AIFC-024: Human Capability Reserve

Status: Draft 0.1 Standard: AI-First Community Standard Zkráceně: AIFC Navazuje na:

AIFC-000 Manifest AI-first komunity
AIFC-001 Core Concepts
AIFC-002 Community Model
AIFC-003 Values and Purpose
AIFC-010 Knowledge Structure
AIFC-011 Operational DNA
AIFC-020 Human-Managed AI
AIFC-021 AI as External Expert Capacity
AIFC-022 AI-NDA Boundary
AIFC-023 AI as Team Member

Účel dokumentu: Definovat Human Capability Reserve jako vědomě udržovanou schopnost lidí a komunity chápat, vykonat, zkontrolovat, obnovit a předat kritickou práci i bez AI. Popsat vztah mezi AI acceleration, AI dependency, lidskou kompetencí, fallbackem, juniorní prací, učením a odolností komunity.

1. Purpose of this document

Tento dokument definuje Human Capability Reserve.

AIFC předpokládá, že AI může dramaticky zvýšit výkon komunity.

AI může:

zrychlit práci,
zlepšit kvalitu,
snížit rutinu,
pomoci lidem formulovat myšlenky,
navrhovat řešení,
čistit knowledge base,
pomáhat s rozhodováním,
generovat návrhy,
podporovat učení.

Zároveň ale může vzniknout neviditelné riziko:

Komunita začne ztrácet schopnost vykonávat práci bez AI.

To se nemusí projevit hned. Na začátku to vypadá jako produktivita. Teprve při výpadku AI, tokenů, vendora, modelu, nástroje nebo oprávnění se ukáže, že část lidské schopnosti zmizela.

Human Capability Reserve je odpověď AIFC na toto riziko.

2. Core principle

Základní princip tohoto dokumentu je:

AI should increase community capability, not replace it with dependency.

Česky:

AI má schopnost komunity zvyšovat, ne nahrazovat závislostí.

AIFC říká:

A community must remain capable of understanding, validating and recovering critical work without AI.

Česky:

Komunita musí zůstat schopná chápat, ověřovat a obnovit kritickou práci i bez AI.

Pokud výpadek tokenů zastaví jednoduchou rutinní práci, firma nezískala inteligenci. Ztratila odolnost.

3. Definition

Human Capability Reserve je vědomě udržovaná schopnost lidí a komunity vykonávat nebo obnovit kritickou práci bez AI.

Zahrnuje schopnost:

pochopit práci,
zadat práci,
vykonat práci,
zkontrolovat AI výstup,
opravit chybu,
vysvětlit pravidlo,
naučit nového člena,
pokračovat při výpadku AI,
obnovit workflow,
rozhodovat bez AI doporučení,
a udržet záměr komunity bez externí inteligence.

Human Capability Reserve neznamená odmítnutí AI.

Znamená zachování lidské a komunitní odolnosti.

4. AI acceleration vs AI dependency

AIFC rozlišuje AI acceleration a AI dependency.

AI acceleration

AI acceleration je stav, kdy člověk nebo komunita práci umí vykonat, ale AI ji zrychluje, zpřesňuje nebo rozšiřuje.

Příklady:

vývojář umí napsat rutinní kód, AI mu pomůže rychleji,
analytik rozumí dashboardu, AI mu pomůže navrhnout lepší popis,
tým chápe proces, AI mu pomůže najít duplicity,
owner rozumí rozhodnutí, AI mu připraví varianty.

AI acceleration je žádoucí.

AI dependency

AI dependency je stav, kdy člověk nebo komunita bez AI nedokáže vykonat práci, kterou by vzhledem ke své roli měla být schopna zvládnout.

Příklady:

vývojář zastaví jednoduchou rutinní implementaci, protože mu došly AI tokeny,
tým neumí napsat zákaznickou odpověď bez AI,
owner neumí posoudit AI návrh, protože nerozumí vlastnímu procesu,
knowledge base nikdo neumí upravit bez agenta,
rozhodování se zastaví, protože AI nevygenerovala doporučení.

AI dependency je riziko.

Minimum requirement

AIFC komunita musí pravidelně rozlišovat, zda její AI použití vytváří AI acceleration nebo AI dependency.

