大型語言模型、Microsoft Graph、接地與語意索引
案例02｜工作資料接地聊天：從郵件、聊天、檔案、會議與人員取得組織脈絡
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制 |
|---|---|---|---|
| Copilot for Microsoft 365 | 把生成式人工智慧嵌入 Microsoft 365 工作環境並連結組織資料 | 跨 Word、Excel、PowerPoint、Outlook、Teams 與工作聊天協助日常任務 | 本書聚焦企業版；功能與可見資料受帳號、授權與權限影響 |
| 大型語言模型（Large Language Model, LLM） | 負責理解提示並生成回應 | 文字生成、摘要、問答與工作協助 | 生成回應仍可能有錯誤 |
| Microsoft Graph | 連結 Microsoft 365 中使用者有權限的郵件、聊天、檔案、會議與人員資料 | 讓 Copilot 回答組織工作問題 | 不代表使用者能越權存取組織所有資料 |
| 接地（Grounding） | 利用相關工作脈絡補充提示，讓模型回答更貼近實際組織資訊 | 降低只有通用模型知識時的脈絡不足 | 答案品質仍取決於可用來源與權限 |
| 語意索引 | 依語意而非只靠字面關鍵字找出相關工作內容 | 提高企業資料檢索能力 | 仍需使用者查證引用來源 |
| 網路接地／工作資料接地 | 公開網路問題與組織內部工作問題使用不同資料來源 | 分開處理一般研究與企業內部查詢 | 需避免把公開網路資訊誤當成公司正式紀錄 |
本章的重點不是把 Copilot 當成單一聊天機器人，而是理解大型語言模型、Microsoft Graph、接地與語意索引如何共同把自然語言介面連到工作資料。
原書指出，Copilot for Microsoft 365 能回答與組織內郵件、聊天、檔案、會議與人員有關的問題，關鍵在於 Microsoft Graph 與企業 Microsoft 365 環境的整合。
只有大型語言模型時，回答主要依賴模型既有訓練與提示；加入接地後，Copilot 可把與問題相關的組織脈絡帶入回答，使回應更貼近目前工作內容。
Copilot 的工作資料能力建立在使用者本來就有的 Microsoft 365 權限上。這是企業部署的重要治理原則：人工智慧介面不能被視為繞過既有資料權限的捷徑。
詢問「上週哪些郵件要注意」需要組織資料；詢問一般公開資訊則可能依賴網路。先判斷資訊來源，有助於理解答案的可信度與適用範圍。
Copilot 負責檢索、整合與生成回答；使用者負責確認問題範圍、檢查引用、理解權限限制，以及判斷回答是否足以支持實際工作。