The post has been translated automatically. Original language: Russian
How to separate the roles of human, knowledge system and ChatGPT so that the acceleration of development does not lead to loss of control
Connecting ChatGPT to development by itself does not create a new work model.
The team can continue the previous process, but some of the tasks will now be performed faster: AI will write a function, prepare tests, explain the error, or suggest an architecture option.
This is enough for the first stages. But as the role of AI grows, a more important question arises.:
Who now determines which decision is the right one?
ChatGPT can prepare a convincing response. The documentation may contain several options. The code shows the current system status. The expert remembers the reasons for previous decisions, but cannot personally accompany each change.
In order for human and AI collaboration to remain manageable, it is necessary to separate three types of responsibility.:
- A person defines goals and makes decisions.;
- the canon preserves the current theory of the product;
- AI helps to apply, test and develop it.
This model can be called Agile of the new generation.: man, canon, and AI.
Why is ChatGPT alone not enough
AI works well with a task when it gets a clear context.
For example, a developer can describe the required function, attach a code snippet, and list the limitations. ChatGPT will suggest implementation, tests and possible improvements.
The problem begins when the solution depends not only on the current task, but also on the history of the entire product.
AI must take into account:
- accepted architectural principles;
- meanings of terms within the project;
- limitations of other components;
- previously rejected options;
- temporary and permanent requirements;
- exceptions to the general rules.
It is impossible to transfer all this in each prompt.
If you provide the AI with all the documents and correspondence, it will receive not only current knowledge, but also old ideas, interim discussions and already canceled decisions.
Therefore, more context does not always mean better understanding.
AI does not need the entire project archive, but an up-to-date theory with which to analyze a new task.
Three types of work in one iteration
In conventional development, several different types of intellectual work are often performed by one person.
He's both:
- defines what needs to be achieved;
- remembers the current rules;
- compares the options;
- writes the code;
- checks the result;
- updates his understanding of the system.
With the advent of AI, this work can be divided.
Decision making
It is necessary to determine the goal, acceptable compromises and criteria for the correct result.
This is a person's area of responsibility.
Saving the solution
It is necessary to record which rule is in effect now, why it was adopted and where it is applied.
This is the role of the canon.
Application of the solution
You need to use the current rules for analysis, implementation, testing, and repetitive tasks.
This is a job that AI can scale.
This separation does not eliminate a person from the process. It frees him from the need to manually reproduce the accumulated expertise each time.
Human role: purpose, judgment, and responsibility
ChatGPT can list architecture options, but does not know what kind of future the team wants to build.
They can evaluate a solution based on general engineering criteria, but they don't always know what's more important in that particular product.:
- minimum delay;
- Ease of implementation;
- formal verifiability;
- Backward compatibility;
- safety;
- the cost of maintenance;
- long-term architectural integrity.
The choice between these priorities is not a calculation, but a professional judgment.
The person must remain:
- setting goals;
- definition of concepts;
- choosing a direction;
- approving restrictions;
- evaluation of exceptions;
- making a final decision;
- responsibility for the consequences.
AI can enhance thinking, but it does not create expertise on its own.
The model knows the general approaches. The expert knows which approach is appropriate for the specific situation, organization, and design of the product.
The role of the canon: the current theory of the product
After making a decision, it is not enough to leave it in the chat, the meeting protocol, or the author's memory.
You need to record the actual result.:
- what is accepted;
- why is it accepted;
- where it is applied;
- What restrictions must be followed?;
- which options are rejected;
- what other decisions depend on it.
This statement becomes part of the canon.
The canon here is not an immutable dogma, but current proven knowledge about the product.
The canon can describe:
- definition;
- the architectural principle;
- the rule;
- the contract;
- limitation;
- exception;
- Working method;
- the reason for the choice.
For example, instead of the separate phrase "a stream has one recipient," the canon should explain what is considered a stream, why there is one recipient, how branching is organized, and which components depend on this decision.
This transforms the rule from a local instruction into a part of the theory of the system.
The role of AI: analysis and execution within specified boundaries
When the current knowledge is formulated explicitly, ChatGPT can work not only with the current request, but also with the rules of a particular product.
AI is capable of:
- check the requirement for compliance with the canon;
- find related constraints;
- identify contradictions;
- suggest several acceptable options;
- evaluate the impact of the change;
- prepare the code;
- create tests;
- explain the implementation;
- specify which knowledge needs to be reviewed after the change.
In this model, AI is not the autonomous owner of the architecture.
He acts within the boundaries that man has defined and which are expressed in the canon.
This makes the result more predictable. It checks not only the technical correctness of the code, but also its compliance with the accepted product theory.
