I once asked an AI to build a brand website. What came back looked convincing at first glance, but it was broken in the ways that actually matter. The header showed exactly two links. There was no "About" page anywhere. An admin panel existed on the backend, yet no button or route on the frontend could actually reach it. The server side functioned. The user side did not.

Most people who run into this assume the AI got lazy or hit a token limit. That is not what is happening. The issue is structural. AI coding tools are built to police internal consistency. They ask: "Does everything I declared line up with itself?" They do not ask: "Does this kind of deliverable contain everything it is supposed to contain?" If you mention two pages for your brand site, the model dutifully checks whether those two pages link back to each other. Once the links resolve, it considers the task complete. It has no inherent notion that a brand site needs an About page, trust signals, or a contact path. There is no standard in its head.

I call the fix a Completeness Baseline.

A completeness baseline is simply a standard checklist of what a given deliverable must contain. You generate the artifact, then you check the real output against this external standard instead of trusting the tool's internal sense of "done."

Checking Across Three Layers

Not all missing pieces are equally obvious. A useful baseline checks three distinct layers.

Existence. Does the part actually exist? This sounds basic, but an AI will happily build a navigation wrapper that references a dashboard page without ever generating the dashboard page itself. The reference exists. The target does not.

Reachability. Can a real user actually get to it? Hidden admin panels are the classic symptom. The route and the component might both exist in the codebase, yet no menu item, button, or redirect exposes them to the interface. If a user cannot trip over it during normal use, it is not really there.

Substantiation. Is there real data or structure behind the surface? A page that loads but contains only placeholder text and no image upload slot is a skeleton wearing a costume. An About page without an image slot or editable text field is not complete, even if the HTML renders cleanly.

These three layers catch different classes of gaps. Existence finds the missing shoe. Reachability finds the shoe locked in a closet. Substantiation finds the shoe with no sole.

Baselines by Type

One baseline will not cover every project. You need to classify what you are building and define the non-negotiables for that category.

Brand sites need specific sections and reachable pages. Think About, Contact, privacy links, and navigation that actually exposes every major view.

APIs need documentation, exhaustive error codes, and rate limits. A working endpoint that returns 200 OK for success and a generic 500 for everything else is not a finished API. It is a hazard.

Automations need logs and failure alerts. If a workflow breaks at 2 AM and nobody knows until a human checks the run history, the automation is incomplete. Observability is not a bonus feature. It is part of the deliverable.

Once you name the category, the baseline writes itself. The hard part is enforcing it after the code is generated.

Design Rules That Hold Up

I rebuilt my own workflow around this idea and landed on three practical rules that keep projects from slowly unraveling.

Capability-gated design. Before you commit to a tool or a generated module, detect what it can actually do. If a component library lacks native mobile drawer support, do not let the AI generate a full navigation scheme that assumes it exists. The system should degrade gracefully instead of breaking when a capability is missing. Know the boundaries first. Design inside them.

Public engine, private values. Use a public engine for the heavy lifting, but inject your private data, configs, and conventions at runtime. This keeps your personal or company methods safe and separate from the generated scaffold. The AI builds the frame. You snap in the glass. This prevents the model from hard-coding assumptions that violate your actual standards or leak sensitive patterns into public training contexts.

اقترح، ولا تتقدم تلقائيًا. دع الذكاء الاصطناعي يقترح الخطوة التالية، ولكن اجبر الإنسان على اتخاذ القرار. قم بأتمتة تدفق التنفيذ، ولكن لا تؤتمت أبداً عملية التقييم. عندما يقوم النموذج بإنشاء ترحيل لقاعدة البيانات (database migration)، ومخطط مصادقة (auth scheme)، وخطاف دفع (payment hook) في نفس اللحظة، فإنك تحصل على الراحة ولكن على حساب الرقابة. اجعل الأداة تعرض الخطة، واترك للمطور ضغط الزر.

اختيار النموذج المناسب للمهمة

لقد اختبرت هذا عبر نماذج مختلفة ووجدت انقساماً واضحاً في القيمة. النماذج الأرخص تتعامل مع المهام الميكانيكية الضخمة بشكل مذهل؛ فهي تنتج الأكواد النمطية (boilerplate)، والمكونات المتكررة، والهياكل الأساسية (structural stubs) بسرعة تفوق سرعة كتابتك. أما النماذج الباهظة الثمن، فلا تستحق سعرها إلا عندما تظهر قدرة على ضبط النفس. أنت تحتاج إلى الخيار المتميز عندما يرفض اختراع حلول وهمية، وبدلاً من ذلك، يشير إلى وجود فجوة حقيقية. فالنموذج الذي يتخيل حلاً بديلاً لنقطة نهاية API مفقودة هو نموذج خطير، بينما النموذج الذي يتوقف ويقول: "يتطلب سير العمل هذا هدف webhook غير محدد"، هو نموذج يستحق التكلفة. ادفع مقابل التمييز، وليس مقابل الكمية.

ابنِ أنظمة، ولا تطارد السحر

لا تحاول سد فجوات الذكاء الاصطناعي عبر استخدام نماذج أكبر أو حيل أكثر في صياغة الأوامر (prompting). بل عالجها بوضع خط أساس (baseline). فالفجوة ليست مشكلة قدرة، بل هي مشكلة توقعات.

لإيقاف حدوث الكتل المفقودة، افعل ثلاثة أشياء.

امنح النظام خط أساس للاكتمال قبل كتابة أي كود. اجعلها قائمة مرجعية (checklist) ملموسة توضع بجانب المهمة.

ادمج اصطلاحاتك (conventions) في أجزاء قابلة لإعادة الاستخدام. إذا فرضت خط الأساس الخاص بك من خلال القوالب (templates)، أو قواعد التدقيق (lint rules)، أو الهياكل الجاهزة (scaffolds)، سيبدأ الذكاء الاصطناعي من نقطة الصحة بدلاً من الأمل في تخمين معاييرك.

قم بأتمتة التدفق مع إبقاء الإنسان مسيطراً على عملية التقييم. اترك الآلات تتعامل مع التكرار، واحتفظ بالقرارات للأشخاص الذين يفهمون السياق.

إليك عادة أخيرة غيرت طريقة عملي. إذا اتخذت نفس قرار التصميم سبع مرات، فتوقف عن معاملته كخيار عابر. هذا ليس تكراراً، بل هو قانون. سمهِ، وحوله إلى قاعدة، ووثقه. عندما تضع النمط في شكل كود (codify)، فإنك تلغي فرصة انحراف الذكاء الاصطناعي عنه في المرة الثامنة.

يمكن العثور على مصدر هذا الإطار والاستكشاف الأصلي هنا.

إذا كنت ترغب في تبادل الملاحظات مع آخرين يواجهون نفس المشكلات، يمكنك الانضمام إلى GyaanSetu learning community.