Un suggeriment és diferent d'una ordre. Tot i que alguns humans semblen perdre el punt del tot, un suggeriment és simplement una idea presentada com a solució potencial a un problema. Fer un suggeriment implica que podrien existir altres solucions i que acceptar un suggeriment no significa implementar-lo automàticament. De fet, el suggeriment és només una idea; potser ni tan sols funcioni. Per descomptat, en un món perfecte, tots els suggeriments serien bons suggeriments, almenys possibles solucions per a una sortida correcta, que poques vegades és el cas al món real.
Obtenir suggeriments basats en accions passades
La manera més habitual que utilitza una IA per crear un suggeriment és recopilant accions passades com a esdeveniments i després utilitzant aquestes accions passades com a conjunt de dades per fer nous suggeriments. Per exemple, algú compra un widget mig cuinat cada mes durant tres mesos. Té sentit suggerir-ne comprar-ne un altre a principis del quart mes. De fet, una IA realment intel·ligent podria fer el suggeriment en el moment adequat del mes. Per exemple, si l'usuari fa la compra entre el tercer i el cinquè dia del mes durant els tres primers mesos, val la pena començar a fer el suggeriment el tercer dia del mes i després passar a una altra cosa després del cinquè dia.
Els humans produeixen una gran quantitat de pistes mentre realitzen tasques. A diferència dels humans, una IA en realitat presta atenció a cadascuna d'aquestes pistes i pot registrar-les de manera coherent. La recopilació coherent de dades d'acció permet que una IA proporcioni suggeriments basats en accions passades amb un alt grau de precisió en molts casos.
Obtenció de suggeriments basats en grups
Una altra manera habitual de fer suggeriments es basa en la pertinença al grup. En aquest cas, la pertinença al grup no ha de ser formal. Un grup podria consistir en una associació solta de persones que tenen alguna necessitat o activitat menor en comú. Per exemple, un llenyataire, el propietari d'una botiga i un dietista podrien comprar llibres de misteri. Tot i que no tenen res més en comú, ni tan sols la ubicació, el fet que a tots tres els agradin els misteris els fa formar part d'un grup. Una intel·ligència artificial pot detectar fàcilment patrons com aquest que podrien eludir els humans, de manera que pot fer bons suggeriments de compra basats en aquestes afiliacions de grup força laxes.
Els grups poden incloure connexions etèries que, en el millor dels casos, són temporals. Per exemple, totes les persones que van volar el vol 1982 des de Houston un dia determinat podrien formar un grup. De nou, no hi ha cap connexió entre aquestes persones excepte que van aparèixer en un vol específic. Tanmateix, en conèixer aquesta informació, una intel·ligència artificial podria realitzar un filtratge addicional per localitzar persones dins del vol que els agradin els misteris. La qüestió és que una IA pot proporcionar bons suggeriments basats en l'afiliació al grup, fins i tot quan el grup és difícil (si no impossible) d'identificar-lo des d'una perspectiva humana.
Obtenció de suggeriments equivocats
Qualsevol que hagi passat temps comprant en línia sap que els llocs web sovint ofereixen suggeriments basats en diversos criteris, com ara compres anteriors. Malauradament, aquests suggeriments sovint són incorrectes perquè la IA subjacent no entén. Quan algú fa una compra única d'un widget súper ample, és probable que un humà sàpiga que la compra és una vegada a la vida perquè és molt poc probable que algú en necessiti dos. Tanmateix, l'IA no entén aquest fet. Per tant, tret que un programador creï específicament una regla que especifiqui que els widgets Super-Wide són una compra única en la vida, l'IA pot optar per seguir recomanant el producte perquè les vendes són comprensiblement petites. En seguir una regla secundària sobre la promoció de productes amb vendes més lentes, la IA es comporta segons les característiques que el desenvolupador li ha proporcionat,
A més dels errors lògics o basats en regles a les IA, els suggeriments es poden corrompre a causa de problemes de dades. Per exemple, un GPS podria fer un suggeriment basat en les millors dades possibles per a un viatge concret. Tanmateix, la construcció de carreteres pot fer que el camí suggerit sigui insostenible perquè la carretera està tancada. Per descomptat, moltes aplicacions de GPS tenen en compte la construcció de carreteres, però de vegades no tenen en compte altres qüestions, com ara un canvi sobtat del límit de velocitat o les condicions meteorològiques que fan que un determinat camí sigui traïdor. Els humans poden superar les mancances de dades mitjançant la innovació, com ara utilitzant la carretera menys transitada o entenent el significat dels senyals de desviament.
Quan una IA aconsegueix superar els problemes de lògica, regles i dades, de vegades encara fa suggeriments dolents perquè no entén la correlació entre determinats conjunts de dades de la mateixa manera que ho fa un humà. Per exemple, és possible que l'IA no sàpiga suggerir pintura després que un humà compri una combinació de canonades i panells de guix quan fa una reparació de fontaneria. La necessitat de pintar el panell de guix i la zona circumdant després de la reparació és òbvia per a un humà perquè un humà té una sensació estètica que no té l'IA. L'ésser humà fa una correlació entre diversos productes que no és òbvia per a la IA.
