새로운 시각적 분석 (Visual Analytics, VA) 아이디어를 테스트하는 데는 보통 수개월이 걸립니다. 현실적인 데이터 세트를 찾아야 하고, 이를 정제해야 하며, 대화형 프로토타입을 구현해야 하기 때문입니다. 우리는 워크플로 언어 (Workflow Language)와 AI 어시스턴트를 사용하여 이러한 노력을 단 한나절로 단축한 사례를 설명합니다. 테스트 중인 아이디어는 다음과 같습니다: 허용 오차를 두어 파레토 프런티어 (Pareto frontier)를 완화하고, 살아남은 옵션들을 반복되는 유형, 즉 "부드러운 하늘 (soft sky)" 위의 "성좌 (constellations)"로 그룹화하는 것입니다. Artifact-Transform Workflow Language (ATWL)를 스캐폴드 (Scaffold)로 사용하여, 우리는 몇 분 만에 일관된 워크플로를 얻었으며 몇 시간 만에 실행 가능한 프로토타입을 확보했습니다. 우리는 세 가지 교훈을 도출했습니다. 첫째, 스캐폴드가 중요합니다. ATWL이 없었다면 어시스턴트는 단순한 (naive) 워크플로를 생성했을 것입니다. 둘째, 스캐폴드만으로는 충분하지 않습니다. 첫 번째 구현은 평균적인 수준에 불과했으며, 최첨단 (state-of-the-art) 품질에 도달하기 위해서는 전문가 지식 주입 (expert knowledge injection)이 필요했습니다. 마지막으로, 스캐폴드를 사용하는 방식이 중요합니다. 통제된 실험에 따르면 언어 정의와 예시 라이브러리는 작업의 서로 다른 측면을 지원하며, 두 가지를 동시에 제공하면 템플릿을 따르는 과정이 창의적인 콘텐츠를 대체하기 때문에 품질이 저하됩니다. 또한 스캐폴드는 초기 제약 없는 설계 단계를 거친 후에 도입될 때 가장 효과적으로 작동합니다. 우리는 이 분야에 인간이 편집 가능하면서도 기계가 접근할 수 있는 형태의 인간 지식 주입 유형론 (typology of human knowledge injection)이 필요하다고 주장합니다.