AIFC-041: AI Waste Backlog

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-033 AI Budget and Cost Control
• AIFC-040 AI Retrospective

Účel dokumentu: Definovat AI Waste Backlog jako strukturované místo pro evidenci, klasifikaci, prioritizaci a řešení opakované nebo nízkohodnotné AI spotřeby. AI Waste Backlog pomáhá komunitě převádět plýtvání AI kapacitou na workflow conversion, šablony, validátory, skills, pravidla, cleanup nebo rozhodnutí danou práci nedělat.

1. Purpose of this document

Tento dokument definuje AI Waste Backlog.

AI-first komunita nesmí jen spotřebovávat AI kapacitu.

Musí také sledovat, kdy se AI používá zbytečně, opakovaně, draze, nekvalitně nebo jako náhrada za chybějící systémovou schopnost.

AI Waste Backlog slouží k zachycení situací, kdy AI:

• opakovaně dělá rutinní práci,
• generuje výstupy, které nikdo nepoužívá,
• vytváří příliš mnoho review práce,
• nahrazuje jednoduché pravidlo nebo validátor,
• opravuje stejný typ chyby pořád dokola,
• vyplňuje mezeru v knowledge base,
• zakrývá špatný workflow,
• podporuje AI dependency,
• vytváří šum,
• nebo spotřebovává kapacitu bez odpovídající hodnoty.

AI Waste Backlog není seznam selhání.

Je to seznam příležitostí ke zlepšení systému.

2. Core principle

Základní princip tohoto dokumentu je:

AI waste is not only a cost problem. It is a signal that the system can be improved.

Česky:

AI waste není jen problém nákladů. Je to signál, že systém lze zlepšit.

AIFC říká:

Repeated AI work should become system capability.

Česky:

Opakovaná AI práce se má stát schopností systému.

Pokud AI opakovaně řeší stejný problém, komunita se má ptát:

Proč to stále řeší AI?
Nemá z toho vzniknout šablona, validátor, workflow, skill nebo pravidlo?

3. Definition

AI Waste Backlog je řízený backlog položek, které reprezentují nízkohodnotnou, opakovanou, nadbytečnou, neudržitelnou nebo systémově nevhodnou spotřebu AI kapacity.

Každá položka AI Waste Backlogu popisuje:

• jaká AI spotřeba vznikla,
• proč je považována za waste,
• jak často se opakuje,
• jaký má náklad,
• jaký má dopad na review a attention,
• zda vytváří dependency,
• jaký pattern ukazuje,
• jaké řešení se nabízí,
• kdo je owner,
• a jaký další krok má následovat.

AI Waste Backlog je součást learning vrstvy AIFC.

4. Why AI Waste Backlog matters

Bez AI Waste Backlogu se AI waste ztrácí v každodenním provozu.

Lidé mohou mít pocit:

• „AI nám pomáhá.“
• „AI něco vytvořila.“
• „AI to zvládla rychle.“
• „AI nám ušetřila práci.“

Ale při bližším pohledu může být pravda složitější:

• AI vytvořila mnoho návrhů, které nikdo nečetl.
• AI generovala texty, které se celé přepisovaly.
• AI opakovaně opravovala stejný strukturální problém.
• AI spotřebovala víc review času, než ušetřila.
• AI nahradila chybějící šablonu.
• AI zakryla, že tým nemá jasné pravidlo.
• AI vytvořila závislost na promptu místo stabilního workflow.

AI Waste Backlog pomáhá tyto signály neztratit.

Minimum requirement

Významné a opakované AI waste signály musí být evidovány a posouzeny.

5. AI waste vs AI failure

AI waste není totéž co AI failure.

AI failure

AI failure je situace, kdy AI výstup selhal.

Například:

• byl fakticky chybný,
• porušil pravidlo,
• použil zakázaná data,
• halucinoval,
• způsobil incident.

AI waste

AI waste je situace, kdy AI sice mohla technicky fungovat, ale její použití nebylo dobrým systémovým řešením.

Například:

• AI opakovaně generuje stejný typ dokumentu,
• AI nahrazuje šablonu,
• AI dělá kontrolu, kterou by měl dělat validátor,
• AI shrnuje výstupy, které nikdo nepotřebuje,
• AI vytváří proposal bez ownera.