5. Why Human Capability Reserve matters

Human Capability Reserve je důležitá z několika důvodů.

5.1 Resilience

Komunita musí pokračovat i při výpadku AI.

Výpadek může být způsoben:

vyčerpáním tokenů,
nedostupností modelu,
změnou ceny,
vendor incidentem,
právním omezením,
bezpečnostním incidentem,
ztrátou přístupu,
změnou podmínek služby,
záměrným přechodem do AI-off režimu.

5.2 Accountability

Člověk nebo komunita nese odpovědnost za rozhodnutí a výstupy.

Není možné odpovědnost přenést na AI.

Aby mohl člověk odpovídat, musí být schopen AI výstup pochopit a posoudit.

5.3 Learning

Pokud AI vykonává práci tak, že lidé přestanou chápat základní principy, komunita ztrácí schopnost učit nové členy.

Juniorní práce, ruční procvičení a základní porozumění nejsou neefektivita. Jsou mechanismus reprodukce schopnosti.

5.4 Vendor independence

Komunita, která neumí pracovat bez konkrétní AI, je zranitelná.

Vendor, model nebo nástroj se může změnit.

Human Capability Reserve podporuje exit strategii.

5.5 Quality control

Kdo neumí práci alespoň v principu provést nebo pochopit, neumí dobře zkontrolovat AI výstup.

Bez lidské kompetence se human review mění v rituál bez obsahu.

Minimum requirement

Kritické schopnosti komunity musí mít lidskou nebo non-AI variantu porozumění, validace a obnovy.

6. Critical capabilities

Ne každá schopnost musí být udržována bez AI na stejné úrovni.

AIFC se soustředí na kritické schopnosti.

Kritická schopnost je schopnost, jejíž ztráta by významně poškodila:

záměr komunity,
provoz,
bezpečnost,
kvalitu,
důvěru,
zákazníky,
governance,
právní odpovědnost,
Operational DNA,
schopnost obnovy,
nebo vztah s jinými komunitami.

Příklady kritických schopností:

rozhodování o hodnotách,
security incident response,
zákaznický support v kritických situacích,
práce s Operational DNA,
údržba source of truth,
základní delivery schopnosti týmu,
schopnost review AI výstupů,
schopnost ručního fallbacku,
onboarding nových členů,
schvalování change proposals.

Minimum requirement

Komunita musí identifikovat kritické schopnosti, u kterých nesmí dojít k plné AI dependency bez schváleného rizika.

7. Human understanding

Human Capability Reserve začíná porozuměním.

Člověk nemusí vždy vykonávat veškerou práci ručně.

Musí však rozumět:

co se děje,
proč se to děje,
jaký je vstup,
jaký je výstup,
jaké jsou limity,
jak poznat chybu,
jaký je fallback,
kdo je owner,
jaké hodnoty jsou dotčené,
kdy je potřeba eskalace.

Pokud člověk pouze přijímá AI výstup bez porozumění, vzniká skryté rozhodovací riziko.

Minimum requirement

Kritická AI workflow musí mít human-readable explanation, aby odpovědný člověk dokázal pochopit, co AI dělá a jak výstup posoudit.

8. Human execution

Některé kritické práce musí být možné vykonat bez AI.

Nemusí to být stejně rychlé.

Nemusí to být stejně levné.

Musí to být přijatelné pro fallback režim.

Příklady:

ruční vyřízení kritického support požadavku,
ruční vytvoření základního Jira ticketu,
ruční review bezpečnostní změny,
ruční update source of truth,
ruční rozhodnutí o change proposal,
ruční deployment checklist,
ruční komunikace se zákazníkem,
ruční vytvoření minimálního reportu.

Minimum requirement

Kritická workflow musí mít definovanou non-AI execution variantu nebo schválené riziko absence této varianty.

9. Human validation

Human validation je schopnost zkontrolovat AI výstup.

Zahrnuje:

věcnou kontrolu,
kontrolu zdrojů,
kontrolu souladu s hodnotami,
kontrolu bezpečnosti,
kontrolu citlivosti dat,
kontrolu rozhodovacích předpokladů,
kontrolu dopadu na jiné komunity,
kontrolu, zda výstup patří do source of truth.

