AIFC-040: AI Retrospective

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-004 Feedback and Change Proposals
• AIFC-010 Knowledge Structure
• AIFC-020 Human-Managed AI
• AIFC-024 Human Capability Reserve
• AIFC-030 AI Capacity Planning
• AIFC-031 AI Autonomy and Intensity
• AIFC-032 AI Operating Modes
• AIFC-033 AI Budget and Cost Control
• AIFC-034 AI Lock-in and Exit Strategy

Účel dokumentu: Definovat AI Retrospective jako pravidelný mechanismus, kterým komunita vyhodnocuje dopad AI na hodnotu, náklady, rizika, lidské schopnosti, dependency, knowledge base, workflow, skills a governance. AI Retrospective převádí zkušenost z AI práce na zlepšení systému.

1. Purpose of this document

Tento dokument definuje AI Retrospective.

AIFC komunita nepoužívá AI pouze k tomu, aby rychleji vytvářela výstupy.

Používá AI také k tomu, aby se učila:

• co AI skutečně zlepšila,
• kde vytvořila hodnotu,
• kde vytvořila šum,
• kde spotřebovala příliš mnoho kapacity,
• kde vznikla AI dependency,
• kde se oslabila lidská schopnost,
• kde se objevilo riziko lock-inu,
• kde AI odhalila opakovatelný pattern,
• kde má vzniknout workflow,
• kde má vzniknout human skill,
• kde má vzniknout AI skill,
• kde má být snížena nebo zvýšena AI autonomie,
• a kde má být aktualizován source of truth.

AI Retrospective je mechanismus, kterým komunita převádí spotřebu AI na učení systému.

2. Core principle

Základní princip tohoto dokumentu je:

Every significant AI use should teach the community something about its work, knowledge, risks and capabilities.

Česky:

Každé významné použití AI má komunitu něco naučit o její práci, znalostech, rizicích a schopnostech.

AIFC říká:

AI retrospective turns AI usage into system learning.

Česky:

AI retrospektiva převádí použití AI na učení systému.

Bez retrospektivy AI spotřebovává kapacitu.

S retrospektivou AI zlepšuje komunitu.

3. Definition

AI Retrospective je pravidelný nebo událostmi spouštěný proces, ve kterém komunita vyhodnocuje AI použití za určité období, projekt, sprint, engagement, workflow, agenta, operating mode nebo incident.

AI Retrospective hodnotí:

• value,
• cost,
• risk,
• AI waste,
• AI dependency,
• human capability,
• source of truth impact,
• workflow conversion candidates,
• skill evolution,
• AI-NDA Boundary issues,
• autonomy and intensity fit,
• budget and capacity use,
• lock-in indicators,
• governance improvements.

Výstupem AI Retrospective nejsou jen poznámky.

Výstupem mají být:

• decision records,
• change proposals,
• AI waste backlog items,
• workflow conversion candidates,
• skill update proposals,
• risk mitigations,
• capacity adjustments,
• operating mode changes,
• source of truth updates.

Minimum requirement

Významné AI použití musí být pravidelně nebo událostně retrospektivně vyhodnoceno.

4. Why AI Retrospective matters

Bez AI Retrospective komunita neví, zda AI:

• opravdu pomáhá,
• pouze vytváří dojem produktivity,
• zvyšuje kvalitu,
• zvyšuje riziko,
• snižuje dluh,
• vytváří nový dluh,
• podporuje lidské schopnosti,
• nebo je tiše nahrazuje závislostí.

AI může generovat hodně výstupů.

Ale hodně výstupů není totéž jako hodnota.

AI Retrospective chrání komunitu před tím, aby zaměnila:

AI activity

za

community progress

Minimum requirement

AI Retrospective musí vyhodnocovat hodnotu a dopad, ne pouze množství AI použití.

5. Relationship with ordinary retrospective

AI Retrospective může být součástí běžné týmové retrospektivy.

Nemusí být vždy samostatná schůzka.

