AI potrafi zamienić chaotyczną notatkę w elegancko brzmiącą listę wymagań. To jednocześnie jej zaleta i największe zagrożenie: tekst może wyglądać dojrzale, choć model dopowiedział aktora, regułę albo kryterium, którego interesariusz nigdy nie uzgodnił. Bez śledzenia pochodzenia powstaje dokumentacja pozornie kompletna.
Do czego AI nadaje się w pracy z wymaganiami
- wydobycie kandydatów na potrzeby, reguły, ograniczenia i wymagania z oznaczonych źródeł;
- ujednolicenie terminologii według dostarczonego słownika;
- wykrycie nieostrych określeń, brakujących warunków i niespójnych nazw;
- propozycje kryteriów akceptacji, przypadków negatywnych i pytań do interesariusza;
- porównanie wersji i wskazanie zmian merytorycznych, a nie tylko redakcyjnych.
Nie należy zlecać modelowi rozstrzygania priorytetu, zgodności prawnej, wykonalności technicznej ani tego, czy wymaganie realizuje cel biznesowy. Te decyzje wymagają kontekstu, mandatu i odpowiedzialności, których narzędzie nie ma.
Praca w czterech przebiegach
Przebieg 1: rejestr twierdzeń
Podziel materiał źródłowy na numerowane fragmenty. Poproś model o tabelę: treść twierdzenia, typ, źródło, pewność i pytanie wymagające wyjaśnienia. W poleceniu zabroń tworzenia nowych reguł. Dzięki temu zachowujesz różnicę pomiędzy tym, co powiedziano, a tym, co byłoby rozsądne.
Przebieg 2: redakcja kandydatów
Dopiero zweryfikowane twierdzenia przekształć w wymagania. Każdy kandydat powinien dostać identyfikator, aktora, oczekiwane zachowanie, warunek, uzasadnienie i odnośnik do źródła. Gdy elementu brakuje, AI ma wpisać „do ustalenia”, a nie wypełnić lukę.
Przebieg 3: atak na wymaganie
W osobnej sesji poproś o rolę recenzenta: szukanie wieloznaczności, ukrytych założeń, wartości granicznych, konfliktów i sposobów błędnej interpretacji. To lepsze niż jednoczesne generowanie i ocenianie własnej odpowiedzi. Listę testów jakości można zestawić z zasadami opisanymi w artykule jak napisać dobre wymaganie.
Przebieg 4: decyzja człowieka
Analityk rozstrzyga uwagi, konsultuje wykonalność z zespołem, a właściciel biznesowy zatwierdza sens i priorytet. Ostateczny artefakt musi odróżniać wymagania biznesowe, funkcjonalne i niefunkcjonalne; samo podobieństwo językowe nie wystarcza do poprawnej klasyfikacji.
Przykład: limit przelewu w bankowości firmowej
Notatka z warsztatu brzmiała: „Przy dużych przelewach potrzebujemy dodatkowej akceptacji; dyrektor może zatwierdzić z telefonu”. Pierwsza propozycja AI: „System musi wymagać akceptacji dyrektora dla przelewów powyżej 100 000 zł”. Model wymyślił zarówno próg, jak i jedną obowiązkową rolę. Płynna redakcja ukryła dwa braki.
| Element | Po pierwszym wyniku AI | Weryfikacja | Stan po decyzji |
|---|---|---|---|
| Próg | 100 000 zł | Brak w źródle; pytanie do właściciela | Konfigurowalny według spółki i waluty |
| Akceptujący | Dyrektor | Role wynikają z matrycy pełnomocnictw | Dowolne dwie uprawnione osoby, z zakazem samoakceptacji |
| Kanał mobilny | Pełna akceptacja | Wymagana silna autoryzacja | Biometria + mechanizm zapasowy |
| Wyjątek | Brak | Co przy zmianie kursu i wygaśnięciu sesji? | Ponowna ocena limitu przed autoryzacją |
Po walidacji powstało wymaganie: „Dla przelewu, którego równowartość przekracza aktywny limit spółki, system ma zebrać liczbę akceptacji wynikającą z matrycy pełnomocnictw i uniemożliwić inicjatorowi zaliczenie własnej akceptacji. Przed ostatnią autoryzacją system ponownie oblicza równowartość według obowiązującego kursu”. Do niego dopisano przypadki graniczne oraz osobne wymaganie bezpieczeństwa.
