Generatywna AI może skrócić czas porządkowania notatek, wyszukiwania sprzeczności i tworzenia pierwszych wariantów artefaktów. Nie zna jednak milczących ustaleń projektu, nie ponosi odpowiedzialności za decyzję i potrafi podać przekonującą odpowiedź bez wystarczających podstaw.
Zasada odpowiedzialnego użycia
AI przygotowuje propozycję. Analityk ustala źródła, usuwa dane niedozwolone, sprawdza wynik z materiałem wejściowym, oznacza niepewność i przekazuje decyzję właściwemu właścicielowi biznesowemu.
Do czego AI nadaje się w pracy analityka
| Zadanie | Użyteczna rola AI | Co musi sprawdzić człowiek |
|---|---|---|
| Notatki z warsztatu | Grupowanie ustaleń na decyzje, pytania, wymagania i ryzyka | Zgodność z nagraniem/notatką, właściciele i terminy |
| Wymagania | Wykrywanie niejednoznaczności, propozycje wyjątków i kryteriów | Cel, reguły domenowe, kompletność oraz testowalność |
| Proces | Lista aktorów, zdarzeń, kroków i brakujących scenariuszy | Kolejność, odpowiedzialność, logika bramek i realny przebieg |
| Dokumentacja | Normalizacja języka, streszczenie, zmiana formatu | Utrata znaczenia, identyfikatory i spójność odwołań |
| Analiza wariantów | Generowanie kryteriów i konsekwencji do dalszej oceny | Wagi, dane, wykonalność i decyzja właściciela |
| Przegląd jakości | Druga para oczu według jawnej checklisty | Wszystkie wskazane błędy i wszystkie pominięte błędy |
Najlepsze zadania są ograniczone, mają jawny materiał źródłowy i pozwalają porównać wynik z faktami. Materiały o AI w analizie wymagań, AI w analizie procesów i AI w dokumentacji rozwijają te zastosowania.
Proces: od materiału wejściowego do zatwierdzonego artefaktu
- Określ cel. Zamiast „przeanalizuj dokument” wskaż, czy potrzebujesz listy luk, mapy decyzji, szkicu kryteriów czy porównania wersji.
- Ustal klasę danych i dozwolone narzędzie. Sprawdź zasady organizacji, umowę z dostawcą, retencję danych i dostęp osób trzecich. Zanonimizuj materiał, jeśli to możliwe.
- Przygotuj źródło. Usuń stare wersje, oznacz identyfikatory, rozdziel fakty od komentarzy i dołącz słownik pojęć domenowych.
- Zdefiniuj granice zadania. Zażądaj wskazywania dowodu dla każdej obserwacji, zakazu dopowiadania oraz etykiety „brak danych”, gdy źródło nie wystarcza.
- Wygeneruj wynik w strukturze. Tabela z kolumnami jest łatwiejsza do kontroli niż płynny opis.
- Zweryfikuj każdą pozycję. Porównaj z materiałem, sprawdź obliczenia, identyfikatory i sens domenowy. Losowa próbka nie wystarcza przy materiale krytycznym.
- Przeprowadź walidację biznesową. AI ani analityk nie zastępują właściciela reguły lub procesu.
- Zapisz pochodzenie i zmianę. Oznacz użyte źródła, wersję materiału, zakres pomocy AI i osobę zatwierdzającą.
Przykład: kontrola jakości wymagania
Materiał wejściowy
„System ma szybko powiadamiać opiekuna o ważnym zgłoszeniu klienta”.
Polecenie kontrolne
Oceń wyłącznie podane wymaganie. Nie uzupełniaj reguł własnymi założeniami. Zwróć tabelę: fragment | typ niejasności | pytanie do właściciela | ryzyko braku odpowiedzi. Sprawdź: aktora, wyzwalacz, definicję „ważne”, kanał, czas, wyjątki, potwierdzenie dostarczenia, uprawnienia i kryteria akceptacji. Jeśli informacji nie ma, wpisz „brak w źródle”.