Bez schopnosti validace se AI output může stát neověřenou pravdou.

Minimum requirement

Kritické AI výstupy musí mít reviewera, který má dostatečnou kompetenci výstup posoudit.

10. Human recovery

Human recovery je schopnost obnovit provoz nebo znalostní stav při selhání AI.

Může zahrnovat:

AI-off fallback,
ruční checklist,
recovery runbook,
export source of truth,
offline dokumentaci,
náhradní workflow,
náhradního vendora,
lidský review board,
disaster recovery test.

Human recovery je praktická část Human Capability Reserve.

Minimum requirement

Kritická AI-dependent workflow musí mít recovery postup nebo schválené riziko absence recovery.

11. AI-free work

AIFC doporučuje, aby komunita vědomě zachovávala určitou část práce bez AI.

Toto pravidlo může být nastaveno podle typu práce.

Příklad:

At least 10 % of selected critical work types should be regularly performed without AI to preserve human capability.

Česky:

Alespoň 10 % vybraných kritických typů práce by mělo být pravidelně vykonáváno bez AI, aby se udržela lidská schopnost.

Toto číslo není univerzální povinnost.

Je to doporučený pattern.

Důležité je, aby komunita vědomě udržovala lidské procvičení tam, kde by úplná AI závislost byla nebezpečná.

Minimum requirement

Komunita musí mít mechanismus, jak pravidelně procvičovat nebo ověřovat non-AI schopnost u kritických oblastí.

12. Junior work and capability reproduction

Juniorní práce není jen levná práce.

Je to mechanismus, kterým komunita reprodukuje své schopnosti.

Pokud AI odstraní všechny jednoduché a opakovatelné úkoly, může komunita ztratit přirozenou cestu, jak nové členy naučit základní principy.

To je důležité zejména v oblastech:

vývoj,
analytika,
support,
projektové řízení,
dokumentace,
UX,
security,
provoz,
rozhodování.

AI může juniory výborně podporovat.

Ale nemá jim vzít možnost naučit se základní práci.

Minimum requirement

Komunita musí zvažovat dopad AI automatizace na onboarding, učení a reprodukci lidských schopností.

13. Human skills

Human skills jsou klíčovou součástí Human Capability Reserve.

Každá kritická AI-assisted schopnost by měla mít odpovídající human-readable skill.

Human skill popisuje:

principy,
postup,
rozhodovací pravidla,
kvalitu výstupu,
příklady,
anti-patterny,
kontrolní otázky,
fallback,
kdy použít AI,
kdy AI nepoužít.

Pokud existuje pouze AI skill a neexistuje human skill, vzniká riziko, že know-how je dostupné agentovi, ale ne komunitě.

Minimum requirement

Kritické AI skills musí být navázané na human skills nebo human-readable znalost v source of truth.

14. AI skills and human dependency

AI skill může urychlit práci agenta.

Ale pokud AI skill obsahuje know-how, které lidé neumí pochopit, vzniká AI skill dependency.

Riziko je zvlášť vysoké, pokud AI skill:

není exportovatelný,
je uložený v proprietárním nástroji,
nemá human-readable vysvětlení,
nemá ownera,
není reviewovaný,
obsahuje rozhodovací logiku,
pracuje s Operational DNA.

Minimum requirement

Kritické AI skills musí být exportovatelné, verzované a vysvětlitelné člověku.

15. AI dependency indicators

AIFC komunita by měla sledovat indikátory AI dependency.

Příklady:

práce se zastaví při výpadku AI,
lidé neumí vysvětlit AI výstup,
human review je pouze formální,
tým neumí vytvořit základní výstup bez AI,
juniorní učení se zhoršuje,
dokumentace vzniká pouze z AI chatů,
agent memory obsahuje kontext mimo source of truth,
AI-generated návrhy se přijímají bez odporu,
lidé říkají „bez AI to neumím“ u rutinní práce,
token limit zastaví jednoduchou implementaci,
AI workflow nemá fallback.

Minimum requirement

AI retrospective musí zahrnovat kontrolu AI dependency indicators.