V agilním týmu může být AI částí sprint retrospective.

Například:

Standard retrospective:
- What went well?
- What did not go well?
- What should we improve?

AI retrospective extension:
- Where did AI help?
- Where did AI create waste?
- Where did AI create dependency?
- What should become a workflow, template, validator or skill?

Minimum requirement

Týmy používající AI významně musí zahrnout AI dopad do svého pravidelného learning cyklu.

6. Retrospective triggers

AI Retrospective může být spuštěna pravidelně nebo událostně.

Periodic triggers

Například:

• sprint end,
• monthly AI governance review,
• quarterly capability review,
• mission close,
• budget cycle close.

Event-based triggers

Například:

• AI budget incident,
• AI-NDA Boundary incident,
• lock-in incident,
• AI output failure,
• model quality degradation,
• high rejection rate,
• critical AI dependency signal,
• Emergency AI-Off Mode activation,
• Mission Mode completion,
• major AI engagement closure,
• Operational DNA AI access event.

Minimum requirement

Mission Mode, Aggressive Mode, významný AI engagement a významný AI incident musí mít retrospektivu nebo closing review.

7. Retrospective scope

AI Retrospective musí mít scope.

Scope může být:

• tým,
• projekt,
• sprint,
• AI engagement,
• AI team member,
• workflow,
• operating mode,
• budget period,
• knowledge migration,
• support process,
• development process,
• Operational DNA access,
• incident.

Špatně:

Let's discuss AI.

Lépe:

Retrospective of Knowledge Maintenance Agent during the last sprint, focusing on accepted proposals, AI waste, review load and dependency risk.

Minimum requirement

AI Retrospective musí definovat, co přesně vyhodnocuje.

8. Retrospective ownership

AI Retrospective musí mít ownera.

Owner zajišťuje:

• scope,
• vstupy,
• facilitaci,
• zapojení správných rolí,
• rozhodnutí o výstupech,
• zápis do source of truth,
• follow-up actions,
• change proposals,
• vazbu na governance.

Owner může být:

• team lead,
• product owner,
• AI governance owner,
• knowledge owner,
• process owner,
• AI team member owner,
• mission owner,
• security owner,
• community owner.

Minimum requirement

AI Retrospective musí mít odpovědného ownera.

9. Participants

AI Retrospective má zahrnout role podle dopadu AI použití.

Možní účastníci:

• lidé, kteří AI používali,
• lidé, kteří AI výstupy reviewovali,
• owner workflow,
• owner AI engagementu,
• AI governance owner,
• knowledge owner,
• security owner,
• budget owner,
• human capability owner,
• zákaznický nebo business representative,
• affected community representative.

AI agent může dodat podklady.

AI agent nesmí vlastnit závěr retrospektivy.

Minimum requirement

Retrospektiva kritického AI použití musí zahrnout odpovědné lidské nebo komunitní ownery.

10. Inputs to AI Retrospective

AI Retrospective může používat vstupy:

• AI usage logs,
• cost data,
• accepted outputs,
• rejected outputs,
• review comments,
• AI-generated proposals,
• incidents,
• budget threshold events,
• Human Cockpit Layer metrics,
• source of truth changes,
• AI waste candidates,
• human capability signals,
• support metrics,
• delivery metrics,
• security findings,
• user feedback,
• team feedback.

Minimum requirement

AI Retrospective nesmí být založena pouze na dojmu, pokud jsou dostupná relevantní data.

11. What AI improved

Retrospektiva má explicitně hledat, kde AI pomohla.

Otázky:

• Co AI zrychlila?
• Co AI zlepšila?
• Kde AI pomohla formulovat myšlenku?
• Kde AI odhalila riziko?
• Kde AI snížila dluh?
• Kde AI zlepšila kvalitu?
• Kde AI pomohla onboardingu?
• Kde AI pomohla udržet knowledge base?
• Kde AI vytvořila useful proposal?
• Kde AI snížila lidskou mentální zátěž?

