ஒரு blank chat box consequential work நடத்த நல்ல இடம் அல்ல. அது ஐந்து வேறு கேள்விகளை — என்ன வேண்டும், எதைக் பார்க்கிறோம், அது எதன் மீது based, என்ன செய்ய அனுமதி, ஏற்கனவே என்ன நடந்தது — ஒரே stream-ஆகக் கலக்கிறது. Casual tasks-க்கு அது சரியாக இருக்கலாம்; ஆனால் governed operations-ல் actions systems of record-ஐ தொடும், decisions defensible ஆக இருக்க வேண்டும்.
Threada workspace திட்டமிட்டு ஐந்து surfaces ஆக decomposed ஆகிறது. ஒவ்வொன்றும் ஒரு கேள்விக்கு பதில் தருகிறது; அந்த distinction தான் work-ஐ reviewable ஆக்குகிறது.
1. Intent bar — என்ன வேண்டும்?
Threada-வில் work deep navigation-இலிருந்து அல்ல, persistent intent bar-இலிருந்து தொடங்குகிறது. Natural language-ல் outcome-ஐ சொல்கிறீர்கள்; runtime அதை structured executable artifact-ஆக மாற்றுகிறது: extracted entities, confidence score, risk flags உடன் WorkItem.
Operator எந்த form, queue, workflow என்று முன்பே தெரிந்திருக்க வேண்டியதில்லை. System goal-ஐ capture செய்து path-ஐ assemble செய்கிறது. Missing information இருந்தால் நீண்ட static wizard காட்டாமல் தேவையானதை மட்டும் கேட்கிறது.
2. Adaptive canvas — எதைக் குறித்து வேலை செய்கிறோம்?
Canvas-ல் WorkItem வாழ்கிறது, shape ஆகிறது. UI temporary forms, comparisons, decision panels ஆகியவற்றை assemble செய்ய முடியும்; எல்லா work-க்கும் ஒரே fixed layout அல்ல.
Generated output default-ஆக editable draft; committed change அல்ல. Operator review, edit, decide செய்கிறார். Lock zones, side-by-side compare, undo, rollback ஆகிய controls தெளிவாக இருக்கும். Canvas deliberation க்கான இடம்; model-ன் முதல் guess truth ஆக மாறும் இடம் அல்ல.
3. Evidence drawer — அது எதன் மீது based?
ஒவ்வொரு consequential output-மும் தன் வேலைக்கான ஆதாரத்தை காட்ட வேண்டும். Evidence drawer citations, retrieval traces, source attribution ஆகியவற்றை வைத்திருக்கும். System answer-ஐ ground செய்ய முடியாவிட்டால் confidence invent செய்யாமல் explicit fallback reason record செய்கிறது.
இதனால் “AI-ஐ நம்புங்கள்” என்பது blind faith அல்ல, inspect செய்யக்கூடிய claim ஆகிறது. Operator drawer திறந்து sources எவ்வளவு fresh, claims எங்கே இருந்து வந்தன, rationale என்ன என்று பார்க்க முடியும்.
4. Action controls — என்ன செய்யலாம்?
Reading மற்றும் drafting safe. உலகில் action எடுப்பது safe அல்ல; அதனால் controls surface governed. இங்கே proposals approvals ஆகும்; approvals external systems-ல் executed actions ஆகும்: refund, ticket, record update, access grant.
Governance policy ஆக வெளிப்படும்: permissions, thresholds, approval gates, redlines. High-risk actions proposed → approved → executing progression-ல் செல்கின்றன; policy அனுமதித்தால் மட்டுமே auto-execute. Service-level kill switch connector call க்கு முன் execution-ஐ நிறுத்த முடியும்.
5. Run log — என்ன நடந்தது?
Run log என்பது WorkItem timeline: ஒவ்வொரு transition, approval, action, AI participant event அனைத்தும் வரிசையில். Receipts history ஆக இங்கே சேர்கின்றன.
AI actions மனித activity-க்குள் மறையாது; distinct actor events ஆகத் தோன்றும். Run log படிக்கும்போது யார் propose செய்தார், யார் approve செய்தார், என்ன execute ஆனது — human அல்லது agent — என்று guessing இல்லாமல் தெரியும்.
பிரிப்பதே point
ஒன்றே surface உருவாக்குவது எளிது. ஆனால் consequential work இந்த கேள்விகளைப் பிரித்துவைக்க வேண்டும். Intent, evidence, action ஒரே இடத்தில் கலந்தால், grounded அல்லாத ஒன்றில் act செய்வதும், basis பார்க்காத ஒன்றை approve செய்வதும் எளிதாகிவிடும்.
ஒவ்வொன்றுக்கும் தனி surface கொடுத்து Threada careful path-ஐ natural ஆக்குகிறது: intent சொல்லுங்கள், canvas-ல் draft shape செய்யுங்கள், evidence பார்க்குங்கள், governed controls வழியாக act செய்யுங்கள் — run log அனைத்தையும் record செய்யும்.
ஐந்து surfaces packs மற்றும் roles முழுவதும் constant; உள்ளடக்கம் மட்டும் adapt ஆகும். ஒரு workspace-ன் shape கற்ற operator, IT access provisioning ஆனாலும் vendor security review ஆனாலும் procurement approval ஆனாலும் அதே reasoning pattern-ஐ பயன்படுத்த முடியும்.