Većini timova za početak ne treba veliki AI rollout. Treba im jasna slika gdje posao zapinje zato što je kontekst razbacan.
Audit AI konteksta je kratka, praktična suradnja oko tog pitanja. Gledamo mjesta gdje inženjeri, product, support i operations stalno ponovno pitaju iste stvari:
- koja odluka je aktualna?
- koji dokument još vrijedi?
- odakle je došla ova promjena?
- što AI smije čitati?
- što AI smije pripremiti, ali ne smije sam izvršiti?
- tko mora potvrditi konačnu promjenu?
Poanta nije spojiti svaki alat na AI agenta. Poanta je naći nekoliko loopova gdje bolji kontekst stvarno uklanja trenje.
Što gledamo
Audit počinje od postojećeg sustava, ne od praznog architecture dijagrama.
Tipični ulazi su repozitoriji, ticketi, dokumentacija, incident notes, support razgovori, runbookovi, deploy bilješke i mali broj workflowa koje tim već ponavlja svaki tjedan. Ne treba nam pristup svemu. Obično je bolje krenuti usko i pratiti dokaze.
Za software tim taj workflow može biti:
- pretvaranje korisničkog problema u fix
- priprema releasea
- objašnjenje zašto se dogodio production incident
- onboarding novog inženjera u dio koda
- provjera smije li se AI-generirana promjena pustiti u produkciju
Za product ili operations tim može biti:
- skupljanje strukturiranog inputa od korisnika
- routing ispravaka prema potvrdi
- priprema ponavljajućih izvještaja
- održavanje javnog zapisa
- pretvaranje informacija s terena u provjerenu promjenu
Tu kontekstna infrastruktura počinje imati vrijednost.
Šest provjera
Audit najčešće svodimo na šest provjera.
Prvo: izvor. Sustav mora znati odakle informacija dolazi. Generirani odgovor bez traga izvora nije dovoljan za operativni rad.
Drugo: svježina. AI može zvučati sigurno i kad koristi zastarjeli kontekst. Tim mora znati je li se relevantan repo, ticket, runbook ili customer thread promijenio.
Treće: dozvole. Ne smije svaki assistant vidjeti svaki dokument, secret, korisnički zapis ili internu bilješku. Kontekst treba granice prije automatizacije.
Četvrto: rizik. Neke akcije AI smije pripremiti, ali čovjek ih mora potvrditi. Primjeri su production promjene, customer-visible ispravci, billing updateovi i sve što mijenja službeni zapis.
Peto: diff. Tim mora vidjeti što se mijenja između starog i predloženog stanja. To vrijedi za kod, dokumentaciju, zapise i operativne upute.
Šesto: provjera. Sustav mora olakšati test, review ili potvrdu prije nego odgovor postane stvarna promjena.
Ako je ovih šest provjera slabo, više AI-a najčešće znači više nejasnoće.
Zašto je PLAYGRND dobar dokaz
PLAYGRND je javni sportski zapis, ali pattern ispod toga poznat je mnogim software i operations timovima.
Ima javne stranice koje moraju biti brze i indeksabilne. Ima raw sportske podatke koji moraju ostati provjerljivi. Ima claim i correction tokove gdje korisnici mogu pomoći poboljšati zapis, ali sustav i dalje treba potvrdu i trag. Koristi poznate ulazne kanale, uključujući WhatsApp-style workflowe, bez tretiranja svake poruke kao automatske promjene.
To je isti oblik koji tražimo u AI context radu:
- raw podaci ostaju source of truth
- izvedeni prikazi ubrzavaju ponavljana čitanja
- AI može pripremiti i klasificirati posao
- ljudi potvrđuju rizične promjene
- javni rezultat ostaje razumljiv
Inženjerski gledano, to nije samo chat interface. To je kontekstni sloj: izvor, dozvole, svježina, recompute, fallback i provjera.
Što pilot treba proizvesti
Dobar pilot mora završiti nečim konkretnim.
To može biti mapa konteksta za jedan repo i povezanu dokumentaciju. Može biti support-to-engineering triage flow. Može biti release-risk summary koji povezuje promjene u kodu, tickete i operativne bilješke. Može biti kontrolirani AI drafting workflow gdje assistant priprema promjenu, ali finalna akcija ostaje iza reviewa.
Deliverable treba biti dovoljno malen da se isporuči i dovoljno ozbiljan da pokaže isplati li se širiti pattern.
Najčešće očekujemo četiri artefakta:
- mapu workflowa i izvora konteksta
- listu dozvola i rizičnih granica
- jedan implementiran ili prototipiran context loop
- preporuku što automatizirati, što asistirati, a što ostaviti ručno
To je dovoljno da se sljedeća odluka donese na temelju dokaza, ne entuzijazma.
Cilj nije da AI izgleda impresivno. Cilj je da tim bude brži jer sustav zna što smije znati, što se promijenilo, što je rizično i kako se odgovor može provjeriti.