Why roles should not be mixed
Each part of the model has its own function. If one element is missing, the system becomes unstable.
Only a human
The expert keeps the entire context in his head and personally checks each task.
The quality can remain high, but scaling is not possible. The expert becomes a bottleneck.
Man and AI without canon
ChatGPT speeds up the work, but each new dialogue begins with a re-explanation of the context.
The result depends on the completeness of the prompta. The same decision has to be explained many times.
Canon and AI without humans
The rules are applied mechanically, although the situation may have changed.
There is no one to evaluate and confirm the new exceptions, goals, and professional conclusions.
Man, Canon, and AI
A person develops a product theory.
The canon retains its current state.
AI scales the application of accumulated knowledge.
It is the distribution of roles, rather than the availability of the model itself, that creates a stable system of collaboration.
What does one iteration look like?
Consider a change in the system module.
The team wants to change the way the resource is transferred between components.
1. A person formulates an intention
The expert explains which problem needs to be solved and which result is considered acceptable.
2. AI gets the current canons
ChatGPT uses resource definitions, ownership rules, module constraints, and related architectural solutions.
3. AI analyzes the options
It shows possible approaches, risks, affected components, and necessary checks.
4. A person chooses a solution
The expert evaluates the options regarding the goals of the product and makes the final decision.
5. AI prepares the implementation
Code changes, tests, and a description of the consequences are created.
6. The person checks the result
It checks not only performance, but also compliance with the architectural design.
7. The canon is being updated
If A new rule, exception, or clarification has appeared, and it is fixed as valid knowledge.
The next iteration begins with an updated product theory.
When AI suggests changing the canon
The canon should not limit the development of the system.
During the analysis, ChatGPT can detect:
- the contradiction between the two rules;
- insufficient definition;
- a new boundary case;
- outdated restriction;
- a dependency that has not been fixed before.
An AI can propose a change in the canon, but should not independently declare new knowledge correct.
The offer goes through the person:
- Have the conditions really changed;
- has the new rule been confirmed;
- isn't this a special exception?;
- what related knowledge needs to be updated;
- who is responsible for the decision.
In this way, AI participates not only in the application of expertise, but also in the preparation of its further development.
However, the right to confirm remains with the person or organization.
Who confirms the new knowledge
In a small expert company, this may be the founder or a leading specialist.
In a large organization, responsibility can be distributed:
- the architect confirms the technical solutions;
- Lawyer — legal rules;
- Head of Support — Helpdesk scripts;
- analyst — calculation methods;
- product owner — product definitions.
It is important not only to save the text, but also to understand:
- who recognized it as correct;
- in what area does the solution apply?;
- when was it accepted;
- what knowledge has it replaced;
- who is allowed to use it.
Without such responsibility, the knowledge base quickly turns into just another set of documents.
Example: Memora8, Reganta microOS and Sekura JS
The model is especially useful when developing a connected technology stack.:
- Memora8 — 32-bit processor architecture;
- Reganta microOS — microoperative system;
- Sekura JS is a system programming language.
A change at one level can affect the rest.
For example, the new page ownership rule may affect:
- the hardware memory model;
- responsibility of the core;
- data transmission mechanism;
- module contracts;
- semantics of Sekura JS constructions;
- compiler checks.
ChatGPT can help you find these dependencies and prepare the changes. But he doesn't have to decide for himself what the entire stack will become.
A person retains an architectural design.
The canon holds consistent rules at different levels.
AI helps to analyze the consequences and implement solutions.
This way, the complexity does not disappear, but becomes manageable.
Responsibility allocation checklist
Before including AI in regular development, it is useful to check:
- Is it clear who formulates the purpose of the change?
- Has it been determined who makes the final decision?
- Is there an up-to-date version of the basic product rules?
- Is accepted knowledge separated from hypotheses?
- Is the scope of each important solution specified?
- Does the AI only get the allowed context?
- Can AI show what knowledge the answer is based on?
- Does a person check the prepared AI implementation?
- Is the new understanding fixed after the iteration?
- Is it clear who confirms the updating of the canon?
If these roles are not defined, accelerating development can lead to an increase in the number of solutions without maintaining architectural integrity.
Sekura Noda as a model implementation
A managed layer of expertise is needed for human and AI collaboration.
In Sekura Noda, the expert captures definitions, solutions, rules, methods, limitations, and exceptions as related canonical knowledge.
A person determines their status, scope, and availability. ChatGPT and other AI tools use authorized expertise through MCP. New conclusions that arise in the work are returned for verification and can replenish the knowledge system.
