AI radni tokovi izvan softvera

O AI-potpomognutom radu često se govori kao da je njegov prirodni dom razvoj softvera. To je razumljivo. Softverski timovi brzo su prihvatili pomoćnike za kodiranje, a najvidljiviji primjeri često uključuju repozitorije, testove i automatizaciju.

No dublji je obrazac širi od samog softvera.

Ista logika vođena specifikacijama vrijedi i za istraživanje, akademsko pisanje, obrazovne materijale, tehničku dokumentaciju, pravno pisanje, rad na politikama i druge oblike ozbiljnog rada sa znanjem. U svim tim područjima središnji problem nije samo brže stvaranje teksta. Pravi je problem kako složen rad održati usklađenim s namjenom, standardima, dokazima i pregledom.

Specifikacije nisu samo za funkcionalnosti

U softveru specifikacija često opisuje ponašanje sustava. Izvan softvera ona može opisivati željena svojstva dokumenta ili nekog drugog artefakta znanja.

To može uključivati:

• cilj
• ciljanu publiku
• granice opsega
• terminologiju
• ton
• prag kvalitete
• očekivanja u vezi s dokazima
• zahtjeve pristupačnosti
• pravila usklađenosti ili objavljivanja

To je već poznato mnogim profesijama, čak i ako ne koriste izraz razvoj vođen specifikacijama.

Istraživači rade prema pravilima predaje i standardima dokazivanja. Nastavnici rade prema ishodima učenja i ograničenjima pristupačnosti. Dokumentacijski timovi rade prema strukturi, terminologiji, verzioniranju i pravilima za snimke zaslona. Pravni i politički timovi rade prema jurisdikciji, obveznim klauzulama, odobrenjima i preglednim lancima.

Ono što AI mijenja jest brzina kojom se nejasna namjera pretvara u uvjerljiv izlaz.

Zato eksplicitna specifikacija postaje korisnija, a ne manje korisna.

Interaktivni AI je razuman početak

Mnogi ljudi započinju s web AI sustavima. To nije ograničenje zbog kojega bi se trebalo ispričavati. Često je to pravo mjesto za početak.

Interaktivni AI već može pomoći pri:

• izradi specifikacije
• kritici nacrta
• prepoznavanju nedostajućih pretpostavki
• usporedbi alternativnih struktura
• predlaganju ideja za validaciju
• preoblikovanju za drugu publiku ili ton

Za mnoge jednokratne dokumente to može biti dovoljno. Nastavnik koji priprema okvir nastavne jedinice ili istraživač koji preoblikuje sažetak rada možda neće trebati ništa naprednije.

Pogreška nije u tome da počnete tamo. Pogreška je u pretpostavci da je produktivan prvi korak ujedno i cijeli radni tok.

Zašto je očuvanje konteksta važno

Tradicionalni dokumentni procesi često očuvaju samo završni artefakt. Nacrt se zamjenjuje, komentari nestaju, a razloge za ključne odluke kasnije je teško rekonstruirati.

Radni tokovi vođeni specifikacijama i potpomognuti AI-em potiču očuvanje šireg pratećeg konteksta:

• specifikacije
• važnih pretpostavki
• nalaza pregleda
• rezultata validacije
• bilježaka o dokazima
• odluka o odobrenju

Markdown je za takav materijal često praktičan format jer ga je lako čitati, uspoređivati kroz razlike i ponovno koristiti u različitim sustavima. Nije jedini koristan format, ali je često vrlo trajan.

Ta je trajnost važna zato što AI-potpomognuti rad postaje pouzdaniji kada okolni kontekst ostaje pregledljiv, a ne nestaje u kratkotrajnim razgovorima.

Zašto stvarni radni tokovi postaju iterativni

Rasprave o AI-u ponekad su prikazane kao da korisnik napiše jedan snažan prompt i dobije jedan snažan rezultat.

Stvarni je rad obično neuredniji.

Cilj se mijenja. Ograničenja postaju jasnija. Pregled otkriva nedostajuće zahtjeve. Validacija razotkriva strukturni problem. Novi dionici unose zabrinutosti koje na početku nisu bile vidljive.

Zato realističan radni tok češće izgleda ovako:

1. definirajte cilj
2. pripremite nacrt specifikacije
3. stvorite početni rezultat
4. kritički ga pregledajte
5. poboljšajte specifikaciju
6. validirajte rezultat
7. ponovite postupak

To nije neučinkovitost. Tako ozbiljan rad obično postaje precizniji.

Ljudska uloga postaje jasnija, ne manja

AI može pomoći pri pripremi nacrta, organiziranju, prepisivanju, uspoređivanju i pregledu. Može brzo predložiti alternative i razotkriti skrivene nedosljednosti.

Ali čovjek ostaje odgovoran za ono što je doista najvažnije:

• izbor cilja
• određivanje prioriteta
• procjenu kompromisa
• odobrenje rezultata
• prihvaćanje odgovornosti za objavu ili djelovanje

U praksi čovjek postaje eksplicitniji pregledavatelj, urednik i donositelj odluka.

S onu stranu razgovora: alati i validatori

Veći radni tokovi obično trebaju više od samog razgovora.

Neki projekti trebaju validaciju citata. Neki trebaju OCR. Neki pregled pristupačnosti. Neki izradu dijagrama, automatizaciju preglednika, statističke alate, objavne cjevovode ili TeX i LaTeX radne tokove.

Tu AI često najbolje djeluje kao koordinator, a ne kao zamjena. AI-sustav donosi rezoniranje i orkestraciju, a specijalizirani alati obavljaju domenski specifične zadatke.

Validatori su tu posebno važni. Ne zamjenjuju kvalitetu sadržaja, ali pomažu očuvati stabilne standarde. Validator citata, provjera jezične kvalitete, skup pravila pristupačnosti ili validator objave mogu nakon završetka prvotnog rada služiti i mnogim budućim projektima.

To je jedan od razloga zašto validatori često postaju dugoročna organizacijska sredstva.

Lokalizirajte i primjere kad god je moguće

Ako je sam radni tok višejezičan, gdje god je moguće višejezični trebaju biti i primjeri.

Čitatelji ne bi trebali u glavi prevoditi svaki ilustrativni ulomak dok pokušavaju razumjeti sam proces. Iznimke, naravno, postoje za nazive tvrtki, nazive proizvoda, standarde, naredbe, kod i nazive protokola, ali nepotreban engleski u lokaliziranim materijalima povećava kognitivno opterećenje bez stvarne koristi.

To je važno jer rad vođen specifikacijama nije samo pitanje strukture. Riječ je i o smanjenju izbjegljivog trenja za ljude koji taj proces stvarno moraju koristiti.

Trajna lekcija

Glavna je lekcija jednostavna.

AI-potpomognuti rad sa znanjem postaje pouzdaniji kada su namjera, očuvan kontekst, pregled i validacija eksplicitno zapisani i povezani sa stvarnim standardima.

To načelo vrijedi za softver, ali vrijedi i daleko izvan njega.

Povezano čitanje

• ../../wiki/ai-assisted-knowledge-work.md
• ../../wiki/spec-driven-development.md
• ../../learning/how-to-use-ai-workflows-for-non-software-knowledge-work.md
• governance-trust-and-security-in-ai-workflows.md