Idea principale

Valutare output probabilistici, tenere una memoria di prodotto consultabile, scrivere una documentazione utilizzabile da una macchina quanto da un umano, mantenere leggibile un repository, formulare criteri di accettazione netti, orchestrare le catene di strumenti: niente di tutto questo è nuovo. Erano lavori che esistevano già, sparsi, svolti da chi aveva tempo, e trascurarli non costava granché a nessuno.

Appena un team fa lavorare degli agenti, smettono di essere periferici. La qualità del contesto fornito determina la qualità di ciò che viene prodotto, e un contesto che nessuno cura degrada tutti gli output in una volta. Ciò che era una questione di cura diventa una condizione di funzionamento.

Questi bisogni non diventano per forza posizioni. Diventano responsabilità da attribuire — e la domanda posta a un team che lavora con gli strumenti di IA non è più «chi fa cosa?», ma «chi giudica, chi costruisce, chi garantisce, chi valuta, chi mantiene la memoria, chi orchestra?».

Perché è importante

Spiega perché due team dotati degli stessi strumenti ottengono risultati molto diversi: la differenza non sta nello strumento, sta in ciò che nessuno aveva il compito di curare.

E offre un elenco di responsabilità da attribuire esplicitamente prima di constatarne l'assenza, invece che dopo un output sbagliato finito in produzione.

Sfumature e limiti

Rendere visibili queste responsabilità non dice come dotarle di risorse. Un team che le attribuisce senza liberare il tempo corrispondente ottiene un elenco di responsabili sulla carta e lo stesso abbandono di prima.

E alcuni di questi compiti sono transitori: l'affidabilità degli strumenti migliora, e una responsabilità di valutazione dimensionata sullo stato attuale dei modelli può diventare sproporzionata.

Domande aperte

• Quali di queste responsabilità conviene affidare a una persona dedicata, e quali si degradano appena le si toglie al team che produce?