Sekura Noda helps experts use AI to accumulate, refine, and monetize their unique expertise.
Monetization in this model means that knowledge can be applied multiple times.:
- in development;
- in customer support;
- in analytics;
- in training;
- in consultations;
- in specialized AI assistants;
- in new expert products.
The expert ceases to personally accompany each typical application of the already accumulated experience and gets more time to create new knowledge.
Agile of the new generation
New Generation Agile is not a new set of meetings or a replacement for the original Agile principles.
This is a model for a team that has a new strong member, AI.
The person is responsible for the direction and decision.
The canon is responsible for maintaining the current product theory.
AI is responsible for analyzing, applying, and scaling knowledge.
The cycle looks like this:
human intent → current canon → analysis and implementation with AI → human verification → canon update
As a result, not only the software product is being developed.
At the same time, a system of expert knowledge is being developed, on which the following solutions are based.
A brief conclusion
It is technically not difficult to connect ChatGPT to the team. It is more difficult to determine what role he should perform and where his responsibility ends.
A stable model is based on separation of functions.:
- a person creates new knowledge and makes decisions;
- The canon preserves the validated product theory;
- AI helps to apply it in more tasks.
ChatGPT does not replace an expert.
Canon is not a substitute for thinking.
A person should not manually repeat the already accumulated knowledge in each new dialogue.
Together, these three elements transform AI from a generator of individual results into a managed participant in product development.
The accumulated expertise continues to work through AI while the person creates a new one.
Как разделить роли человека, системы знаний и ChatGPT, чтобы ускорение разработки не привело к потере контроля
Подключение ChatGPT к разработке само по себе не создаёт новую модель работы.
Команда может продолжить прежний процесс, только часть задач теперь будет выполняться быстрее: AI напишет функцию, подготовит тесты, объяснит ошибку или предложит вариант архитектуры.
На первых этапах этого достаточно. Но по мере роста роли AI возникает более важный вопрос:
Кто теперь определяет, какое решение является правильным?
ChatGPT может подготовить убедительный ответ. Документация может содержать несколько вариантов. Код показывает текущее состояние системы. Эксперт помнит причины прежних решений, но не может лично сопровождать каждое изменение.
Чтобы совместная работа человека и AI оставалась управляемой, необходимо разделить три вида ответственности:
- человек определяет цели и принимает решения;
- канон хранит действующую теорию продукта;
- AI помогает применять, проверять и развивать её.
Эту модель можно назвать Agile нового поколения: человек, канон и AI.
Почему одного ChatGPT недостаточно
AI хорошо работает с задачей, когда получает ясный контекст.
Например, разработчик может описать требуемую функцию, приложить фрагмент кода и перечислить ограничения. ChatGPT предложит реализацию, тесты и возможные улучшения.
Проблема начинается, когда решение зависит не только от текущего задания, но и от истории всего продукта.
AI должен учитывать:
- принятые архитектурные принципы;
- значения терминов внутри проекта;
- ограничения других компонентов;
- ранее отвергнутые варианты;
- временные и постоянные требования;
- исключения из общих правил.
Передавать всё это в каждом промпте невозможно.
Если же предоставить AI все документы и переписки, он получит не только действующие знания, но также старые идеи, промежуточные обсуждения и уже отменённые решения.
Поэтому больше контекста не всегда означает лучшее понимание.
AI нужен не весь архив проекта, а актуальная теория, относительно которой можно анализировать новую задачу.
Три вида работы в одной итерации
В обычной разработке несколько разных видов интеллектуальной работы часто выполняет один человек.
Он одновременно:
- определяет, чего нужно достичь;
- вспоминает действующие правила;
- сравнивает варианты;
- пишет код;
- проверяет результат;
- обновляет своё понимание системы.
С появлением AI эту работу можно разделить.
Принятие решения
Нужно определить цель, допустимые компромиссы и критерии правильного результата.
Это зона ответственности человека.
Сохранение решения
Нужно зафиксировать, какое правило теперь действует, почему оно принято и где применяется.
Это роль канона.
Применение решения
Нужно использовать действующие правила для анализа, реализации, тестирования и повторяющихся задач.
Это работа, которую способен масштабировать AI.
Такое разделение не устраняет человека из процесса. Оно освобождает его от необходимости каждый раз вручную воспроизводить уже накопленную экспертизу.
Роль человека: цель, суждение и ответственность
ChatGPT может перечислить варианты архитектуры, но не знает, какое будущее команда хочет построить.
Он может оценить решение по общим инженерным критериям, но не всегда знает, что важнее именно в этом продукте:
- минимальная задержка;
- простота реализации;
- формальная проверяемость;
- обратная совместимость;
- безопасность;
- стоимость сопровождения;
- долгосрочная целостность архитектуры.
