Zadávací dokumentace jako guláš? AI z ní udělá pořádek za pár minut

This entry is část 1 z 1 in the series Praktické kapitoly Agilní analýzy s AI

Destilace — z hromady zadání čistý sirup

Kdo někdy dostal za úkol zpracovat Zadávací dokumentaci projektu, tak ví, o čem mluvím. Pár desítek stran textu, který se prakticky nedá číst. Psalo to pět lidí ve třech různých týdnech, každý o něčem jiném… a dohromady je to guláš. V jednom kotli najdete míchaninu: popis funkčních věcí, zadání do technologie a to vše proložené hromadou balastu. (V jedné ZD pro školicí firmu byl popsaný i provoz kuchyně a činnost vrátného. Vážně.)

A vy pak v šeru pracovny máte z toho vyhrabat, co vlastně ten systém má umět, tj. co mají analytici dostat jako korektní zadání pro svou další práci.

Co pro analýzu potřebujete, to jsou Funkční požadavky a v čisté podobě. Co má systém dělat, a ne zda to bude JAVA nebo C# anebo kdo vaří oběd. Jakmile FP jednou pořádně a očištěné vytáhnete, pracujete dál už jen s nimi, ne s tou nepřehlednou haldou ZD.

V AAF tomu vytahování říkáme destilace FP: z hromady vstupu se vydestiluje sirup — čisté Funkční požadavky, se kterými se dál pracuje. A přesně tohle jsme naučili AI Analytika.

Skills

AI Analytik z toho neudělá jenom „výcuc“. Vytvoří Funkční požadavky tak, jak mají být: na analytické logické úrovni (žádná technologie), k věci (mantinely řešení, ne román), bez vnitřních rozporů a navíc také tam, kde technologie skutečně zasahuje a ovlivňuje funkční logiku, doplní tzv. technickou okrajovou podmínku s jejími důsledky na logiku aplikace.

A pracuje systematicky a matematicky přesně:

Co je relevantní, zařadí do Funkčních požadavků.

Co je rozhodnutí o realizaci (fáze Design – technologie), pošle do návrhu.

Co je balast, odloží stranou.

Co nemůže rozhodnout, zařadí do otázek.

Vše v šuplících a nic se neztratí — nic tiše nepřepíše ani potají nezahodí.

A na rozsahu mu nezáleží. Čím větší a ošklivější dokumentace, tím líp — v té si vyloženě libuje. Dvě stě stran? Žádný problém, klid.

Testy skills

Když jsme ho to naučili, vyzkoušeli jsme ho.

Vzali jsme reálné zadání (projekt Mobile Ticket Payment, modelový projekt pro testování vývoje) a schválně do něj nastražili pasti — přesně na místa, kde to obvykle ujede:

– technologické požadavky mezi funkčními požadavky,

– jednu věc řečenou na dvou místech rozporně,

– „naše“ ekonomické oddělení proti „cizí“ firmě (svádí to privilegovat „domácí“ jako součást systému),

– a místa, kde se přímo nabízí něco si domyslet.

Myslím, že ZD s běžnými pastmi pro test se docela povedla — posuďte sami: 📗 vstup testu pro AI Analytika.

A co on? Chytne to, nebo mine?

🎯 AI Analytik trefil všechno.

Pasti rozpoznal, rozpor vytáhl jako otázku, balast odložil, nic si nedomyslel, nic tiše nepřidal ani neubral.

A nemusíte mi věřit na slovo. Než vynesl výsledek, sepsal, jak k němu došel — krok po kroku, jako protokol k auditu. Můžete si ho přečíst celý a klidně ho z toho vyslýchat: 📗 výstup protokolu AI Analytika.

