Suurin muutos ei ollut parempi promptaus, vaan tapa organisoida työ.
Alussa ohjasin AI:ta askel kerrallaan. Projektien edetessä työ muuttui kokonaisempien tehtävien delegoinniksi, jatkuvan kontekstin ylläpidoksi, työkalujen käytöksi, subagenttien roolitukseksi ja riippumattomaksi review’ksi.
7erilaista casea saman kesän aikana
Code → decisionsama ajattelu testattu sekä toteutuksessa että knowledge workissa
Human controlautonomia kasvoi vain siellä, missä lopputulos voitiin rajata ja verifioida
Projektit oppimisympäristöinä
Projektien arvo ei ole niiden määrä yksin, vaan se että samaa agenttista työmallia joutui testaamaan tarkoituksella hyvin erilaisissa ongelmissa.
Full-stack + data
Satsi
Cloudflare D1, schema, auth ja domain-mallinnus. Oppi: agentti pystyy viemään myös persistentin datakerroksen sisältävän sovelluksen end-to-end.
Visual / 3D · 3 iterations
Ghostlight
Kolme kehityskierrosta samalla idealla. Oppi: suunnittelu, iterointi ja visual review ratkaisevat enemmän kuin ensimmäinen toimiva versio.
API + data visualization
Ajokeli
API-lähteet, datan käsittely, karttavisualisointi ja UI. Hyvä baseline perinteisemmälle data-/web-sovellukselle.
External engine + runtime
PDF Checker
veraPDF-engine ja Docker-runtime. Oppi: deterministisesti raportoitava tarkistus toimii vahvana verifiointikerroksena rajatulle sääntöjoukolle.
Decision support
Tontinlunastus
RFP, laskenta ja päätösmateriaali. Oppi: fakta, laskenta ja tulkinta on pidettävä erillään.
Enterprise context
Rovo / Project Sources
Decision log, evidence/status rules ja persistentti konteksti oikeassa työympäristössä. Oppi: agentin työmuisti tarvitsee governancea, ei vain lisää dokumentteja.
Tool use / MCP
Blender + MCP
LLM:n kytkeminen ulkoiseen sovellukseen. Oppi: tool-use lisää toimintakykyä ja samalla oikeus-, data- ja luottamusrajoja.
Konkreettinen workflow-muutos: GitHub/repo-konteksti toi muutokset, testit ja diff-review’n samaan työketjuun. Cloudflare/MCP:n myötä agentti pystyi myöhemmin myös tekemään rajattuja ympäristötoimia sen sijaan, että se vain neuvoi niitä käsin tehtäväksi.
Context > promptOikea projektitila, päätökset ja evidence ratkaisevat enemmän kuin yksittäinen täydellinen prompt.
Verification > self-reportAgentin “valmis” ei ole valmis ennen testejä, diffiä, visual review’ta tai muuta riippumatonta todistetta.
Delegate what is boundedVerifioitavuus ja palautettavuus määrittävät, kuinka paljon tehtävää voidaan delegoida.
Agentic ≠ defaultYksi agentti, subagentit, tavallinen automaatio tai ihminen valitaan tehtävän mukaan.
Scope: kuusi casea tehtiin henkilökohtaisina projekteina omalla ajalla. Rovo / Project Sources on oikeassa enterprise-työympäristössä sovellettu case. Henkilökohtaisia projekteja ei esitetä yrityksen tuotantoratkaisuina.
Seuraava askel oikeassa työympäristössä
Yksi rajattu käyttötapaus, vaikutus mitattavaksi
Luonteva ensimmäinen kohde olisi esimerkiksi change impact -analyysi, jossa nykyinen tapa ja agenttinen workflow voidaan verrata samalla tehtävärajauksella.
1 · Baselinenykyinen läpimenoaika, ihmistyö ja laatu
2 · Workflowkonteksti, guardrailit, agenttiroolit ja human gate
3 · Comparesama tehtävä, sama arviointitapa
4 · Decideskaalataanko, muutetaanko vai jätetäänkö käyttämättä
Keskeinen oppi: Seuraava kysymys ei ole “voiko AI tehdä tämän”, vaan “missä vaikutus voidaan osoittaa luotettavasti”.