AI failure vyžaduje opravu nebo incident response. AI waste vyžaduje systémové zlepšení.

Minimum requirement

AIFC komunita musí rozlišovat AI failure a AI waste.

6. Types of AI waste

AIFC rozlišuje několik typů AI waste.

6.1 Repetitive AI waste

AI opakovaně dělá stejnou rutinu.

Příklad:

• stále znovu převádí stejný typ poznámky do stejného formátu.

Možné řešení:

• šablona,
• workflow,
• UI akce,
• validátor,
• automatizace.

6.2 Review waste

AI vytváří výstupy, které spotřebují více review času, než ušetří.

Možné řešení:

• lepší scope,
• lepší skill,
• nižší autonomy,
• menší výstupy,
• triage,
• quality gate.

6.3 Attention waste

AI generuje množství shrnutí, návrhů nebo upozornění, která zahlcují lidi.

Možné řešení:

• prioritizace,
• threshold,
• batching,
• Human Cockpit filtering,
• signal aggregation.

6.4 Prompt waste

Lidé opakovaně ručně promptují stejnou práci.

Možné řešení:

• AI skill,
• šablona promptu,
• workflow action,
• agent role,
• deterministic transformation.

6.5 Knowledge waste

AI opakovaně vysvětluje něco, co by mělo být v source of truth.

Možné řešení:

• knowledge artefact,
• FAQ,
• human skill,
• decision record,
• onboarding page.

6.6 Structural waste

AI opravuje chyby způsobené špatnou strukturou knowledge base.

Možné řešení:

• metadata schema,
• folder rules,
• cleanup agent,
• validation rule,
• standard template.

6.7 Dependency waste

AI používání vytváří nebo prohlubuje závislost, místo aby budovalo schopnost.

Možné řešení:

• Human Capability Reserve,
• AI-free practice,
• human skill,
• fallback,
• training.

6.8 Model waste

Používá se příliš drahý nebo silný model pro jednoduchou práci.

Možné řešení:

• levnější model,
• validátor,
• pravidlo,
• skript,
• non-AI workflow.

6.9 Output waste

AI vytváří výstupy, které nejsou přijaty, použity nebo zapsány.

Možné řešení:

• lepší zadání,
• owner requirement,
• output triage,
• stop workflow,
• přehodnocení potřeby.

6.10 Governance waste

AI vytváří návrhy nebo výjimky, které zahlcují governance.

Možné řešení:

• lepší approval boundary,
• batch review,
• decision rules,
• threshold,
• delegation,
• workflow conversion.

Minimum requirement

AI Waste Backlog musí umožnit klasifikovat waste podle typu.

7. Sources of AI waste items

AI Waste Backlog může být naplňován z různých zdrojů.

AI Retrospective

Nejdůležitější zdroj.

Retrospektiva identifikuje, kde AI spotřebovala kapacitu bez dostatečné hodnoty.

Cost review

Budget analýza ukáže drahá nebo rostoucí AI workflow.

Human review feedback

Revieweři hlásí, že AI výstupy vytvářejí příliš mnoho oprav.

Human Cockpit Layer

Cockpit detekuje vysoký objem návrhů bez ownera, vysoký rejection rate nebo review backlog.

AI agent self-observation

AI agent může navrhnout, že opakuje rutinu, kterou by měl převzít workflow.

Incident review

Po budget incidentu, boundary incidentu nebo lock-in incidentu může vzniknout waste item.

Team feedback

Členové týmu mohou ručně nahlásit waste.

Minimum requirement

AI Waste Backlog musí mít alespoň jeden formální vstupní mechanismus z AI Retrospective nebo governance review.

8. AI waste item lifecycle

AIFC doporučuje lifecycle:

observed
↓
classified
↓
triaged
↓
accepted
↓
solution proposed
↓
converted / reduced / rejected / accepted risk
↓
verified
↓
closed

Observed

Waste signál je zaznamenán.

Classified

Je určen typ waste.

Triaged

Je posouzena priorita, náklad, dopad a owner.

Accepted

Komunita uzná, že jde o skutečný waste item.

