原書把 unstructured-data drift 與「AI trained on AI」視為 GenAIOps 的新挑戰。
模型需定期判斷資料是否已 drift 到必須 recalibrate／retrain。對文字、影像、音訊、影片而言，企業還需要判斷 drift 是真實事件造成，還是大量 AI-generated content 滲入資料來源。
| Drift 來源 | 原書關注 |
|---|---|
| True-world change | 市場／語言／使用者行為真正改變 |
| AI-generated proliferation | 合成內容反覆進入後續訓練資料 |
| Response | Detection、recalibration、possible retraining |
按月份追蹤 data-source mix、synthetic／AI-generated share、distribution shift 指標；若資料標記不足，需先改善 lineage，不能靠模型猜來源。
教材情境：某月 100,000 筆新增內容中 25,000 筆確認為 AI-generated，AI-generated share=25%。
問題不是所有 AI-generated data 都不能用，而是組織必須知道其比例、來源與對模型品質的影響，否則 drift 與 feedback loop 會難以診斷。
根據已標記 data lineage 比較每月 AI-generated share 與 model-quality metrics；不可推測未標記資料來源。
**題目：**若下一月 AI-generated data 增至 40,000／100,000，share 增加多少個百分點？
**參考解答：**由 25% 升至 40%，增加 15 個百分點。