Δώσε σε δύο ανθρώπους το ίδιο εργαλείο AI και την ίδια δουλειά, και τα αποτελέσματα μπορεί να απέχουν κόσμο. Το βλέπω κάθε εβδομάδα στις ομάδες μου: ίδιο model, ίδιο codebase, ίδια προθεσμία, κι όμως η μία συνεδρία τελειώνει με ένα καθαρό πλάνο και ένα diff έτοιμο για review, ενώ η άλλη τελειώνει με μια ώρα πηγαινέλα και ένα αποτέλεσμα που δεν ικανοποιεί κανέναν. Για πολύ καιρό υπέθετα ότι η διαφορά ήταν η ικανότητα στο prompting. Τελικά το prompting είναι μόνο το ένα τέταρτο της ιστορίας.
Τα άλλα τρία τέταρτα έχουν κι αυτά ονόματα. Η Anthropic, μαζί με τον καθηγητή Rick Dakan (Ringling College of Art and Design) και τον καθηγητή Joseph Feller (University College Cork), δημοσίευσαν το AI Fluency Framework: τέσσερις διασυνδεδεμένες ικανότητες που κάνουν τις αλληλεπιδράσεις μας με την AI αποτελεσματικές, αποδοτικές, ηθικές και ασφαλείς. Το ονομάζουν 4D framework, από τα Delegation, Description, Discernment και Diligence. Παρακολούθησα το μάθημά τους, AI Fluency: Framework & Foundations, και πήρα την πιστοποίηση, και αυτό που ακολουθεί είναι το framework όπως έχω καταλήξει να το χρησιμοποιώ στην καθημερινή δουλειά.
Μία ιδέα από το framework αξίζει να την κρατήσουμε πριν ξεκινήσουμε. Περιγράφει τρεις τρόπους αλληλεπίδρασης με την AI: το automation, όπου η AI εκτελεί μια συγκεκριμένη εργασία που της αναθέτεις· το augmentation, όπου εσύ και η AI σκέφτεστε κάτι μαζί σαν συνεργάτες· και το agency, όπου διαμορφώνεις την AI ώστε να εκτελεί μελλοντική δουλειά για λογαριασμό σου. Οι περισσότερες απογοητεύσεις που βλέπω με την AI προέρχονται από το μπέρδεμα αυτών των τριών: όταν ζητάς μια μονοκόμματη απάντηση ενώ η δουλειά χρειαζόταν συζήτηση, ή όταν δίνεις σε έναν agent ελεύθερα τα ηνία σε δουλειά που χρειαζόταν επίβλεψη. Οι τέσσερις ικανότητες που ακολουθούν είναι αυτό που σου επιτρέπει να μετακινείσαι ανάμεσα σε αυτούς τους τρόπους με πρόθεση.
Delegation: αποφάσισε αν, πότε και πώς
Το Delegation, η ανάθεση, έχει να κάνει με το να θέτεις στόχους και να αποφασίζεις αν, πότε και πώς θα εμπλέξεις καθόλου την AI. Ακούγεται προφανές μέχρι να προσέξεις πόσο σπάνια το κάνουμε πραγματικά. Το εργαλείο είναι ανοιχτό, οπότε απλώς γράφουμε μέσα του. Το framework ζητά μια μικρή παύση πριν από αυτό: τι προσπαθώ να πετύχω, ποια κομμάτια αυτής της δουλειάς χρειάζονται την κρίση μου, και ποια κομμάτια μπορώ να παραδώσω;
Στη δική μου δουλειά το πιο ξεκάθαρο παράδειγμα είναι ο διαχωρισμός ανάμεσα στο planning και το implementation. Όταν φέρνω ένα agentic εργαλείο σαν το Claude Code σε μια δουλειά, δεν ξεκινάω πια με το "φτιάξε το feature". Ξεκινάω ζητώντας ένα πλάνο: σπάσε το παραδοτέο σε μικρά stories, όρισε τα acceptance criteria, κατέγραψε τα ρίσκα και τις παραδοχές, και σταμάτα. Το implementation ανατίθεται story προς story μετά. Έγραψα γι' αυτό το workflow αναλυτικά στο άρθρο μου για το TDD στην εποχή της agentic AI, και στην ουσία του είναι μια απόφαση delegation: η διαμόρφωση της δουλειάς μένει σε μένα, το γράψιμο πάει στον agent.