16. Human capability risk levels

AIFC může používat úrovně rizika lidské schopnosti.

Level 0 — No dependency

AI pomáhá, ale lidé umí práci vykonat a validovat bez AI.

Level 1 — Assisted dependency

Lidé práci umí, ale AI je výrazně zrychluje.

Riziko je nízké, pokud existuje fallback.

Level 2 — Operational dependency

Bez AI se práce výrazně zpomalí nebo zhorší.

Vyžaduje fallback a cost/risk control.

Level 3 — Capability dependency

Lidé ztrácejí schopnost práci samostatně chápat nebo vykonat.

Vyžaduje training, human skill update a AI-free practice.

Level 4 — Critical dependency

Kritická schopnost komunity je fakticky přesunuta do AI, vendora nebo agentické paměti.

Vyžaduje okamžitou governance pozornost.

Minimum requirement

Kritické workflow musí mít posouzení human capability risk, pokud je silně AI-assisted nebo AI-dependent.

17. Relationship with AI-off fallback

Human Capability Reserve a AI-off fallback spolu úzce souvisí.

AI-off fallback je provozní postup.

Human Capability Reserve je schopnost lidí tento postup pochopit a vykonat.

Fallback dokument bez schopných lidí nestačí.

Schopní lidé bez popsaného fallbacku také nestačí.

AIFC vyžaduje obojí.

Minimum requirement

Kritický fallback musí být nejen popsán, ale také periodicky ověřen nebo procvičen.

18. Relationship with AI Retrospective

AI Retrospective musí vyhodnocovat dopad AI na lidské schopnosti.

Otázky:

Kde AI pomohla?
Kde AI vytvořila závislost?
Kde lidé přestávají rozumět práci?
Kde human review slábne?
Kde chybí human skill?
Kde je potřeba AI-free practice?
Kde AI skill obsahuje know-how, které nemá lidskou variantu?
Kde došlo k výpadku AI a co to odhalilo?
Kde je potřeba workflow conversion nebo fallback?

Minimum requirement

AI Retrospective musí generovat change proposals, pokud zjistí riziko ztráty lidské schopnosti.

19. Relationship with maintenance

Human Capability Reserve vyžaduje maintenance.

Lidské schopnosti, stejně jako knowledge base, degradují, pokud se nepoužívají a neudržují.

To, co komunita přestane cvičit, časem ztratí.

To platí pro:

rutinní implementaci,
psaní,
analýzu,
rozhodování,
troubleshooting,
support,
security reakci,
práci s hodnotami,
čtení source of truth,
review AI výstupů.

Maintenance lidských schopností je součást odolnosti komunity.

Minimum requirement

Kritické human skills musí mít review, praxi nebo onboarding mechanismus.

20. Relationship with source of truth

Source of truth podporuje Human Capability Reserve.

Pokud je know-how uložené pouze v AI chatu, lidé se z něj nemohou spolehlivě učit.

Pokud je uložené ve structured source of truth, může sloužit:

onboardingu,
fallbacku,
human skillům,
review,
trainingu,
knowledge transferu,
recovery,
vendor exit.

Minimum requirement

Know-how potřebné pro kritickou lidskou schopnost musí být uloženo v source of truth, ne pouze v AI nástroji nebo agentické paměti.

21. Relationship with Human Cockpit Layer

Human Cockpit Layer musí zviditelňovat stav lidské schopnosti.

Může zobrazovat:

kritické skills,
skills bez ownera,
skills bez review,
AI-dependent workflow,
chybějící fallback,
human capability risk,
AI-free practice schedule,
training needs,
junior learning paths,
AI dependency indicators,
capability incidents.

Human Cockpit Layer pomáhá zabránit tomu, aby se ztráta schopnosti stala neviditelnou.

Minimum requirement

Komunita musí mít lidsky dostupný způsob, jak vidět kritické AI dependency a human capability risks.

22. Relationship with Operational DNA

Operational DNA obsahuje kritické workflow, skills, rozhodovací logiku a fallbacky.

Human Capability Reserve chrání schopnost komunity Operational DNA skutečně používat.