Solution proposed

Navrhne se řešení.

Converted / reduced / rejected / accepted risk

Položka je vyřešena některou cestou.

Verified

Ověří se, zda waste skutečně klesl.

Closed

Položka je uzavřena.

Minimum requirement

AI Waste Backlog položky musí mít status a ownera nebo jasný triage mechanismus.

9. Triage

Ne každý AI waste item musí být řešen okamžitě.

Triage hodnotí:

• frekvenci,
• náklady,
• review zátěž,
• attention zátěž,
• riziko dependency,
• dopad na hodnoty,
• dopad na Operational DNA,
• možnost jednoduchého řešení,
• vazbu na existující workflow,
• potenciál workflow conversion.

Příklad prioritizace:

High priority:
High cost, high frequency, creates dependency or touches critical workflow.

Medium priority:
Repeated waste with moderate cost or attention impact.

Low priority:
Rare or low-impact waste, monitor only.

Minimum requirement

AI Waste Backlog musí mít prioritizaci nebo triage pravidla.

10. Solution categories

AI waste item může být řešen různými způsoby.

10.1 Workflow conversion

Opakovaná AI rutina se převede na stabilní workflow.

10.2 Template

Vznikne šablona pro opakovaný výstup.

10.3 Validator

Kontrola se převede na software validation rule.

10.4 Script or automation

Rutina se převede na deterministický skript.

10.5 Human skill

Vznikne nebo se upraví human skill.

10.6 AI skill

Vznikne nebo se upraví AI skill s lepším scope.

10.7 Better source of truth

Chybějící znalost se zapíše do knowledge base.

10.8 Operating mode change

Sníží nebo zvýší se AI intensity/autonomy.

10.9 Budget guardrail

Nastaví se limit, threshold nebo alert.

10.10 Stop doing it

Komunita rozhodne, že daná práce nemá dostatečnou hodnotu a nebude se dělat.

Minimum requirement

Každý přijatý AI waste item musí mít navrženou solution category nebo schválené rozhodnutí jej pouze monitorovat.

11. AI waste and workflow conversion

Nejdůležitější výstup AI Waste Backlogu je často workflow conversion.

Pokud AI opakovaně řeší stejný pattern, je to signál, že pattern má být zachycen v systému.

Příklad:

AI repeatedly rewrites meeting notes into action items.

Possible conversion:
- standard meeting note template,
- action item extraction workflow,
- metadata schema,
- Human Cockpit approval UI,
- deterministic parser for simple cases,
- AI only for ambiguous cases.

Workflow conversion bude detailně popsána v:

AIFC-042: Workflow Conversion

Minimum requirement

Opakovaná AI rutina s významnou spotřebou musí být posouzena pro workflow conversion.

12. AI waste and skills

AI waste často ukazuje chybějící nebo špatně definované skills.

Příklady:

• AI opakovaně tvoří špatný UX návrh → chybí AI skill s dobrými pravidly.
• Lidé neumí AI správně zadat práci → chybí human skill pro zadávání.
• Revieweři pořád opravují stejnou věc → chybí checklist nebo example.
• Agent generuje příliš dlouhé výstupy → chybí output style rule.
• AI nerozlišuje draft/proposal/decision → chybí governance skill.

Minimum requirement

AI waste item musí být posouzen, zda vyžaduje human skill nebo AI skill update.

13. AI waste and source of truth

AI waste může vznikat, protože source of truth je neúplný nebo nejasný.

Příklad:

• AI opakovaně vysvětluje, jak schvalovat change proposal.
• To znamená, že schvalovací workflow není dostatečně dostupný nebo čitelný.

Možné řešení:

• upravit dokument,
• přidat summary,
• vytvořit checklist,
• přidat Human Cockpit card,
• doplnit examples,
• vytvořit decision record.

Minimum requirement

AI waste způsobený chybějící znalostí musí vést k source of truth improvement proposal.

14. AI waste and cost control

AI Waste Backlog je vstupem do AI Budget and Cost Control.

Pomáhá odpovědět:

• Kde AI spotřebovává nejvíc kapacity?
• Kde je nízký value/cost poměr?
• Který agent je drahý a málo užitečný?
• Které workflow má vysokou rejection rate?
• Kde má být budget snížen?
• Kde má vzniknout guardrail?