Wzorzec prompt → weryfikacja → artefakt
Prompt roboczy
„Na podstawie wyłącznie źródeł S1–S8 przygotuj kandydatów na wymagania. Dla każdego podaj: typ, aktora, zachowanie, warunek, uzasadnienie i numery źródeł. Nie twórz wartości, ról ani reguł. Braki zapisz jako pytania. Na końcu wskaż konflikty pomiędzy źródłami”.
Weryfikacja obejmuje otwarcie każdego wskazanego źródła, kontrolę znaczenia w kontekście oraz rozmowę o wszystkich polach „do ustalenia”. Artefaktem nie jest odpowiedź z czatu, ale wpis w repozytorium wymagań: ze statusem, właścicielem, źródłem, powiązaniem z procesem i historią decyzji.
Macierz ryzyka i poziom kontroli
| Zastosowanie | Skutek błędu | Minimalna kontrola |
|---|---|---|
| Korekta stylu bez zmiany treści | Niski | Porównanie wersji i akceptacja autora |
| Generowanie kryteriów akceptacji | Średni | Przegląd analityka, biznesu i testera |
| Reguła finansowa lub uprawnienie | Wysoki | Źródło normatywne, właściciel reguły, testy wartości granicznych |
| Wymaganie prawne lub bezpieczeństwa | Krytyczny | Ekspert domenowy; AI wyłącznie pomocniczo, bez samodzielnej interpretacji |
Checklista publikacji wymagania
- Czy każde twierdzenie merytoryczne ma potwierdzone źródło albo jawnie opisane założenie?
- Czy wiadomo, kto korzysta z funkcji, w jakim warunku i po co?
- Czy kryteria obejmują przypadek pozytywny, negatywny i wartości graniczne?
- Czy wymaganie nie miesza potrzeby biznesowej z jednym nieuzgodnionym rozwiązaniem?
- Czy sprawdzono konflikt z procesem, słownikiem, uprawnieniami i wymaganiami niefunkcjonalnymi?
- Czy decyzje AI można odtworzyć z historii, zamiast polegać na niearchiwizowanym czacie?
Kontrola konfliktów między wymaganiami
Osobnym zastosowaniem jest szukanie par potencjalnie sprzecznych. Model otrzymuje wymagania wraz z typem, zakresem i źródłem, a zwraca wyłącznie kandydatów na konflikt: inne wartości limitu, odmienne znaczenie statusu, nakładające się uprawnienia albo warunek niemożliwy do spełnienia jednocześnie. Analityk nie akceptuje etykiety „sprzeczne” bez wskazania konkretnej kombinacji danych, w której oba zapisy dają różny oczekiwany wynik.
Dobrym artefaktem jest miniaturowa tabela decyzyjna. Dla limitu przelewu zawiera walutę, spółkę, wartość, rolę inicjatora i liczbę wymaganych akceptacji. AI proponuje wartości graniczne, ale oczekiwany rezultat pochodzi z zatwierdzonej reguły. Taki test odsłania konflikt skuteczniej niż językowe porównanie dwóch akapitów i może później zasilić kryteria akceptacji.
AI najbardziej pomaga tam, gdzie analityk ma dużo materiału i jasno zdefiniowany standard wyniku. Im większy skutek pomyłki, tym mniej wystarcza poprawna forma. O ograniczeniach modeli i organizacji przeglądu przeczytasz w materiale ograniczenia AI i kontrola jakości; o przełożeniu przebiegu pracy na zachowanie systemu — w tekście jak łączyć BPMN z wymaganiami.