Operational DNA bez lidské schopnosti se může stát dokumentovaným, ale mrtvým systémem.

Human Capability Reserve zajišťuje, že komunita neztratí schopnost:

číst vlastní Operational DNA,
vysvětlit ji,
vykonat ji,
opravit ji,
předat ji,
obnovit ji.

Minimum requirement

Kritická Operational DNA musí být doprovázena human-readable skills nebo fallback postupy.

23. Relationship with AI-NDA Boundary

Human Capability Reserve může snížit tlak na rizikové AI použití.

Pokud lidé umí práci vykonat sami, není nutné dávat AI přístup ke všem datům jen proto, aby práce pokračovala.

Naopak slabá Human Capability Reserve může vést k tomu, že komunita začne porušovat AI-NDA Boundary z praktické nouze.

Například:

„Musíme to vložit do externí AI, jinak to nikdo neumí.“
„Nemáme člověka, který by to zkontroloval.“
„Agent si to musí pamatovat, protože dokumentaci nikdo neudržuje.“

To je varovný signál.

Minimum requirement

Porušování nebo obcházení AI-NDA Boundary kvůli nedostatku lidské schopnosti musí být řešeno jako governance risk.

24. Relationship with AI as Team Member

AI team member může lidskou schopnost podporovat nebo nahrazovat.

Podporuje ji, když:

vysvětluje kroky,
učí člověka,
vytváří human skills,
navrhuje kontrolní otázky,
pomáhá juniorovi,
ukazuje alternativy,
zapisuje know-how do source of truth.

Nahrazuje ji rizikově, když:

dělá práci bez vysvětlení,
ukládá know-how pouze do agent memory,
vytváří výstupy, které nikdo neumí posoudit,
odstraňuje všechny learning tasks,
stává se jediným vykonavatelem rutiny.

Minimum requirement

AI team member musí být vyhodnocován podle toho, zda human capability posiluje nebo oslabuje.

25. Human review quality

Human review není automaticky kvalitní.

Špatný human review:

pouze klikne approve,
nekontroluje zdroje,
nerozumí výstupu,
nemá čas,
věří AI příliš,
bojí se AI zpochybnit,
nemá potřebný skill.

Dobrý human review:

rozumí kontextu,
kontroluje kritické předpoklady,
rozpozná nejistotu,
posoudí hodnoty a rizika,
ví, kdy eskalovat,
umí výstup odmítnout,
zapisuje důležité poznatky zpět do source of truth.

Minimum requirement

U kritických AI workflow musí být human review svěřen člověku nebo týmu s dostatečnou kompetencí, časem a autoritou.

26. Training and practice

Human Capability Reserve vyžaduje trénink.

Trénink může zahrnovat:

AI-free task days,
manual fallback drills,
junior practice tasks,
review calibration,
pair work without AI,
incident simulation,
source of truth navigation,
decision record writing,
manual support handling,
code without AI,
AI output critique sessions.

Cílem není snížit produktivitu.

Cílem je chránit schopnost komunity.

Minimum requirement

Kritické schopnosti musí mít training nebo practice mechanismus přiměřený riziku.

27. Capability transfer

Komunita musí umět schopnosti předávat.

Capability transfer zahrnuje:

onboarding,
mentoring,
documentation,
human skills,
examples,
anti-patterns,
practice tasks,
review patterns,
decision records,
fallback drills.

AI může capability transfer podporovat, ale nemá být jediným nositelem.

Minimum requirement

Kritická schopnost nesmí být závislá na jednom člověku, jednom agentovi nebo jedné agentické paměti.

28. Human capability incidents

Komunita může zaznamenat incident lidské schopnosti.

Příklady:

práce se zastavila kvůli nedostupnosti AI,
reviewer schválil chybný AI výstup, protože mu nerozuměl,
tým neuměl obnovit workflow bez agenta,
junior se neučí základní dovednosti,
agentická paměť obsahovala know-how, které lidé neznali,
AI-generated dokumentaci nikdo neuměl udržovat.

Takové incidenty nejsou jen individuální selhání.

Jsou signálem systémového rizika.

Minimum requirement

Významné human capability incidents musí být zpracovány jako observed signal nebo change proposal.

