Workflow di AI oltre il software

Del lavoro assistito dall’AI si parla spesso come se la sua sede naturale fosse lo sviluppo software. E’ comprensibile. I team software hanno adottato rapidamente gli assistenti per il coding e gli esempi piu visibili riguardano spesso repository, test e automazione.

Ma il modello piu profondo e piu ampio del software.

La stessa logica guidata da specifiche si applica anche a ricerca, scrittura accademica, materiali educativi, documentazione tecnica, redazione legale, lavoro sulle policy e altre forme di serio lavoro della conoscenza. In tutte queste aree, il problema centrale non e semplicemente generare testo piu in fretta. Il vero problema e mantenere lavori complessi allineati con scopo, standard, evidenze e revisione.

Le specifiche non servono solo per le funzionalita

Nel software, una specifica descrive spesso il comportamento. Al di fuori del software, una specifica puo descrivere le proprieta desiderate di un documento o di un artefatto di conoscenza.

Questo puo includere:

• obiettivo
• pubblico
• limiti di ambito
• terminologia
• tono
• soglia di qualita
• aspettative di evidenza
• requisiti di accessibilita
• regole di conformita o di pubblicazione

Questo e gia familiare a molte professioni, anche se non usano l’espressione sviluppo guidato da specifiche.

I ricercatori lavorano rispetto a regole di sottomissione e standard di evidenza. Gli insegnanti lavorano rispetto a risultati di apprendimento e vincoli di accessibilita. I team di documentazione lavorano rispetto a struttura, terminologia, versioning e policy sugli screenshot. I team legali e di policy lavorano rispetto a giurisdizione, clausole richieste, approvazioni e catene di revisione.

Cio che l’AI cambia e la velocita con cui un intento vago diventa un output plausibile.

Per questo una specifica esplicita diventa piu utile, non meno.

L’AI interattiva e un punto di partenza ragionevole

Molte persone iniziano con sistemi di AI basati sul web. Non e un limite di cui scusarsi. Spesso e il punto giusto da cui partire.

L’AI interattiva puo gia aiutare in:

• redazione di una specifica
• critica di una bozza
• identificazione di assunzioni mancanti
• confronto tra strutture alternative
• proposta di idee di validazione
• riscrittura per pubblico o tono

Per molti documenti una tantum, questo puo bastare. Un insegnante che prepara la scaletta di una lezione o un ricercatore che rielabora un abstract puo non avere bisogno di nulla di piu avanzato.

L’errore non e iniziare da li. L’errore e presumere che un primo passo produttivo coincida con l’intero workflow.

Perche preservare il contesto conta

I workflow documentali tradizionali spesso conservano solo l’artefatto finale. La bozza viene sostituita, i commenti scompaiono e diventa difficile recuperare le ragioni dietro decisioni importanti.

I workflow di AI guidati da specifiche incoraggiano a preservare piu contesto circostante:

• la specifica
• le assunzioni importanti
• i rilievi di revisione
• i risultati di validazione
• le note sulle evidenze
• le decisioni di approvazione

Markdown e spesso un formato pratico per questo materiale perche e facile da leggere, facile da confrontare e facile da riutilizzare tra sistemi. Non e l’unico formato utile, ma e spesso un formato durevole.

Questa durevolezza conta perche il lavoro assistito dall’AI diventa piu affidabile quando il contesto circostante resta ispezionabile invece di sparire in conversazioni effimere.

Perche i workflow reali diventano iterativi

Le discussioni sull’AI vengono talvolta presentate come se l’utente scrivesse un prompt forte e ricevesse un risultato forte.

Il lavoro reale di solito e piu disordinato.

L’obiettivo cambia. I vincoli diventano piu chiari. La revisione fa emergere requisiti mancanti. La validazione rivela un problema strutturale. Nuovi stakeholder introducono preoccupazioni che all’inizio non erano visibili.

Per questo un workflow realistico assomiglia piu a questo:

1. definire l’obiettivo
2. redigere la specifica
3. generare un primo risultato
4. revisionare criticamente
5. rifinire la specifica
6. validare l’output
7. ripetere

Questa non e inefficienza. E’ il modo in cui il serio lavoro della conoscenza diventa di solito piu preciso.

Il ruolo umano diventa piu chiaro, non piu piccolo

L’AI puo aiutare con redazione, organizzazione, riscrittura, confronto e review. Puo suggerire rapidamente alternative e far emergere incoerenze nascoste.

Ma la persona resta responsabile del lavoro che conta di piu:

• scegliere l’obiettivo
• decidere la priorita
• valutare i compromessi
• approvare il risultato
• accettare il rischio della pubblicazione o dell’azione

In pratica, la persona diventa un revisore, editor e decisore piu esplicito.

Oltre la conversazione: strumenti e validatori

I workflow piu grandi di solito richiedono piu della semplice conversazione.

Alcuni progetti richiedono validazione delle citazioni. Alcuni richiedono OCR. Alcuni richiedono review di accessibilita. Alcuni richiedono generazione di diagrammi, automazione del browser, tooling statistico, pipeline di pubblicazione o workflow TeX e LaTeX.

Qui l’AI spesso funziona meglio come coordinatore piuttosto che come sostituto. Il sistema di AI fornisce ragionamento e orchestrazione, mentre gli strumenti specializzati svolgono compiti specifici del dominio.

I validatori sono particolarmente importanti qui. Non sostituiscono la qualita del contenuto, ma aiutano a preservare standard stabili. Un validatore di citazioni, un controllo di qualita linguistica, un insieme di regole di accessibilita o un validatore di pubblicazione puo servire molti progetti futuri dopo che il lavoro originario e terminato.

Questo e uno dei motivi per cui i validatori diventano spesso asset organizzativi di lunga durata.

Localizzare gli esempi quando possibile

Se il workflow stesso e multilingue, di solito anche gli esempi dovrebbero esserlo.

I lettori non dovrebbero dover tradurre mentalmente ogni estratto illustrativo mentre cercano di capire il processo reale. Esistono eccezioni per nomi di aziende, nomi di prodotti, standard, comandi, codice e nomi di protocolli, ma l’inglese non necessario in materiale localizzato aumenta il carico cognitivo con scarso beneficio.

Questo conta perche il lavoro guidato da specifiche non riguarda solo la struttura. Riguarda anche la riduzione dell’attrito evitabile per le persone che devono usare davvero il processo.

La lezione durevole

La lezione principale e semplice.

Il lavoro della conoscenza assistito dall’AI diventa piu affidabile quando l’intento viene messo per iscritto, il contesto viene preservato, la revisione e esplicita e la validazione e collegata a standard reali.

Questo principio vale per il software, ma vale bene anche oltre il software.

Letture correlate

• ../../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