每个人工智能工具永远都是测试版（这对你如何构建堆栈意味着什么）
您最喜欢的工具下的模型本季度发生了两次变化，而且没有人询问。为永久不稳定进行规划现在是一项核心工作流程技能。
用软件来结算。你学会了一种工具，它有一个版本，你建立的肌肉记忆可以持续多年。人工智能工具以一种特定的方式打破了这一契约：你订阅的产品只是模型上的一个薄层，它自己的创建者会替换、调整，有时还会按照他们未宣布的时间表悄悄降级。你使用的每个人工智能工具都是永久的测试版，一旦你内化了这一点，你构建堆栈的整个方法就应该改变。
证据是个人的且重复的。在春季的静默模型更新后，我的会议记录工具生成了明显不同的摘要；格式改变了，重点改变了，我提取行动项目的提示也需要重新设计。我的图像工具的风格在一个季度内发生了变化，没有更改日志条目。我的写作助理的建议在六周内变得更加保守，然后又突然恢复。这些都不是错误。所有这些都是重大变化，变更日志要么没有提及，要么事后在一句话中提及。
第一个适应是程序性的：将输出视为版本化的，而不是恒定的。任何运行良好的东西，提示，模板，工作流程，都会保存日期和基线输出，因此当感觉不对劲时，您可以根据证据而不是共鸣进行验证。正是由于这个原因，我的提示库获得了最后验证的专栏，并且今年两次它在我的客户之前发现了模型漂移。你并不是偏执，而是偏执。你正在做每个运营团队对你下面发生变化的任何系统所做的事情。
第二个适应是架构上的：将工作中不可替代的部分保留在工具之外。您的提示库、您的模板、您的语音笔记、您的决策日志、您的工作状态，以您拥有的格式存在，定期导出，在工具之间移植。当定价或模型发生变化时，在一个供应商的功能中构建流程的团队必须重建它；可移植性原则将潜在的重建转化为迁移，有时甚至根本没有任何意义。
第三个适应是心理上的，这可能是最重要的：停止期待这一类别的稳定性，并停止怨恨它。这种不稳定并不是疏忽，而是一项年轻技术的本质，其能力曲线仍然很陡峭，而破坏工作流程的同样的动作却使工具逐年显着改善。使用人工智能工具茁壮成长的专业人士并不是那些找到稳定工具的人；没有。他们像水手而不是建筑师一样建造，所有东西都绑在一起，没有支撑就没有任何承重，随时准备在天气变化时重新打结。永久贝塔是运行条件。为它而设计，它就不再是一种破坏。