Το Delegation σημαίνει επίσης να ξέρεις τι να μην παραδώσεις. Αποφάσεις με μακρά σκιά, όπως οι επιλογές αρχιτεκτονικής, το να ονομάσεις πράγματα με τα οποία μια ομάδα θα ζήσει για χρόνια, ή οτιδήποτε όπου η ευθύνη βαραίνει εμένα, παίρνουν την AI ως σύμβουλο, όχι ως αυτόν που αποφασίζει. Αυτό είναι augmentation, και το να το επιλέγεις σκόπιμα είναι κι αυτό μια δεξιότητα delegation.
Description: πες τι πραγματικά θέλεις
Το Description, η περιγραφή, είναι η ικανότητα που συνήθως εννοούν οι άνθρωποι όταν λένε "prompting": το να περιγράφεις αποτελεσματικά τους στόχους σου ώστε η AI να παράγει χρήσιμη συμπεριφορά και output. Αλλά το framework είναι πιο ευρύ από την έξυπνη διατύπωση. Περιγράφεις τρία πράγματα ταυτόχρονα: το προϊόν που θέλεις, τη διαδικασία που πρέπει να ακολουθήσει η AI, και τον τρόπο με τον οποίο θέλεις να συμπεριφέρεται όσο δουλεύει μαζί σου.
Η διαφορά φαίνεται εύκολα στην πράξη. Να μια περιγραφή που θα είχα γράψει πριν από μερικά χρόνια:
Create a todo app with Angular.
Και να πώς μοιάζει μια fluent περιγραφή του ίδιου στόχου:
Planning mode only. Do not edit files yet.
I want to create a todo app with Angular.
First, break the deliverable into small composable stories. For each story, define the goal, acceptance criteria, expected files to create or modify, dependencies, required tests, risks, and assumptions.
Stop after the plan.
Η δεύτερη εκδοχή περιγράφει το προϊόν (μια todo app, διαμορφωμένη σε stories), τη διαδικασία (πρώτα το πλάνο, καμία επεξεργασία αρχείων) και τη συμπεριφορά (σταμάτα και περίμενε για review). Κάθε πρόταση κλείνει ένα κενό που η AI αλλιώς θα το γέμιζε με μια παραδοχή. Στην πραγματικότητα, αυτό είναι το πιο απλό τεστ που ξέρω για μια καλή περιγραφή: διάβασέ την ξανά και μέτρα τις εικασίες που αφήνει ακόμα ανοιχτές.
Discernment: το review είναι η δουλειά
Το Discernment, η διάκριση, είναι το να αξιολογείς με ακρίβεια τη χρησιμότητα αυτού που σου δίνει η AI, και είναι η ικανότητα που ξεχωρίζει το να χρησιμοποιείς την AI από το να ωφελείσαι από αυτήν. Τα models παράγουν output ρευστό και σίγουρο, είτε έχουν δίκιο είτε άδικο, επομένως η σιγουριά της απάντησης δεν σου λέει τίποτα για την ποιότητά της. Κάποιος πρέπει πραγματικά να την κρίνει, και αυτός ο κάποιος είσαι εσύ.
Αυτό ταιριάζει με ό,τι βλέπω στο engineering κάθε μέρα. Για τις ομάδες μου το bottleneck έχει όντως μετακινηθεί από το γράψιμο κώδικα στο review και το validation του. Ένας agent επιστρέφει μια σύνοψη του τι άλλαξε, και η πραγματική δουλειά ξεκινά εκεί:
- Κάνει αυτό το diff αυτό που ζήτησε το story;
- Ποιες παραδοχές έκανε σιωπηλά;
- Αποδεικνύουν τα tests τη συμπεριφορά, ή απλώς περνούν;
- Είναι συνεπές με τον τρόπο που δουλεύει το υπόλοιπο codebase;
Το Discernment εφαρμόζεται και στη διαδικασία, όχι μόνο στο προϊόν. Καμιά φορά το output φαίνεται μια χαρά, αλλά ο τρόπος που το έφτασε η AI είναι ανησυχητικός, όπως ένας συλλογισμός που προσπέρασε έναν περιορισμό που είχες δηλώσει, ή ένα βήμα όπου εφηύρε ένα γεγονός για να προχωρήσει. Το να το πιάσεις αυτό αλλάζει το τι κάνεις μετά, και εκεί το discernment τροφοδοτεί κατευθείαν πίσω το description: βελτιώνεις αυτό που ζήτησες, η AI παράγει ένα καλύτερο αποτέλεσμα, και το αξιολογείς ξανά. Το μάθημα το ονομάζει description and discernment loop, και είναι ένα καλό όνομα για το πώς μοιάζει πραγματικά μια παραγωγική συνεδρία με AI.