Выбор между этими приоритетами является не вычислением, а профессиональным суждением.
За человеком должны оставаться:
- постановка цели;
- определение понятий;
- выбор направления;
- утверждение ограничений;
- оценка исключений;
- принятие окончательного решения;
- ответственность за последствия.
AI может усиливать мышление, но не создаёт экспертность сам по себе.
Модель знает общие подходы. Эксперт знает, какой подход соответствует конкретной ситуации, организации и замыслу продукта.
Роль канона: действующая теория продукта
После принятия решения недостаточно оставить его в чате, протоколе встречи или памяти автора.
Нужно зафиксировать актуальный результат:
- что принято;
- почему принято;
- где применяется;
- какие ограничения необходимо соблюдать;
- какие варианты отвергнуты;
- какие другие решения от него зависят.
Такое утверждение становится частью канона.
Под каноном здесь понимается не неизменная догма, а текущее проверенное знание о продукте.
Канон может описывать:
- определение;
- архитектурный принцип;
- правило;
- контракт;
- ограничение;
- исключение;
- метод работы;
- причину выбора.
Например, вместо отдельной фразы «поток имеет одного получателя» канон должен объяснять, что считается потоком, почему получатель один, как организуется ветвление и какие компоненты зависят от этого решения.
Это превращает правило из локальной инструкции в часть теории системы.
Роль AI: анализ и исполнение в заданных границах
Когда действующие знания сформулированы явно, ChatGPT может работать не только с текущим запросом, но и с правилами конкретного продукта.
AI способен:
- проверить требование на соответствие канону;
- найти связанные ограничения;
- выявить противоречия;
- предложить несколько допустимых вариантов;
- оценить влияние изменения;
- подготовить код;
- создать тесты;
- объяснить реализацию;
- указать, какие знания после изменения нужно пересмотреть.
В такой модели AI не является автономным владельцем архитектуры.
Он действует внутри границ, которые определил человек и которые выражены в каноне.
Это делает результат более предсказуемым. Проверяется не только техническая корректность кода, но и его соответствие принятой теории продукта.
Почему роли нельзя смешивать
У каждой части модели есть собственная функция. Если один элемент отсутствует, система становится неустойчивой.
Только человек
Эксперт хранит весь контекст в голове и лично проверяет каждую задачу.
Качество может оставаться высоким, но масштабирование невозможно. Эксперт становится узким местом.
Человек и AI без канона
ChatGPT ускоряет работу, но каждый новый диалог начинается с повторного объяснения контекста.
Результат зависит от полноты промпта. Одно и то же решение приходится разъяснять многократно.
Канон и AI без человека
Правила применяются механически, хотя ситуация могла измениться.
Новые исключения, цели и профессиональные выводы некому оценить и подтвердить.
Человек, канон и AI
Человек развивает теорию продукта.
Канон сохраняет её текущее состояние.
AI масштабирует применение накопленного знания.
Именно распределение ролей, а не сама доступность модели, создаёт устойчивую систему совместной работы.
Как выглядит одна итерация
Рассмотрим изменение в системном модуле.
Команда хочет изменить способ передачи ресурса между компонентами.
1. Человек формулирует намерение
Эксперт объясняет, какую проблему нужно решить и какой результат считается приемлемым.
2. AI получает действующие каноны
ChatGPT использует определения ресурса, правила владения, ограничения модулей и связанные архитектурные решения.
3. AI анализирует варианты
Он показывает возможные подходы, риски, затронутые компоненты и необходимые проверки.
4. Человек выбирает решение
Эксперт оценивает варианты относительно целей продукта и принимает окончательное решение.
5. AI готовит реализацию
Создаются изменения кода, тесты и описание последствий.
6. Человек проверяет результат
Проверяется не только работоспособность, но и соответствие архитектурному замыслу.
7. Канон обновляется
Если появилось новое правило, исключение или уточнение, оно фиксируется как действующее знание.
Следующая итерация начинается уже с обновлённой теории продукта.
Когда AI предлагает изменить канон
Канон не должен ограничивать развитие системы.
Во время анализа ChatGPT может обнаружить:
- противоречие между двумя правилами;
- недостаточное определение;
- новый граничный случай;
- устаревшее ограничение;
- зависимость, которая раньше не была зафиксирована.
AI может предложить изменение канона, но не должен самостоятельно объявлять новое знание правильным.
Предложение проходит через человека:
- действительно ли изменились условия;
- подтверждено ли новое правило;
- не является ли это частным исключением;
- какие связанные знания нужно обновить;
- кто отвечает за решение.