29. Suggested metadata

Příklad metadat pro human capability assessment:

human_capability_assessment:
  id:
  title:
  status: draft | active | under_review | deprecated | archived
  capability:
  owner:
  related_workflow:
  related_ai_workflow:
  related_human_skill:
  related_ai_skill:
  criticality: low | medium | high | critical
  ai_dependency_level: 0 | 1 | 2 | 3 | 4
  human_execution_possible: true | false | partial
  human_validation_possible: true | false | partial
  ai_off_fallback_defined: true | false
  ai_off_fallback_tested: true | false
  junior_learning_path_available: true | false
  training_required: true | false
  last_reviewed:
  review_cycle:
  risks:
  mitigation:

Tato struktura je ilustrativní.

Finální schéma má být definováno v agent-actionable vrstvě standardu.

30. Anti-patterns

AIFC odmítá následující anti-patterny.

30.1 AI productivity masking skill loss

Tým působí produktivně, ale ztrácí schopnost práci vykonat bez AI.

30.2 Token outage stops routine work

Jednoduchá rutinní práce se zastaví, protože došly tokeny nebo přístup k AI.

30.3 Human review without competence

Člověk formálně schvaluje výstup, kterému nerozumí.

30.4 AI skills without human skills

Agent má instrukce, ale lidé nemají odpovídající lidsky čitelný skill.

30.5 No AI-off fallback

Kritické workflow nemá non-AI cestu.

30.6 Junior work removed

AI automatizace odstraní jednoduché úlohy, na kterých se noví členové učili.

30.7 Agent memory as hidden teacher

AI agent si pamatuje know-how, které není v source of truth a lidé ho neznají.

30.8 Capability owned by vendor

Kritická schopnost komunity je fakticky vlastněna AI vendorem nebo proprietárním nástrojem.

30.9 No practice

Fallback existuje v dokumentu, ale nikdo ho neumí provést.

30.10 AI dependency treated as innovation

Závislost na AI je prezentována jako pokrok, i když snižuje odolnost.

31. Minimal requirements

AIFC komunita musí v oblasti Human Capability Reserve minimálně splnit:

Rozlišuje AI acceleration a AI dependency.
Identifikuje kritické schopnosti.
Kritické schopnosti mají human-readable popis.
Kritické AI workflow má human validation mechanismus.
Kritické AI workflow má AI-off fallback nebo schválené riziko absence fallbacku.
Kritický fallback je periodicky ověřen nebo procvičen.
Kritické AI skills jsou navázané na human skills nebo human-readable znalost.
AI retrospective sleduje AI dependency indicators.
Komunita sleduje human capability risk u silně AI-assisted workflow.
Existuje mechanismus pro AI-free practice nebo ověření non-AI schopnosti.
Onboarding a juniorní učení nejsou zcela nahrazeny AI.
Významné human capability incidents jsou zpracovány jako observed signals nebo change proposals.
Human review kritických AI výstupů provádí kompetentní reviewer.
Kritické know-how není uložené pouze v AI nástroji nebo agentické paměti.
Human Cockpit Layer nebo governance rozhraní zviditelňuje AI dependency a human capability risks.
Porušování AI-NDA Boundary kvůli chybějící lidské schopnosti je řešeno jako governance risk.
AI team members jsou hodnoceni podle dopadu na human capability.
Kritické human skills mají ownera, review a maintenance mechanismus.

32. Summary

Human Capability Reserve chrání komunitu před tím, aby AI-first přístup přerostl v AI dependency.

AI může práci zrychlit.

Ale komunita musí zůstat schopná:

rozumět vlastní práci,
kontrolovat AI výstupy,
rozhodovat,
předávat schopnosti,
učit nové členy,
obnovit kritická workflow,
a pokračovat při výpadku AI.

AIFC proto říká:

Use AI to strengthen people.
Do not use AI to quietly remove capability from the community.

Česky:

Používejte AI k posílení lidí.
Nepoužívejte AI tak, aby tiše odebírala schopnost komunitě.

AI-first komunita má být rychlejší díky AI.

Nesmí být bezmocná bez ní.

Human Capability Reserve turns AI acceleration into resilient community capability.