Minimum requirement

Významné AI waste items musí být viditelné pro AI budget ownera.

15. AI waste and attention debt

AI waste není jen o nákladech.

Může vytvářet attention debt.

Příklady:

• mnoho AI návrhů bez priority,
• dlouhá shrnutí bez akce,
• příliš časté upozornění,
• duplicitní signály,
• rozsáhlé AI analýzy bez rozhodnutí,
• AI comments v každém dokumentu.

Attention debt je nebezpečný, protože oslabuje schopnost lidí vidět skutečně důležité signály.

Minimum requirement

AI Waste Backlog musí umět označit attention impact.

16. AI waste and Human Capability Reserve

AI waste může oslabovat lidské schopnosti.

Příklad:

• AI stále generuje rutinní kód.
• Lidé přestávají rutinní kód psát.
• Když dojdou tokeny, práce se zastaví.

To není jen budget problém.

Je to capability waste.

AI spotřeba vytvořila méně odolný systém.

Minimum requirement

AI waste item musí být posouzen z hlediska dopadu na Human Capability Reserve, pokud se týká kritické nebo opakované práce.

17. AI waste and AI dependency

AI waste a AI dependency spolu často souvisí.

AI může být používána zbytečně, ale protože se na ni tým zvykne, vznikne dependency.

Příklad:

• Každý Jira ticket musí AI přeformulovat.
• Tým přestane umět psát jasné tickety.
• AI se stane povinným mezičlánkem pro rutinní práci.

Minimum requirement

Opakovaný AI waste musí být kontrolován jako možný AI dependency signal.

18. AI waste and governance overload

AI může generovat příliš mnoho governance práce.

Například:

• stovky change proposals,
• mnoho low-value risks,
• příliš mnoho skill update návrhů,
• příliš mnoho review requests,
• příliš mnoho classification uncertainties.

AI má governance podporovat, ne zahlcovat.

Minimum requirement

AI-generated governance workload musí být sledován a omezován prioritizací, batchingem nebo thresholdy.

19. AI waste and model selection

AI waste může vznikat použitím špatného modelu.

Příklady:

• drahý model dělá jednoduchou klasifikaci,
• slabý model generuje mnoho chybných výstupů,
• model bez doménového kontextu vytváří review waste,
• veřejný model vyžaduje redakci, která je dražší než private model.

Minimum requirement

AI waste item musí umožnit označit model/tool fit issue.

20. AI waste and agent design

AI waste může být způsoben špatným designem agenta.

Příklady:

• agent nemá stop condition,
• agent má příliš široký scope,
• agent generuje dlouhé reporty,
• agent retryuje bez limitu,
• agent neumí prioritizovat,
• agent vytváří návrhy bez ownera,
• agent neví, kdy se zastavit.

Minimum requirement

AI waste způsobený agentem musí vést k revizi agent role, scope, guardrails nebo skillu.

21. AI waste and stopping work

Některé AI waste položky nemají být převedeny na workflow.

Někdy správná odpověď je:

Stop doing this work.

Příklady:

• report nikdo nečte,
• shrnutí nikdo nepoužívá,
• návrhy nikdo neschvaluje,
• analýza nevede k rozhodnutí,
• výstup nepodporuje záměr.

AI může zlevnit tvorbu zbytečných výstupů.

To neznamená, že je máme vyrábět.

Minimum requirement

AI Waste Backlog musí umožnit řešení typu stop doing it.

22. AI waste item structure

Doporučená struktura položky:

Title
Observed waste
Context
Waste type
Frequency
Cost impact
Review impact
Attention impact
Dependency impact
Related workflow
Related AI tool / agent
Root cause hypothesis
Proposed solution category
Owner
Priority
Status
Verification method

Minimum requirement

AI waste item musí obsahovat alespoň popis, typ, dopad, ownera nebo triage ownera a další krok.

23. Root cause analysis

AI waste položka nemá být řešena jen povrchově.

Je třeba hledat příčinu.