Minimum requirement

AI Retrospective musí zaznamenat významné přínosy AI, aby bylo možné dobré patterny opakovat.

12. What AI made worse

Retrospektiva má explicitně hledat i negativní dopady.

Otázky:

• Kde AI vytvořila šum?
• Kde AI zhoršila kvalitu?
• Kde AI zvýšila review zátěž?
• Kde AI vytvořila falešnou jistotu?
• Kde AI navrhla něco mimo hodnoty?
• Kde AI použila špatný kontext?
• Kde AI spotřebovala příliš mnoho kapacity?
• Kde AI vytvořila dependency?
• Kde AI oslabila lidské učení?
• Kde AI zůstala mimo source of truth?

Minimum requirement

AI Retrospective musí zahrnout i negativní dopady a neúspěšné AI použití.

13. AI value

AI value je hodnota, kterou AI vytvořila pro komunitu.

Hodnota může být:

• ušetřený čas,
• rychlejší rozhodnutí,
• lepší kvalita,
• lepší dokumentace,
• snížený knowledge debt,
• detekované riziko,
• zlepšený workflow,
• vytvořený skill,
• lepší onboarding,
• zlepšený fallback,
• lepší Human Cockpit visibility,
• lepší strategická clarity.

AI value nemá být měřena pouze objemem výstupů.

Minimum requirement

AI Retrospective musí rozlišovat AI activity a AI value.

14. AI cost

AI Retrospective musí zohlednit náklady.

Náklady zahrnují:

• finanční náklady,
• tokeny,
• compute,
• agent-hours,
• review time,
• attention cost,
• governance cost,
• security cost,
• dependency cost.

Otázky:

• Kolik AI stála?
• Kolik review času spotřebovala?
• Které workflow bylo nejdražší?
• Co mělo nejlepší cost-value poměr?
• Co mělo nejhorší cost-value poměr?
• Kde náklad rostl bez přínosu?
• Kde by levnější model nebo non-AI workflow stačil?

Minimum requirement

Významná AI Retrospective musí zahrnout cost-value pohled.

15. AI waste

AI Retrospective je hlavní místo pro identifikaci AI waste.

AI waste je spotřeba AI kapacity bez odpovídající hodnoty.

Příklady:

• opakované generování stejného typu výstupu,
• AI shrnutí, která nikdo nečte,
• mnoho návrhů bez ownera,
• AI analýzy bez rozhodnutí,
• opakované kontroly, které by měl dělat validátor,
• dlouhé prompty pro rutinní transformaci,
• agentické smyčky bez výstupu,
• výstupy vytvářející více review práce než hodnoty.

AI waste je signál, že systém potřebuje změnu.

Minimum requirement

AI Retrospective musí identifikovat AI waste a poslat jej do AI Waste Backlog nebo change proposal procesu.

16. AI dependency

AI Retrospective musí sledovat AI dependency.

Otázky:

• Zastavila by se práce bez AI?
• Umí tým výstup vytvořit bez AI?
• Umí tým výstup zkontrolovat?
• Je know-how v source of truth nebo v chatu?
• Existuje human skill?
• Existuje fallback?
• Nezmizely juniorní learning tasks?
• Nevznikla model/vendor dependency?
• Není human review pouze formální?

Minimum requirement

AI Retrospective musí sledovat AI dependency indicators u kritických nebo opakovaných workflow.

17. Human Capability Reserve

Retrospektiva má vyhodnotit dopad AI na lidskou schopnost.

Otázky:

• Posílila AI lidi?
• Naučili se lidé něco?
• Vznikl human skill?
• Nebo AI práci pouze převzala?
• Umí lidé vysvětlit výstup?
• Umí lidé pokračovat bez AI?
• Kde je potřeba AI-free practice?
• Kde je potřeba training?
• Kde je potřeba fallback drill?

Minimum requirement

AI Retrospective musí generovat opatření, pokud AI oslabuje Human Capability Reserve.