Oczekiwany użytek
Wynikiem nie powinno być „poprawione” wymaganie z wymyślonym terminem 5 minut. Potrzebna jest lista pytań: kto jest opiekunem, co klasyfikuje zgłoszenie jako ważne, jaki jest czas od którego zdarzenia, co przy niedostępności kanału i jak potwierdzamy odbiór. Odpowiedzi dostarcza właściciel procesu.
Ryzyka i właściwe zabezpieczenia
| Ryzyko | Jak je rozpoznać | Zabezpieczenie |
|---|---|---|
| Dopowiedzenie faktu | Wynik zawiera regułę lub liczbę bez miejsca w źródle | Obowiązkowy cytat/identyfikator źródła i etykieta braku danych |
| Utrata kontekstu | Poprawne zdanie nie pasuje do wersji procesu lub zakresu | Wersjonowane źródła, słownik i jawne granice analizy |
| Wyciek informacji | Do narzędzia trafiają dane osobowe, tajemnice lub kod | Klasyfikacja, anonimizacja, zatwierdzone środowisko i minimalizacja |
| Automatyzacja uprzedzeń | Propozycja faworyzuje historyczny sposób bez uzasadnienia | Kontrprzykłady, przegląd różnych grup i decyzja człowieka |
| Pozorna kompletność | Płynny dokument ukrywa brak wyjątków lub właścicieli | Kontrola według checklisty i śledzenie do źródeł |
| Brak powtarzalności | Ten sam materiał daje znacząco różne ustalenia | Stały szablon, parametry, wersjonowanie i test zestawu referencyjnego |
Ramy zarządzania ryzykiem, takie jak oficjalny NIST AI Risk Management Framework, pomagają patrzeć szerzej niż na trafność pojedynczej odpowiedzi: także na wiarygodność, bezpieczeństwo, przejrzystość i nadzór.
Czego nie delegować bezpośrednio do modelu
- ostatecznej decyzji o zakresie, priorytecie lub akceptacji ryzyka;
- interpretacji niejawnej reguły biznesowej bez właściciela domenowego;
- przetwarzania materiału, którego nie wolno przekazać do danego środowiska;
- zatwierdzenia zgodności prawnej, bezpieczeństwa lub dostępności;
- automatycznego publikowania wymagań i dokumentacji bez przeglądu;
- oceny osób albo klientów, gdy wynik może mieć dla nich istotne konsekwencje.
Jak mierzyć, czy AI naprawdę pomaga
Oceniaj cały przepływ pracy, nie szybkość pierwszej odpowiedzi. Sensowne miary to czas od materiału do zatwierdzonego artefaktu, liczba wykrytych braków, udział błędnych sugestii, czas weryfikacji, liczba korekt po akceptacji i incydenty związane z danymi. Jeśli wygenerowanie szkicu trwa minutę, ale jego kontrola zajmuje dłużej niż samodzielna praca, zastosowanie nie daje korzyści.
Checklista przed użyciem AI
- Czy zadanie ma jasno opisany cel i oczekiwany format?
- Czy narzędzie jest dopuszczone do danej klasy informacji?
- Czy przekazuję tylko niezbędne dane i potrafię je zanonimizować?
- Czy materiał źródłowy ma wersję, identyfikatory i słownik?
- Czy wynik musi wskazywać dowód dla każdej obserwacji?
- Kto sprawdzi poprawność merytoryczną i kto zatwierdzi decyzję?
- Jak wykryję dopowiedzenia, pominięcia i zmianę znaczenia?
- Czy zapiszę zakres użycia AI w historii artefaktu?
- Czy korzyść obejmuje także czas kontroli i poprawek?
Więcej o granicach narzędzia opisują materiały ograniczenia AI i kontrola jakości oraz analityk jako kontroler jakości AI.