Příklady root causes:

• chybí šablona,
• chybí validátor,
• chybí source of truth,
• chybí owner,
• chybí skill,
• agent má příliš široký scope,
• model není vhodný,
• workflow není jasný,
• lidé nemají human skill,
• output nemá zákazníka,
• governance je příliš pomalá,
• AI se používá jako obchvat problému.

Minimum requirement

High-priority AI waste item musí mít root cause hypothesis.

24. Verification

Položku nestačí uzavřít implementací řešení.

Je potřeba ověřit, zda waste skutečně klesl.

Příklady ověření:

• snížila se AI spotřeba,
• snížil se review time,
• snížil se rejection rate,
• snížil se počet duplicitních návrhů,
• vznikl workflow,
• vznikl validátor,
• vznikl skill,
• output je používaný,
• lidé zvládnou práci bez AI,
• AI dependency klesla.

Minimum requirement

Uzavření významného AI waste itemu musí mít verification method.

25. Relationship with AI Retrospective

AI Retrospective je hlavní mechanismus pro identifikaci AI waste.

AI Waste Backlog je místo, kde se waste dál řídí.

Vztah:

AI Retrospective
→ detects waste

AI Waste Backlog
→ tracks and resolves waste

Workflow Conversion / Skill Evolution / Source of Truth update
→ turns waste into system capability

Minimum requirement

AI Retrospective musí mít možnost vytvořit AI Waste Backlog items.

26. Relationship with Workflow Conversion

AI Waste Backlog je vstupem do Workflow Conversion.

AI waste item se může stát:

• workflow conversion candidate,
• template candidate,
• validation rule candidate,
• automation candidate,
• skill evolution candidate,
• stop-work candidate.

Workflow Conversion bude detailně definována v AIFC-042.

Minimum requirement

AI Waste Backlog musí být napojený na Workflow Conversion mechanismus.

27. Relationship with Human Cockpit Layer

Human Cockpit Layer musí zviditelňovat AI Waste Backlog.

Může ukazovat:

• top AI waste items,
• waste by cost,
• waste by attention impact,
• waste by dependency risk,
• waste by agent,
• waste by workflow,
• conversion candidates,
• overdue waste items,
• verified savings,
• ownerless waste items.

Bez viditelnosti se AI waste stane skrytým provozním nákladem.

Minimum requirement

Odpovědné role musí mít lidsky dostupný přehled významných AI waste items.

28. Relationship with Feedback and Change Proposals

AI waste item může být observed signal.

Pokud má významný dopad, má se převést na change proposal.

Příklad:

Observed signal:
AI repeatedly creates Jira ticket rewrites with low acceptance rate.

Change proposal:
Create standard Jira ticket template and AI skill update. Limit AI rewrite to unclear tickets only.

Minimum requirement

Významné AI waste items musí být zpracovatelné jako observed signals nebo change proposals.

29. AI role in AI Waste Backlog

AI může pomáhat s AI Waste Backlogem.

Může:

• detekovat opakující se patterns,
• analyzovat cost logs,
• najít vysoký rejection rate,
• navrhnout waste classification,
• navrhnout solution category,
• připravit workflow conversion proposal,
• sumarizovat waste trends.

AI však nesmí sama rozhodovat, že určitá lidská práce je waste, pokud to má governance, hodnotový nebo organizační dopad.

Minimum requirement

AI-generated waste classification musí být označena jako návrh a reviewována ownerem.

30. Suggested metadata

Příklad metadat pro AI waste item:

ai_waste_item:
  id:
  title:
  status: observed | classified | triaged | accepted | solution_proposed | in_progress | verified | closed | rejected | accepted_risk
  owner:
  triage_owner:
  source:
    - ai_retrospective
    - cost_review
    - human_review_feedback
    - cockpit_signal
    - incident_review
    - team_feedback
    - ai_agent_observation
  waste_type:
    - repetitive
    - review
    - attention
    - prompt
    - knowledge
    - structural
    - dependency
    - model
    - output
    - governance
  related_ai_workflow:
  related_ai_team_member:
  related_ai_engagement:
  related_model_or_tool:
  frequency:
  cost_impact: low | medium | high | critical
  review_impact: low | medium | high | critical
  attention_impact: low | medium | high | critical
  dependency_impact: low | medium | high | critical
  priority: low | medium | high | critical
  root_cause_hypothesis:
  proposed_solution_category:
    - workflow_conversion
    - template
    - validator
    - script
    - human_skill
    - ai_skill
    - source_of_truth_update
    - operating_mode_change
    - budget_guardrail
    - stop_doing_it
    - monitor_only
  related_change_proposal:
  verification_method:
  created_at:
  last_reviewed:

Tato struktura je ilustrativní.