Náš „vystudovaný AI Analytik“, na rozdíl od „nevystudované AI pouze s LLM od narození“, je nejen deterministický (opakovaný test vede ke stejnému výsledku), ale hraje s vámi navíc hru s otevřenými kartami. Jeho práce je auditovatelná neboli doložitelná: v protokolu napíše přesně, proč zrovna takto udělal to, co udělal — to je 100% kontrola. Žádná nepříjemná překvapení, žádné halucinace, žádné chyby z horlivosti služebníka, žádné utajené změny.

Vyhodnocení testů

Známku z testu si náš „AI student“ nedával sám. Na to mám kolegu, mou „pravou ruku“ a učitele — AI Lektor Asistenta. AI Analytika učíme jeho skills spolu. Můžete se podívat na vysvědčení z tohohle běhu, které vypracoval AI Lektor Asistent: 📗 hodnocení AI Analytika AI Lektorem .

Verdikt: ✅ uspěl na výbornou.

Co říkáte — že není špatné mít k dispozici takového pomocníka, který vám zodpovědně vydestiluje ze ZD čisté Funkční požadavky jako sirup? Co je pro člověka práce na dny, zvládne za pár minut, možná desítek minut, ale bez únavy a kdykoli — a vy pak začínáte s čistými Funkčními požadavky mnohem dřív.

A v jedné situaci je dokonce nezastupitelný: Rozhodujete o vstupu do výběrového řízení? Máte na rozhodnutí řádově dny? Takže za jak dlouho potřebujete mít zpracovanou ZD z výběrového řízení?

AI Analytik vám odpoví rovnou výsledkem — předloží vám seznam FP hotový, hezky zabalený a zdůvodněný — jako na stříbrném podnose.

Co bude dál jako pokračování

Sirup máme — čisté Funkční požadavky projektu MTP. V příští kapitole z nich začneme stavět: najdeme Zlatý proces systému (klíčový tok hodnoty) a rozjedeme jeho chod agilně, jednoduchou technikou.

Zase ve spolupráci s AI Analytikem, podle stejné šablony jako tady — a opět na reálných testech.

Těším se, až si to projdeme spolu.


Vyzkoušejte na svém

Nevyprávíme — ukážeme. Napište a domluvíme se – pošlete fragment své reálné práce (libovolná fáze, např. ZD) a uvidíte AI Analytika v práci přímo na vašem.

NDA není problém. Nabídka viz zde


Comments

Jeden komentář: „Zadávací dokumentace jako guláš? AI z ní udělá pořádek za pár minut“

  1. Ilja Kraval avatar
    Ilja Kraval

    Přišel mi k článku pěkný mail (tazatele nechám u iniciál — A.V.):

    „Ve vašem článku zdůrazňujete problematiku determinismu a auditovatelnosti. To ale nemůže být problém, jinak by nemohly fungovat tak výkonné AI generující tolik zdrojového kódu.“

    Dobrá námitka — a odpověď je schovaná přímo v ní. AI generuje hory funkčního kódu proto, že kód má pravidla zabudovaná: jazyk má gramatiku, kompilátor řekne ano/ne, testy projdou nebo ne, běh je deterministický. Když AI ujede, prostředí ji samo chytí — je tu mechanická pravda „funguje / nefunguje“.

    Analýza nic takového nemá. Požadavky, use case, model tříd — přirozený jazyk, žádný kompilátor, žádné „testy prošly“. Dva analytici, dva různé modely. Když tam AI tipne špatně, nic neřekne, že je to špatně.

    Determinismus a auditovatelnost tedy nejsou problém, který „je, nebo není“ — je to vlastnost, kterou doména buď má, nebo nemá. Kód ji má od přírody, analýza ne. A přesně to do analýzy dodáváme metodou: kód má svůj kompilátor, my jsme analýze ten „kompilátor“ postavili — pravidla, podle kterých jde výsledek zopakovat a doložit.

    A čím líp AI generuje kód, tím víc na tom záleží: ze špatné analýzy vznikne dokonale funkční kód, který dělá špatnou věc. Úzké hrdlo se posouvá nahoru — do analýzy.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *