AIFC-043: Skill Evolution

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-013 Human and AI Readable Content
AIFC-020 Human-Managed AI
AIFC-023 AI as Team Member
AIFC-024 Human Capability Reserve
AIFC-040 AI Retrospective
AIFC-041 AI Waste Backlog
AIFC-042 Workflow Conversion

Účel dokumentu: Definovat Skill Evolution jako mechanismus, kterým komunita převádí zkušenost z práce, AI výstupů, retrospektiv, review, waste, incidentů a dobrých patternů do zlepšených human skills a AI skills. Skill Evolution zajišťuje, že komunita se z práce učí a její know-how se vrací do source of truth.

1. Purpose of this document

Tento dokument definuje Skill Evolution.

AIFC komunita nemá používat AI pouze k vytváření výstupů.

Má se z každého významného výstupu, opravy, review, incidentu nebo opakovaného patternu učit.

Pokud AI vytvoří dobrý dashboard návrh, komunita se nemá spokojit s tím, že vznikl jeden dobrý výstup.

Má se ptát:

Proč byl dobrý?
Jaká pravidla použil?
Jaký layout fungoval?
Jak chránil lidskou pozornost?
Jaké anti-patterny se mu vyhnuly?
Jak to zapíšeme do human skillu?
Jak to zapíšeme do AI skillu?
Jak příště dosáhneme podobného výsledku rychleji a spolehlivěji?

Skill Evolution je mechanismus, kterým se dobrá práce mění na lepší schopnost komunity.

2. Core principle

Základní princip tohoto dokumentu je:

Every good output should improve future capability.
Every repeated correction should improve the skill.

Česky:

Každý dobrý výstup má zlepšit budoucí schopnost.
Každá opakovaná oprava má zlepšit skill.

AIFC říká:

Do not let learning remain trapped in individual outputs.
Convert learning into skills.

Česky:

Nenechte učení zůstat uvězněné v jednotlivých výstupech.
Převeďte učení do skillů.

3. Definition

Skill Evolution je řízený proces, kterým komunita vytěžuje zkušenost z práce a převádí ji do aktualizovaných human skills, AI skills, examples, anti-patterns, checklists, templates, review rules a source of truth artefaktů.

Skill Evolution může vzniknout z:

dobrého výstupu,
špatného výstupu,
opakované review opravy,
AI Retrospective,
AI Waste Backlogu,
Workflow Conversion,
incidentu,
human feedbacku,
customer feedbacku,
agent logs,
governance review,
nebo změny hodnot, strategie či workflow.

Minimum requirement

Významné opakované poznatky z práce musí být posouzeny, zda nemají vést ke skill update.

4. Human skill

Human skill je lidsky čitelný znalostní artefakt, který pomáhá člověku vykonat, pochopit, zkontrolovat nebo předat určitou schopnost.

Human skill může obsahovat:

účel,
principy,
postup,
vstupy,
výstupy,
quality criteria,
examples,
anti-patterns,
checklist,
rozhodovací pravidla,
fallback,
kdy použít AI,
kdy AI nepoužít,
jak reviewovat AI výstup,
jak učit nového člena.

Human skill je důležitý pro Human Capability Reserve.

Minimum requirement

Kritické schopnosti komunity musí mít human-readable skill nebo odpovídající lidsky čitelnou znalost.

5. AI skill

AI skill je strukturovaná instrukce, pravidlo nebo kontext, který umožňuje AI agentovi vykonávat konkrétní typ práce lépe, bezpečněji a konzistentněji.

AI skill může obsahovat:

agent role,
scope,
input rules,
output format,
allowed actions,
forbidden actions,
examples,
anti-patterns,
quality criteria,
uncertainty handling,
approval rules,
source of truth write-back rules,
AI-NDA Boundary reference,
escalation rules.

AI skill může být velmi výkonný.

Ale nesmí být jediným místem, kde je kritické know-how uloženo.

Minimum requirement

Kritický AI skill musí být napojený na human-readable znalost nebo human skill.

6. Human skills and AI skills must co-evolve

AIFC neodděluje human skills a AI skills jako dva nesouvisející světy.

Mají se vyvíjet společně.

Pokud se zlepší AI skill, měla by komunita posoudit:

zda lidé rozumí tomu, co agent dělá,
zda existuje human review skill,
zda změna neoslabuje Human Capability Reserve,
zda je know-how přenositelné,
zda nevzniká lock-in.

Pokud se zlepší human skill, měla by komunita posoudit:

zda se má aktualizovat AI skill,
zda má agent lepší examples,
zda se má změnit output format,
zda se má doplnit forbidden action,
zda se má zlepšit review checklist.

Minimum requirement

Změna kritického AI skillu musí posoudit dopad na human skill a Human Capability Reserve.

7. Why Skill Evolution matters

Bez Skill Evolution se komunita učí pomalu a lokálně.

Poznatky zůstávají:

v hlavě jednotlivce,
v chatu,
v jednorázovém AI výstupu,
v komentáři reviewera,
v opravě dokumentu,
v neformální zkušenosti,
v agent memory,
nebo ve ztracené retrospektivní poznámce.

To vytváří knowledge debt.

Skill Evolution převádí zkušenost do opakovatelné schopnosti.

Díky tomu:

další výstupy jsou lepší,
AI agenti pracují přesněji,
lidé reviewují lépe,
onboarding je rychlejší,
fallback je snazší,
AI dependency klesá,
source of truth sílí.

Minimum requirement

Komunita musí mít mechanismus, jak z opakované zkušenosti vytvářet nebo aktualizovat skills.

8. Skill Evolution sources

Skill Evolution může být spuštěna různými signály.

8.1 Good output signal

Výstup byl velmi dobrý a stojí za vytěžení pravidel.

8.2 Repeated correction signal

Revieweři opakovaně opravují stejnou chybu.

8.3 AI waste signal

AI opakovaně spotřebovává kapacitu kvůli chybějícímu skillu.

8.4 Workflow conversion signal

Opakovaná práce byla převedena na workflow a vyžaduje nové skills.

8.5 Incident signal

Chyba nebo incident ukázal chybějící skill.

8.6 Human capability signal

Lidé neumí práci vykonat, zkontrolovat nebo obnovit bez AI.

8.7 AI dependency signal

Tým je příliš závislý na AI pro rutinní nebo kritickou práci.

8.8 Strategy or values signal

Změna hodnot, strategie nebo governance vyžaduje změnu skills.

Minimum requirement

Skill Evolution musí přijímat vstupy z AI Retrospective, AI Waste Backlogu a Workflow Conversion.

9. Skill Evolution lifecycle

AIFC doporučuje lifecycle:

signal
↓
skill update candidate
↓
triage
↓
draft
↓
review
↓
approved
↓
published
↓
used
↓
measured
↓
improved

Signal

Vznikne poznatek.

Skill update candidate

Poznatek je navržen jako možná změna skillu.

Triage

Určí se dopad, owner, priorita a typ skillu.

Draft

Vznikne draft human skillu nebo AI skillu.

Review

Skill posoudí owner nebo komunita.

Approved

Skill je schválen.

Published

Skill je zapsán do source of truth nebo skill repository.

Used

Skill se reálně používá.

Measured

Sleduje se dopad.

Improved

Skill se dále upraví podle zkušenosti.

Minimum requirement

Kritické skills musí mít lifecycle status, ownera a review mechanismus.

10. Skill update candidate

Skill update candidate je návrh na vytvoření nebo úpravu skillu.

Měl by popisovat:

zdroj signálu,
co se komunita naučila,
jaký skill je dotčený,
zda jde o human skill, AI skill nebo oba,
jaký problém se řeší,
jaký výstup se má zlepšit,
jaké examples nebo anti-patterns se mají přidat,
kdo je owner,
jak se ověří dopad.

Minimum requirement

Významný skill update candidate musí být dohledatelný a mít ownera nebo triage ownera.

11. Extracting skill from good output

Dobrý výstup je zdroj know-how.

Komunita by se měla ptát:

Co dělá tento výstup dobrým?
Jaká struktura fungovala?
Jaký tón fungoval?
Jaká pravidla byla implicitně dodržena?
Jaké rozhodnutí bylo správné?
Jaké informace byly vynechány?
Jak byla chráněna lidská pozornost?
Jaké examples mají být uloženy?
Jak lze tento pattern zopakovat?

Example

Dobrý dashboard návrh může vést k pravidlům:

používej málo vizuálních prvků,
nezobrazuj zbytečné ikony,
ukaž pouze hlavní flow,
odděl rozhodnutí od detailu,
chraň pozornost uživatele,
nepřetěžuj první obrazovku,
vysvětli metriky v kontextu.

Minimum requirement

Významné dobré výstupy v kritických oblastech musí být posouzeny pro skill extraction.

12. Extracting skill from repeated corrections

Opakovaná oprava je signál, že skill je neúplný.

Příklad:

Reviewer stále opravuje AI výstupy, protože jsou moc dlouhé.

Možná skill update:

Output style:
Prefer short, scannable sections.
Avoid dense paragraphs.
Use hierarchy and whitespace.
Do not repeat obvious context.

Příklad:

Reviewer stále doplňuje ownera a status.

Možná skill update:

Every critical artefact draft must include owner, status, purpose and review cycle.

Minimum requirement

Opakovaná review oprava musí být posouzena jako skill update signal.

13. Extracting skill from failure

Chyby a incidenty jsou tvrdý, ale cenný zdroj učení.

AI failure může ukázat:

chybějící forbidden action,
nejasnou AI-NDA Boundary,
slabé review pravidlo,
chybějící human skill,
chybějící fallback,
špatný output format,
příliš vysokou autonomii,
slabý agent scope,
nejasnou datovou klasifikaci.

Minimum requirement

Významný AI failure nebo incident musí být posouzen pro skill update.

14. Skill quality criteria

Dobrý skill musí být:

jasný,
použitelný,
konkrétní,
testovatelný,
napojený na source of truth,
napojený na hodnoty,
přiměřeně stručný,
vybavený examples,
vybavený anti-patterns,
vlastněný ownerem,
revidovaný,
přenosný.

Human skill musí pomáhat člověku. AI skill musí snižovat nejednoznačnost pro agenta. Oba mají chránit komunitní schopnost.

Minimum requirement

Kritické skills musí mít quality criteria nebo review checklist.

15. Skill examples

Examples jsou důležité pro lidi i AI.

Dobrý example ukazuje:

co vypadá jako dobrý výstup,
proč je dobrý,
kde je hranice,
jaký formát se očekává,
jaký tón funguje,
jaká metadata jsou nutná,
jaký kontext je potřeba.

Examples mají být konkrétní.

Minimum requirement

Kritické skills s rizikem nejednoznačnosti musí obsahovat examples.

16. Skill anti-patterns

Anti-patterny ukazují, čemu se vyhnout.

Jsou důležité, protože AI i lidé často potřebují vidět nejen pozitivní pattern, ale i hranici.

Příklad pro AI documentation skill:

Anti-pattern:
Long dense Markdown document with many headings but no clear priority, owner, status or next action.

Příklad pro UX dashboard skill:

Anti-pattern:
Too many badges, icons, colors and buttons on the first screen, forcing the user to decode the interface instead of understanding the message.

Minimum requirement

Kritické skills musí obsahovat anti-patterns, pokud nesprávné použití vytváří významné riziko nebo attention debt.

17. Skill and values

Skills nejsou jen technické instrukce.

Mají odrážet hodnoty komunity.

Například hodnota attention protection se může promítnout do skills:

piš stručně,
strukturuj obsah,
nezahlcuj,
ukaž rozhodnutí,
odděl detail,
používej shrnutí,
chraň první obrazovku.

Hodnota resilience se může promítnout do skills:

definuj fallback,
drž human-readable postup,
neukládej know-how pouze do AI,
omez dependency,
udržuj review kompetenci.

Minimum requirement

Kritické skills musí být v souladu s hodnotami komunity.

18. Skill and source of truth

Skills musí být zapsané v source of truth nebo řízeném skill repository.

Skill uložený pouze v chatu nebo agent memory není dostatečný.

Source of truth umožňuje:

review,
versioning,
audit,
reuse,
onboarding,
export,
vendor exit,
Human Capability Reserve.

Minimum requirement

Kritické skills musí být verzované nebo dohledatelné v source of truth.

19. Skill and Human Cockpit Layer

Human Cockpit Layer může skills zviditelnit a usnadnit jejich používání.

Může zobrazovat:

relevantní skill pro aktuální úkol,
checklist,
examples,
anti-patterns,
skill maturity,
review status,
suggested skill update,
AI-generated skill draft,
approval request,
skill usage metrics.

Human Cockpit Layer pomáhá, aby skills nebyly pouze dokumenty, ale pracovní pomůcky.

Minimum requirement

Kritické skills musí být lidsky dostupné v kontextu práce, kde se používají.

20. Skill and AI team members

AI team member musí používat schválené AI skills.

Jeho role, output style, allowed actions, forbidden actions a approval rules musí být napojené na source of truth.

Pokud se agent často mýlí, skill evolution má posoudit:

zda je role nejasná,
zda je scope příliš široký,
zda chybí examples,
zda chybí forbidden actions,
zda je output format špatný,
zda agent nemá správný kontext,
zda má příliš vysokou autonomii.

Minimum requirement

AI team members musí mít skills, které jsou vlastněné, reviewované a aktualizovatelné.

21. Skill and Human Capability Reserve

Skill Evolution je jeden z hlavních mechanismů Human Capability Reserve.

Pokud AI skill zlepšuje práci agenta, ale neexistuje human skill, může se zvyšovat AI dependency.

Pokud vznikne human skill, komunita posiluje schopnost lidí:

pochopit práci,
zkontrolovat AI,
pokračovat bez AI,
učit nové členy,
obnovit workflow.

Minimum requirement

Kritická AI-assisted schopnost musí mít human skill nebo human-readable explanation podporující Human Capability Reserve.

22. Skill and Workflow Conversion

Workflow Conversion často vytváří nové skills.

Například:

nový workflow potřebuje human skill,
nový validátor potřebuje vysvětlení,
nová Human Cockpit action potřebuje návod,
nový AI agent potřebuje AI skill,
nový template potřebuje examples.

Minimum requirement

Workflow Conversion musí posoudit potřebu human skill a AI skill update.

23. Skill and AI Waste Backlog

AI waste často ukazuje chybějící skill.

Příklady:

opakované špatné výstupy → AI skill update,
opakované špatné prompty → human prompting skill,
vysoký rejection rate → output quality skill,
review overload → review checklist,
dependency waste → human skill and fallback.

Minimum requirement

AI Waste Backlog položky musí být posuzovány z hlediska skill evolution.

24. Skill and AI Retrospective

AI Retrospective musí hledat skill evolution opportunities.

Otázky:

Co jsme se naučili?
Jaký skill by to měl zachytit?
Je to human skill, AI skill nebo oba?
Jaký example přidat?
Jaký anti-pattern přidat?
Jaký checklist vznikne?
Jak změnit agent instructions?
Jak snížit opakované review opravy?

Minimum requirement

AI Retrospective musí mít výstupní kategorii skill update proposal.

25. Skill maturity

AIFC může rozlišovat maturity úrovně skillu.

Level 0 — implicit

Skill existuje jen v hlavách lidí nebo chatu.

Level 1 — described

Skill je popsán lidsky, ale bez examples a review.

Level 2 — usable

Skill má postup, examples a ownera.

Level 3 — governed

Skill má lifecycle, review, versioning a vazbu na source of truth.

Level 4 — integrated

Skill je napojený na Human Cockpit Layer, AI agents, validation, workflow a metrics.

Minimum requirement

Kritické skills musí být alespoň na úrovni usable a měly by směřovat ke governed.

26. Skill review

Skills mohou zastarávat.

Skill review má ověřit:

je skill stále aktuální?
odpovídá hodnotám?
odpovídá workflow?
odpovídá AI-NDA Boundary?
podporuje Human Capability Reserve?
má správné examples?
má aktuální anti-patterns?
není příliš dlouhý?
není příliš vágní?
je používán?
má ownera?

Minimum requirement

Kritické skills musí mít review cycle.

27. Skill retirement

Některé skills mají být ukončeny.

Důvody:

workflow se změnil,
skill je nahrazen lepším,
AI agent byl retired,
proces se nedělá,
skill je škodlivý,
hodnoty se změnily,
compliance se změnila,
skill vytváří dependency.

Skill retirement musí být řízený, aby staré skills nebyly používány jako aktuální source of truth.

Minimum requirement

Kritické skills musí mít možnost deprecated nebo retired statusu.

28. Measuring skill impact

Skill Evolution má být měřitelná.

Měřit lze:

snížení rejection rate,
snížení review oprav,
zlepšení kvality výstupů,
snížení AI waste,
snížení dependency,
zrychlení onboarding,
lepší source of truth write-back,
méně incidentů,
lepší audit,
vyšší reuse.

Minimum requirement

Významný skill update musí mít očekávaný dopad nebo verification method.

29. Skill ownership

Skill musí mít ownera.

Owner odpovídá za:

aktuálnost,
review,
examples,
anti-patterns,
napojení na hodnoty,
napojení na workflow,
napojení na AI agents,
měření dopadu,
retirement.

Owner nemusí být autor.

Owner je odpovědný za to, že skill je použitelný a pravdivý.

Minimum requirement

Kritické skills musí mít ownera.

30. Skill portability

Skills musí být přenositelné.

Human skills musí být čitelné člověkem. AI skills musí být exportovatelné nebo reprezentované mimo proprietární nástroj. Kritické skills nesmí být uzamčené v jednom vendorovi.

Skill portability podporuje:

exit strategy,
Human Capability Reserve,
onboarding,
vendor replacement,
audit,
source of truth continuity.

Minimum requirement

Kritické skills musí být exportovatelné nebo uložené v přenositelném formátu.

31. Skill update governance

Ne každou změnu skillu musí schvalovat vysoká governance.

AIFC doporučuje risk-based governance.

Low-risk skill update

Například:

doplnění example,
upřesnění wording,
přidání běžného anti-patternu.

Může schválit skill owner.

Medium-risk skill update

Například:

změna output format,
změna review checklistu,
změna role agenta.

Vyžaduje owner review.

High-risk skill update

Například:

změna allowed actions,
změna forbidden actions,
změna AI autonomy,
změna práce s restricted daty,
změna Operational DNA handling.

Vyžaduje governance approval.

Minimum requirement

Skill update governance musí odpovídat dopadu změny.

32. Suggested metadata

Příklad metadat pro skill:

skill:
  id:
  title:
  skill_type: human | ai | hybrid
  status: draft | proposed | active | deprecated | retired | archived
  owner:
  purpose:
  related_values:
  related_workflows:
  related_ai_team_members:
  related_human_roles:
  criticality: low | medium | high | critical
  source_of_truth_location:
  maturity_level: 0 | 1 | 2 | 3 | 4
  ai_dependency_risk: low | medium | high | critical
  human_capability_support: true | false
  examples:
  anti_patterns:
  review_cycle:
  last_reviewed:
  version:

Příklad metadat pro skill update proposal:

skill_update_proposal:
  id:
  title:
  status: observed | proposed | under_review | approved | rejected | implemented | verified
  owner:
  source:
    - good_output
    - repeated_correction
    - ai_retrospective
    - ai_waste_backlog
    - workflow_conversion
    - incident
    - human_feedback
    - customer_feedback
  affected_skill:
  update_type:
    - new_skill
    - example
    - anti_pattern
    - checklist
    - output_format
    - allowed_action
    - forbidden_action
    - review_rule
    - fallback
    - retirement
  human_skill_impact:
  ai_skill_impact:
  human_capability_impact:
  ai_dependency_impact:
  governance_level:
  expected_impact:
  verification_method:
  related_change_proposal:
  created_at:
  completed_at:

Tyto struktury jsou ilustrativní.

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

33. Anti-patterns

AIFC odmítá následující anti-patterny.

33.1 Learning trapped in output

Komunita vytvoří dobrý výstup, ale nevytěží z něj pravidla pro budoucnost.

33.2 Repeated correction without skill update

Revieweři stále opravují stejnou chybu, ale skill se nezmění.

33.3 AI skill without human skill

Agent ví, jak práci dělat, ale lidé tomu nerozumí.

33.4 Skill trapped in vendor platform

Kritický skill je uložený pouze v proprietárním nástroji.

33.5 Skill without owner

Skill existuje, ale nikdo ho neudržuje.

33.6 Skill without examples

Skill je obecný, ale lidé ani AI nemají konkrétní pattern.

33.7 Skill without anti-patterns

Není jasné, kde je hranice špatného použití.

33.8 Skill drift

Skill se postupně rozchází s hodnotami, workflow nebo realitou.

33.9 Overgrown skill

Skill je tak dlouhý a složitý, že ho nikdo nepoužívá.

33.10 Skill update without governance

Kritický skill se změní bez review, i když mění chování AI nebo lidí.

34. Minimal requirements

AIFC komunita musí v oblasti Skill Evolution minimálně splnit:

Rozlišuje human skills a AI skills.
Kritické schopnosti mají human-readable skill nebo odpovídající znalost.
Kritické AI skills jsou napojené na human-readable znalost nebo human skill.
Human skills a AI skills se vyvíjejí společně.
Skill Evolution přijímá vstupy z AI Retrospective.
Skill Evolution přijímá vstupy z AI Waste Backlogu.
Skill Evolution přijímá vstupy z Workflow Conversion.
Významné dobré výstupy jsou posuzovány pro skill extraction.
Opakované review opravy jsou posuzovány jako skill update signal.
Významné AI failures nebo incidents jsou posuzovány pro skill update.
Kritické skills mají quality criteria nebo review checklist.
Kritické nejednoznačné skills obsahují examples.
Kritické riskantní skills obsahují anti-patterns.
Kritické skills jsou v souladu s hodnotami komunity.
Kritické skills jsou uložené v source of truth nebo řízeném skill repository.
Kritické skills jsou dostupné v kontextu práce, kde se používají.
AI team members mají skills, které jsou vlastněné, reviewované a aktualizovatelné.
Kritické skills mají review cycle.
Kritické skills mohou být deprecated nebo retired.
Významný skill update má očekávaný dopad nebo verification method.
Kritické skills mají ownera.
Kritické skills jsou exportovatelné nebo uložené v přenositelném formátu.
Skill update governance odpovídá dopadu změny.

35. Summary

Skill Evolution je mechanismus, kterým se komunita učí z práce.

Bez Skill Evolution zůstávají dobré výstupy jednorázové. Opravy se opakují. AI chyby se vracejí. Lidské poznatky mizí. Agentické know-how se uzavírá do nástroje. Komunita spotřebovává zkušenost, ale nevlastní ji.

AIFC proto říká:

Turn good outputs into examples.
Turn repeated corrections into rules.
Turn failures into anti-patterns.
Turn experience into skills.

Česky:

Převádějte dobré výstupy na příklady.
Převádějte opakované opravy na pravidla.
Převádějte selhání na anti-patterny.
Převádějte zkušenost na skills.

Skill Evolution zajišťuje, že každá významná zkušenost posiluje budoucí schopnost komunity.

Skill Evolution turns experience into reusable human and AI capability.