18. Source of truth impact

AI Retrospective musí zhodnotit, co se dostalo zpět do source of truth.

Otázky:

• Jaké AI výstupy byly schválené?
• Co se zapsalo do source of truth?
• Co zůstalo pouze v chatu?
• Vznikly decision records?
• Vznikly change proposals?
• Vznikly skills?
• Vznikly workflow updates?
• Vznikly rizikové signály?
• Je potřeba cleanup?

Minimum requirement

Významné AI-generated know-how musí být posouzeno pro zápis do source of truth.

19. Workflow conversion candidates

AI Retrospective má hledat opakované vzory vhodné pro workflow conversion.

Otázky:

• Co AI dělala opakovaně?
• Co bylo rutinní?
• Co by šlo převést na šablonu?
• Co by šlo převést na validátor?
• Co by šlo převést na UI workflow?
• Co by šlo převést na skript?
• Co by šlo převést na checklist?
• Co by šlo zcela zrušit?
• Kde AI pouze nahrazuje chybějící strukturu?

Minimum requirement

Opakovaná AI rutina musí být posouzena jako kandidát na workflow conversion.

20. Skill evolution

AI Retrospective musí hledat příležitosti ke zlepšení skills.

Příklady:

• dobrý AI výstup ukazuje nový pattern,
• opakovaná chyba ukazuje chybějící instrukci,
• reviewer opakovaně opravuje stejnou věc,
• tým objevil lepší strukturu dokumentu,
• AI navrhla užitečný checklist,
• AI opakovaně nechápe kontext,
• human skill chybí nebo je nejasný.

Výstupy mohou být:

• human skill update,
• AI skill update,
• anti-pattern,
• example,
• checklist,
• prompt improvement,
• role clarification,
• allowed/forbidden action update.

Minimum requirement

AI Retrospective musí posuzovat, zda zkušenost má vést ke skill evolution.

21. Autonomy and intensity review

AI Retrospective musí vyhodnocovat, zda nastavená AI autonomie a intenzita byly správné.

Otázky:

• Byla AI intensity příliš nízká?
• Byla příliš vysoká?
• Byla autonomie přiměřená?
• Byla potřeba více approval?
• Byla review zátěž příliš vysoká?
• Byla některá autonomie fakticky neřízená?
• Je potřeba snížit nebo zvýšit autonomy level?
• Má se změnit AI operating mode?

Minimum requirement

AI Retrospective musí umožnit změnu AI autonomy, intensity nebo operating mode na základě zkušenosti.

22. AI-NDA Boundary review

AI Retrospective má sledovat boundary otázky.

Otázky:

• Zpracovala AI jen povolená data?
• Nevznikl derived knowledge citlivější než vstupy?
• Nebyla data vložena do neschváleného nástroje?
• Fungovala redakce?
• Byla agent memory v souladu s pravidly?
• Je potřeba boundary zpřísnit?
• Je potřeba boundary rozšířit?
• Došlo k incidentu?

Minimum requirement

Retrospektiva AI použití nad neveřejnými daty musí zahrnout AI-NDA Boundary check.

23. Lock-in review

AI Retrospective má sledovat lock-in indikátory.

Otázky:

• Vznikla závislost na jednom vendorovi?
• Vznikla závislost na jednom modelu?
• Jsou skills exportovatelné?
• Je workflow dokumentované mimo nástroj?
• Je agent memory exportovatelná?
• Existuje fallback?
• Lze agenta nahradit?
• Zůstává know-how v source of truth?

Minimum requirement

Kritická AI Retrospective musí vyhodnotit lock-in risk nebo odkázat na lock-in assessment.

24. Budget and capacity review

AI Retrospective musí vyhodnotit AI capacity a budget.

Otázky:

• Byla kapacita správně alokovaná?
• Kde chyběla?
• Kde se plýtvalo?
• Kde byl překročen budget?
• Kde chyběla review capacity?
• Kde se zahltila attention capacity?
• Kde je potřeba změnit threshold?
• Kde je potřeba změnit capacity plan?

Minimum requirement

AI Retrospective musí poskytovat vstup do dalšího AI Capacity Planning cyklu.

25. Quality of human review

Retrospektiva musí zkoumat, zda human review skutečně fungoval.

Otázky:

• Byl reviewer kompetentní?
• Měl čas?
• Rozuměl výstupu?
• Zpochybňoval AI, když bylo potřeba?
• Nebylo review jen formální?
• Kolik AI výstupů bylo opraveno?
• Kolik prošlo bez kontroly?
• Kde je potřeba review checklist nebo training?

Minimum requirement

Kritická AI Retrospective musí vyhodnotit kvalitu human review.

26. Retrospective outputs

AI Retrospective má vytvářet konkrétní výstupy.

Možné výstupy:

• change proposal,
• decision record,
• AI waste backlog item,
• workflow conversion candidate,
• skill update proposal,
• human skill update,
• AI skill update,
• AI capacity adjustment,
• AI budget adjustment,
• operating mode change,
• autonomy change,
• AI-NDA Boundary update,
• lock-in mitigation,
• fallback improvement,
• maintenance task,
• training action,
• source of truth update.

Minimum requirement

AI Retrospective musí vést k akčním výstupům, ne pouze k diskusi.

27. Relationship with Feedback and Change Proposals

AI Retrospective je zdroj feedbacku.

Zjištění z retrospektivy mohou být:

• observed signals,
• risks,
• change proposals,
• decision records,
• maintenance tasks,
• strategy inputs,
• governance improvements.

Retrospektiva bez napojení na feedback loop zůstává pouze rozhovorem.

Minimum requirement

Významná zjištění z AI Retrospective musí vstoupit do feedback nebo change proposal mechanismu.

28. Relationship with Human Cockpit Layer

Human Cockpit Layer musí AI Retrospective podporovat.

Může zobrazovat:

• AI usage summary,
• accepted/rejected outputs,
• AI waste candidates,
• budget usage,
• dependency signals,
• review backlog,
• lock-in indicators,
• boundary incidents,
• skill update candidates,
• workflow conversion candidates,
• follow-up actions.

Human Cockpit Layer chrání retrospektivu před tím, aby byla založená jen na dojmech.

Minimum requirement

Odpovědné role musí mít lidsky dostupný přehled podkladů a výstupů AI Retrospective.

29. AI role in AI Retrospective

AI může pomáhat s retrospektivou.

Může:

• sumarizovat data,
• identifikovat patterny,
• navrhnout otázky,
• najít AI waste,
• detekovat dependency signals,
• připravit draft retrospektivy,
• navrhnout change proposals,
• porovnat vývoj v čase.

AI však nesmí vlastnit závěr retrospektivy.

AI může připravit podklad.

Komunita rozhoduje, co z něj plyne.

Minimum requirement

AI-generated retrospective analysis musí být označena jako návrh nebo podklad, ne jako schválený závěr.

30. Suggested retrospective questions

AIFC doporučuje základní sadu otázek.

Value

Kde AI vytvořila skutečnou hodnotu?

Waste

Kde AI spotřebovala kapacitu bez odpovídající hodnoty?

Dependency

Kde jsme se stali více závislí na AI?

Capability

Kde AI posílila nebo oslabila lidské schopnosti?

Knowledge

Co se má vrátit do source of truth?

Workflow

Co se má převést na workflow, šablonu, validátor nebo skript?

Skills

Jaké human skills nebo AI skills se mají změnit?

Governance

Máme upravit autonomy, intensity, operating mode, budget nebo boundary?

Minimum requirement

AI Retrospective musí pokrýt hodnotu, waste, dependency, source of truth a další kroky.

31. Suggested metadata

Příklad metadat pro AI Retrospective:

ai_retrospective:
  id:
  title:
  status: draft | completed | archived
  owner:
  scope:
  period:
  related_team:
  related_project:
  related_ai_engagements:
  related_ai_team_members:
  related_workflows:
  related_operating_modes:
  related_capacity_plan:
  inputs:
    cost_data: true | false
    usage_logs: true | false
    review_feedback: true | false
    incidents: true | false
    source_of_truth_changes: true | false
  findings:
    value:
    waste:
    dependency:
    human_capability:
    source_of_truth:
    workflow_conversion:
    skill_evolution:
    boundary:
    lock_in:
    budget:
  outputs:
    change_proposals:
    decision_records:
    waste_backlog_items:
    skill_updates:
    workflow_conversion_candidates:
    capacity_adjustments:
    governance_updates:
  follow_up_owner:
  follow_up_due:
  completed_at:

Tato struktura je ilustrativní.

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

32. Anti-patterns

AIFC odmítá následující anti-patterny.

32.1 No AI retrospective

AI se používá, ale komunita se neptá, co se naučila.

32.2 Output counting

Komunita měří počet AI výstupů místo hodnoty.

32.3 Ignored AI waste

Opakovaná nízkohodnotná AI práce pokračuje bez změny systému.

32.4 Hidden dependency

AI dependency roste, ale není pojmenovaná.

32.5 No source of truth write-back

AI vytvoří know-how, ale to zůstane v chatu.

32.6 Human review theater

Review existuje, ale nikdo výstup skutečně neposuzuje.

32.7 AI as judge of itself

AI sama vyhodnotí vlastní přínos a komunita to přijme bez kritického review.

32.8 No follow-up

Retrospektiva vytvoří poznámky, ale žádné změny.

32.9 Retrospective only after failure

AI se vyhodnocuje jen po incidentu, ne jako běžný learning mechanismus.

32.10 Learning not converted into skills

Komunita se něco naučí, ale nezapíše to do human skills nebo AI skills.

33. Minimal requirements

AIFC komunita musí v oblasti AI Retrospective minimálně splnit:

1. Významné AI použití je pravidelně nebo událostně vyhodnocováno.
2. AI Retrospective má scope.
3. AI Retrospective má ownera.
4. AI Retrospective hodnotí AI value, ne pouze AI activity.
5. AI Retrospective hodnotí AI cost a cost-value vztah u významného použití.
6. AI Retrospective identifikuje AI waste.
7. AI Retrospective sleduje AI dependency indicators.
8. AI Retrospective hodnotí dopad na Human Capability Reserve.
9. AI Retrospective hodnotí source of truth write-back.
10. Opakovaná AI rutina je posouzena jako workflow conversion candidate.
11. AI Retrospective posuzuje skill evolution.
12. AI Retrospective může vést ke změně autonomy, intensity nebo operating mode.
13. AI použití nad neveřejnými daty zahrnuje AI-NDA Boundary check.
14. Kritická AI Retrospective hodnotí lock-in risk nebo odkazuje na lock-in assessment.
15. AI Retrospective poskytuje vstup do AI Capacity Planning.
16. Kritická AI Retrospective hodnotí kvalitu human review.
17. Významná zjištění vstupují do feedback nebo change proposal mechanismu.
18. AI-generated retrospective analysis je označena jako návrh nebo podklad.
19. Retrospektiva vede k akčním výstupům s ownerem.
20. Human Cockpit Layer nebo governance rozhraní podporuje podklady a follow-up.

34. Summary

AI Retrospective je mechanismus, kterým se AI-first komunita učí z vlastního používání AI.

AI nemá pouze vyrábět výstupy.

AI má pomáhat komunitě zlepšovat její systém:

• lepší knowledge base,
• lepší workflow,
• lepší skills,
• lepší fallbacky,
• lepší governance,
• lepší cost control,
• nižší dependency,
• vyšší resilience.

AIFC proto říká:

Do not only ask what AI produced.
Ask what the community learned.

Česky:

Neptej se jen, co AI vytvořila.
Ptej se, co se komunita naučila.

AI Retrospective převádí AI práci na komunitní schopnost.

AI Retrospective turns AI usage into governed learning.