رفتن به محتوا

پنج سطح کار govern شده

Threada یک workspace را به پنج surface تجزیه می‌کند: intent، canvas، evidence، controls و run log. این است کار هرکدام و اینکه چرا این جداسازی مهم است.

work-orchestration • workspace • governance • product

یک chat box خالی جای بدی برای اجرای کار consequential است. پنج پرسش بسیار متفاوت را، اینکه چه می‌خواهید، به چه نگاه می‌کنید، بر چه چیزی based است، چه اجازه دارید انجام دهید و چه چیزی قبلاً رخ داده، در یک stream بی‌تمایز فرو می‌ریزد. برای taskهای casual مشکلی نیست. اما برای operations govern شده، جایی که actionها systems of record را لمس می‌کنند و decisionها باید defensible باشند، همین collapse چیزی است که نمی‌توانید تحمل کنید.

workspace در Threada عمداً به پنج surface تجزیه شده است. هرکدام به یکی از آن پرسش‌ها پاسخ می‌دهد، و جدا نگه داشتنشان همان چیزی است که work را reviewable می‌کند.

1. intent bar: چه می‌خواهید؟

کار در Threada از یک intent bar persistent شروع می‌شود، نه navigation عمیق. outcome را به natural language بیان می‌کنید، optionally با commandهای structured، و runtime آن را به artifactی structured و executable تبدیل می‌کند: WorkItemی با entityهای extracted، confidence score و risk flag.

این interaction از intent آغاز می‌شود. به‌جای اینکه operator پیش از شروع بداند کدام form، کدام queue و کدام workflow لازم است، سامانه goal را capture و path را assemble می‌کند. وقتی information کم است، دقیقاً همان چیزی را prompt می‌کند که لازم دارد، نه اینکه از ابتدا wizard طولانی static ارائه دهد.

2. adaptive canvas: روی چه کار می‌کنید؟

canvas جایی است که WorkItem زندگی می‌کند و شکل می‌گیرد. adaptive است: UI می‌تواند برای جمع کردن missing context و کامل کردن task، formهای temporary، comparisonها و decision panelها را assemble کند، به‌جای اینکه برای هر نوع work یک layout fixed render کند.

output generated به‌صورت پیش‌فرض draft قابل ویرایش است، نه change committed. operator review، edit و decide می‌کند. control affordanceها explicit هستند: lock و no-change zone، side-by-side compare، undo سریع و version rollback. بنابراین canvas جایی برای deliberation است، نه جایی که اولین guess مدل truth شود.

3. evidence drawer: بر چه چیزی based است؟

هر output consequential باید بتواند کار خود را نشان دهد. evidence drawer citationها، retrieval traceها و source attributionهایی را نگه می‌دارد که WorkItem را ground می‌کنند. وقتی سامانه نمی‌تواند answer را ground کند، به‌جای invent کردن confidence، با fallback reason صریح آن را می‌گوید.

این surface است که trust the AI را به claimی inspectable تبدیل می‌کند، نه leap of faith. operator لازم نیست draft را باور کند؛ می‌تواند drawer را باز کند و ببیند بر چه چیزی ایستاده، sourceها چقدر fresh بوده‌اند و هر claim از کجا آمده است.

4. action controls: چه می‌توانید بکنید؟

خواندن و drafting امن‌اند. act کردن روی جهان امن نیست؛ بنابراین surface کنترل‌ها govern شده است. اینجا proposalها به approval و approvalها به actionهای اجراشده علیه external system تبدیل می‌شوند: refund، ticket، record update یا access grant.

governance در اینجا به‌صورت policy بیان می‌شود: permissionها، thresholdها، approval gateها و redlineها، نه toggleهای پراکنده setting. actionهای high-risk از progression صریح proposed، approved، executing عبور می‌کنند و فقط جایی auto-execute می‌شوند که policy اجازه داده باشد. یک kill switch در سطح service می‌تواند execution را پیش از فراخوانی هر connector متوقف کند و state را برای review حفظ کند. controls surface جایی است که احتیاط سامانه concrete می‌شود.

5. run log: چه اتفاقی افتاده است؟

run log timeline WorkItem است: هر transition، هر approval، هر action، هر AI participant event، به‌ترتیب. این surfaceی است که receiptها به history تبدیل می‌شوند.

مهم اینکه actionهای AI به‌صورت actor eventهای distinct ظاهر می‌شوند، نه اینکه در activity انسانی fold شوند. وقتی run log را می‌خوانید می‌توانید بدون حدس زدن بگویید چه کسی proposed، چه کسی approved و چه چیزی executed شده است، human یا agent. run log چیزی است که auditor در پایان quarter می‌خواند و operator برای فهم case امروز پیش روی خود می‌خواند.

چرا خود جداسازی point است

ساختن یک surface و محو کردن همه‌چیز ساده‌تر بود. دلیل انجام ندادنش این است که کار consequential می‌خواهد این پرسش‌ها جدا بمانند.

اگر intent، evidence و action یک surface مشترک داشته باشند، act کردن بر چیزی که هرگز ground نکرده‌اید یا approve کردن چیزی که basis آن را ندیده‌اید آسان می‌شود. Threada با دادن surface جدا به هرکدام، مسیر careful را مسیر natural می‌کند: intent را بیان کنید، draft را روی canvas شکل دهید، evidence را بررسی کنید، سپس از controls govern شده act کنید، و run log همه آن را record کند.

پنج surface در packها و roleها ثابت می‌مانند؛ چیزی که آنها را پر می‌کند adapt می‌شود. این stability عمدی است. operatorی که شکل یک workspace را می‌آموزد، شکل همه آنها را آموخته است؛ چه IT access provisioning اجرا کند، چه vendor security review یا procurement approval. کار تغییر می‌کند. شیوه reasoning درباره آن نه.