Так AI участвует не только в применении экспертизы, но и в подготовке её дальнейшего развития.
Однако право подтверждения остаётся у человека или организации.
Кто подтверждает новое знание
В небольшой экспертной компании это может быть основатель или ведущий специалист.
В крупной организации ответственность может быть распределена:
- архитектор подтверждает технические решения;
- юрист — правовые правила;
- руководитель поддержки — сценарии Helpdesk;
- аналитик — методы расчёта;
- владелец продукта — продуктовые определения.
Важно не только сохранить текст, но и понимать:
- кто признал его правильным;
- в какой области действует решение;
- когда оно было принято;
- какие знания оно заменило;
- кому разрешено его использовать.
Без такой ответственности база знаний быстро превращается в ещё один набор документов.
Пример: Memora8, Reganta microOS и Sekura JS
Модель особенно полезна при разработке связанного технологического стека:
- Memora8 — 32-битной процессорной архитектуры;
- Reganta microOS — микрооперационной системы;
- Sekura JS — системного языка программирования.
Изменение на одном уровне может повлиять на остальные.
Например, новое правило владения страницей может затронуть:
- аппаратную модель памяти;
- ответственность ядра;
- механизм передачи данных;
- контракты модулей;
- семантику конструкций Sekura JS;
- проверки компилятора.
ChatGPT может помочь найти эти зависимости и подготовить изменения. Но он не должен самостоятельно решать, каким станет весь стек.
Человек сохраняет архитектурный замысел.
Канон удерживает согласованные правила разных уровней.
AI помогает анализировать последствия и реализовывать решения.
Так сложность не исчезает, но становится управляемой.
Чек-лист распределения ответственности
Перед включением AI в регулярную разработку полезно проверить:
- Понятно ли, кто формулирует цель изменения?
- Определено ли, кто принимает окончательное решение?
- Есть ли актуальная версия основных правил продукта?
- Отделены ли принятые знания от гипотез?
- Указана ли область применения каждого важного решения?
- Получает ли AI только разрешённый контекст?
- Может ли AI показать, на каких знаниях основан ответ?
- Проверяет ли человек подготовленную AI реализацию?
- Фиксируется ли новое понимание после итерации?
- Понятно ли, кто подтверждает обновление канона?
Если эти роли не определены, ускорение разработки может привести к росту количества решений без сохранения архитектурной целостности.
Sekura Noda как реализация модели
Для совместной работы человека и AI нужен управляемый слой экспертизы.
В Sekura Noda эксперт фиксирует определения, решения, правила, методы, ограничения и исключения как связанные канонические знания.
Человек определяет их статус, область применения и доступность. ChatGPT и другие AI-инструменты используют разрешённую экспертизу через MCP. Новые выводы, возникающие в работе, возвращаются на проверку и могут пополнять систему знаний.
Sekura Noda помогает экспертам использовать ИИ для накопления, совершенствования и монетизации своей уникальной экспертизы.
Монетизация в этой модели означает, что знания можно применять многократно:
- в разработке;
- в поддержке клиентов;
- в аналитике;
- в обучении;
- в консультациях;
- в специализированных AI-помощниках;
- в новых экспертных продуктах.
Эксперт перестаёт лично сопровождать каждое типовое применение уже накопленного опыта и получает больше времени для создания новых знаний.
Agile нового поколения
Agile нового поколения — это не новый набор встреч и не замена исходных принципов Agile.
Это модель для команды, в которой появился новый сильный участник — AI.
Человек отвечает за направление и решение.
Канон отвечает за сохранение действующей теории продукта.
AI отвечает за анализ, применение и масштабирование знания.
Цикл выглядит так:
намерение человека → действующий канон → анализ и реализация с AI → проверка человеком → обновление канона
В результате развивается не только программный продукт.
Одновременно развивается система экспертного знания, на которой основаны следующие решения.
Краткий вывод
Подключить ChatGPT к команде технически несложно. Сложнее определить, какую роль он должен выполнять и где заканчивается его ответственность.
Устойчивая модель строится на разделении функций:
- человек создаёт новое знание и принимает решения;
- канон сохраняет подтверждённую теорию продукта;
- AI помогает применять её в большем количестве задач.
ChatGPT не заменяет эксперта.
Канон не заменяет мышление.
Человек не должен вручную повторять уже накопленное знание в каждом новом диалоге.
Вместе эти три элемента превращают AI из генератора отдельных результатов в управляемого участника развития продукта.
Уже накопленная экспертиза продолжает работать через AI, пока человек создаёт новую.
Share