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

31. Anti-patterns

AIFC odmítá následující anti-patterny.

31.1 AI waste ignored

Komunita vidí nízkohodnotnou AI spotřebu, ale neřeší ji.

31.2 AI waste treated only as cost

Waste se řeší pouze snížením budgetu, ne zlepšením systému.

31.3 Repeated prompting normalized

Lidé stále ručně promptují stejnou rutinu místo vytvoření workflow.

31.4 AI summaries nobody reads

AI vytváří shrnutí bez jasného audience, ownera nebo rozhodovací hodnoty.

31.5 Review overload accepted

AI vytváří příliš mnoho výstupů a review zátěž je považována za normální.

31.6 AI used instead of source of truth

AI stále vysvětluje něco, co mělo být napsané ve knowledge base.

31.7 AI waste without owner

Waste je pojmenovaný, ale nikdo ho neřeší.

31.8 Agent loops without guardrails

Agent spotřebovává kapacitu bez stop condition, output condition nebo budget limitu.

31.9 AI dependency hidden as efficiency

AI rutinně nahrazuje lidskou práci a tým ztrácí schopnost, ale je to prezentováno jako úspora.

31.10 No verification

Komunita něco upraví, ale neověří, zda waste skutečně klesl.

32. Minimal requirements

AIFC komunita musí v oblasti AI Waste Backlog minimálně splnit:

1. Rozlišuje AI waste a AI failure.
2. Má mechanismus pro evidenci opakovaného nebo významného AI waste.
3. AI Waste Backlog položky mají typ waste.
4. AI Waste Backlog položky mají status.
5. AI Waste Backlog položky mají ownera nebo triage ownera.
6. AI Waste Backlog používá prioritizaci nebo triage pravidla.
7. Významné AI waste items obsahují cost, review, attention nebo dependency impact.
8. Opakovaná AI rutina je posouzena pro workflow conversion.
9. AI waste je posuzován z hlediska skill evolution.
10. AI waste způsobený chybějící znalostí vede k source of truth improvement proposal.
11. Významné AI waste items jsou viditelné pro budget ownera.
12. Attention impact je zohledněn u výstupově bohatých AI workflow.
13. AI waste je posuzován z hlediska Human Capability Reserve u kritické nebo opakované práce.
14. Opakovaný AI waste je kontrolován jako možný AI dependency signal.
15. AI-generated governance workload je sledován.
16. AI waste způsobený agentem vede k revizi role, scope, guardrails nebo skillu.
17. AI Waste Backlog umožňuje řešení typu stop doing it.
18. High-priority AI waste item má root cause hypothesis.
19. Uzavření významného AI waste itemu má verification method.
20. AI Waste Backlog je napojený na AI Retrospective, Workflow Conversion a Change Proposals.
21. Human Cockpit Layer nebo governance rozhraní zviditelňuje významné AI waste items.
22. AI-generated waste classification je označena jako návrh a reviewována ownerem.

33. Summary

AI Waste Backlog pomáhá komunitě neztratit důležité signály v každodenním AI provozu.

AI waste neznamená jen, že AI stála moc peněz.

Může znamenat, že:

• chybí workflow,
• chybí šablona,
• chybí validátor,
• chybí human skill,
• chybí AI skill,
• chybí source of truth,
• chybí owner,
• chybí guardrail,
• nebo se vytváří AI dependency.

AIFC proto říká:

Do not let repeated AI work remain repeated AI work.
Turn it into system capability.

Česky:

Nenechte opakovanou AI práci zůstat opakovanou AI prací.
Převeďte ji na schopnost systému.

AI Waste Backlog nedává AI méně významu.

Dává jejímu používání větší smysl.

AI Waste Backlog turns wasted AI capacity into system improvement.