Praktyczne teksty o wprowadzaniu AI na produkcję: ustawienie problemu, ontologia, dane, agenci, wdrożenia i to, co dzieje się po uruchomieniu.
Długie listy przypadków użycia dają wrażenie postępu i służą do unikania decyzji. To, co je zastępuje, jest krótsze i naprawdę powstaje.
Każdy plan transformacji ma budżet na technologię i akapit o adopcji. Ta nierównowaga przewiduje wynik pewniej niż cokolwiek dotyczącego technologii.
Większość prób zabezpieczenia agentów dzieje się w promptcie. Prawie całe realne bezpieczeństwo bierze się z warstwy narzędzi, a to decyzja inżynierska, nie redakcyjna.
Miarą rozstrzygającą, czy funkcja AI komukolwiek oszczędza czas, nie jest dokładność. Jest nią czas, w jakim człowiek potwierdza albo poprawia to, co powstało.
Bez sposobu na ocenianie zmian kod AI z każdym miesiącem zwalnia. Zespoły czują to około trzeciego miesiąca i zwykle obwiniają nie to, co trzeba.
Gdy wyszukiwanie zwraca coś technicznie powiązanego i praktycznie błędnego, zwykłą reakcją jest strojenie retrievera. Zwykłą przyczyną jest brak zgody, czym jest ta encja.
Świeżość to najcichsza awaria w systemie AI. Nic się nie wywala, nic nie alarmuje, a odpowiedzi są idealnie spójne z rzeczywistością, która poszła dalej.
Większość polityk AI powstaje, żeby zaspokoić rejestr ryzyk, i jest ignorowana w miesiąc. Wersja, która działa, jest krótsza, bardziej permisywna i znacznie użyteczniejsza.
Klasyczny monitoring pilnuje rzeczy, które przestają działać. Tryb awarii, który tu ma znaczenie, nie daje ani błędu, ani alertu.
Systemy terenowe są odrzucane z powodów, które nigdy nie pojawiają się w dokumencie wymagań — a każdy z nich widać w dwie godziny stania tam, gdzie dzieje się praca.
Generowanie przyspieszyło dziesięciokrotnie, a przegląd nie. Zespoły mierzące tylko pierwszą połowę gromadzą niedoprzeglądany kod, a dług przychodzi naraz.
Produkcji bez obsługi rzadko blokuje robotyka. Blokuje ją rozeznanie, które noszą trzy doświadczone osoby, a które nie istnieje nigdzie, gdzie system mógłby je przeczytać.