Diligence: πάρε την ευθύνη γι' αυτό που παραδίδεις
Το Diligence, η επιμέλεια και η υπευθυνότητα, είναι το να αναλαμβάνεις την ευθύνη για το τι κάνουμε με την AI και για το πώς το κάνουμε. Από τα τέσσερα D αυτό είναι που με νοιάζει περισσότερο, γιατί δουλεύω σε έναν κλάδο με ρυθμιστικό πλαίσιο, και το "το έγραψε η AI" δεν είναι δικαιολογία που θα δεχτεί κανείς. Αν η AI βοήθησε να παραχθεί ο κώδικας, το έγγραφο ή η απόφαση, η ευθύνη εξακολουθεί να ανήκει στον άνθρωπο που το παρέδωσε.
Στην πράξη, το diligence μοιάζει ασήμαντο. Είναι το να ελέγχεις ότι τα δεδομένα που κάνεις paste σε ένα εργαλείο είναι δεδομένα που επιτρέπεται να μοιραστείς. Είναι το να είσαι διαφανής με τους συναδέλφους για το πού εμπλάκηκε η AI σε μια δουλειά, ώστε να μπορούν να ρυθμίσουν το δικό τους review. Είναι το να ξέρεις τι κάνουν τα συστήματα στα οποία στηρίζεσαι με τα inputs σου. Και είναι το να αρνείσαι να αφήσεις την ταχύτητα να γίνει η δικαιολογία για να παρακάμψεις τον ανθρώπινο έλεγχο σε οτιδήποτε έχει σημασία.
Βρίσκω αυτή τη ματιά πιο ανθρώπινη από τη συνηθισμένη γλώσσα του compliance, γιατί κάνει την ευθύνη μια δεξιότητα που εξασκείς αντί για μια πολιτική που φοβάσαι. Ο ίδιος ο ορισμός του fluency στο framework βάζει το ηθικό και το ασφαλές ακριβώς δίπλα στο αποτελεσματικό και το αποδοτικό, και από την εμπειρία μου οι ομάδες που τα αντιμετωπίζουν όλα αυτά σαν ένα πακέτο είναι και αυτές που βγάζουν τα περισσότερα από την τεχνολογία, καθώς η εμπιστοσύνη είναι αυτό που επιτρέπει σε έναν οργανισμό να πει ναι σε περισσότερη AI, όχι σε λιγότερη.
Τέσσερις δεξιότητες, ένας κύκλος
Τα τέσσερα D δεν είναι μια λίστα ελέγχου που την ολοκληρώνεις μία φορά. Το delegation αποφασίζει τι θα παραδώσεις, το description το παραδίδει καλά, το discernment κρίνει αυτό που επιστρέφει, και το diligence φροντίζει ώστε ολόκληρη η ανταλλαγή να είναι κάτι που μπορείς να υπερασπιστείς. Σε μια πραγματική συνεδρία περνάς και από τα τέσσερα μέσα σε λεπτά, και όποιο από αυτά είναι το πιο αδύναμό σου βάζει ταβάνι στην αξία των υπολοίπων. Οι εκπληκτικές περιγραφές δεν μπορούν να σώσουν μια δουλειά που δεν θα έπρεπε ποτέ να είχε ανατεθεί, και το κοφτερό discernment δεν μπορεί να διορθώσει μια ευθύνη που δεν ανέλαβε κανείς.
Αξίζει επίσης να το πω καθαρά: αυτό μαθαίνεται. Τίποτα από όλα αυτά δεν απαιτεί τεχνικό υπόβαθρο, και αυτό ακριβώς είναι το ζητούμενο, καθώς οι άνθρωποι που χρειάζονται τώρα αυτές τις δεξιότητες περιλαμβάνουν όλους όσων η δουλειά αγγίζει ένα model, όχι μόνο τους μηχανικούς.
Και δεν χρειάζεται να τα συνθέσεις όλα μόνος σου. Η Anthropic προσφέρει δωρεάν μαθήματα για τη δουλειά με την AI, και αυτό πάνω στο οποίο χτίστηκε το άρθρο, το AI Fluency: Framework & Foundations, κλείνει με μια τελική αξιολόγηση και ένα πιστοποιητικό ολοκλήρωσης. Είναι το μάθημα που παρακολούθησα, δεν κοστίζει τίποτα, και είναι μερικές καλοξοδεμένες ώρες. Το trailer σου δίνει μια γρήγορη αίσθηση:
Πράγμα που με φέρνει πίσω στις δύο συνεδρίες από την αρχή, το καθαρό πλάνο και τη μία ώρα πηγαινέλα. Η απόσταση ανάμεσά τους δεν ήταν ποτέ το εργαλείο. Ήταν τέσσερις δεξιότητες με ονόματα, και μπορείς να αρχίσεις να εξασκείς την καθεμία τους στην αμέσως επόμενη συνεδρία σου.