IREB’in çıkardığı RE Magazine‘i takip ederken Michael Mey’in iki parçalık bir yazısına denk geldim: AI Assistants in Requirements Engineering, Part 1 ve Part 2. Mey, Obvious Works’te danışmanlık yapıyor ve IREB’in AI özel ilgi grubunda yer alıyor. Yazı basit bir gözlemden yola çıkıyor: gereksinim mühendisliği profesyonellerinin çoğu yapay zekâyı tek seferlik sorular için kullanıyor, oysa asıl kazanç aynı prompt’u her seferinde yeniden yazmak yerine bir “asistan” olarak paketlemekten geliyor. Konuyu ilginç buldum, kendi gözlemlerimi de katarak Türkçeleştirmek istedim.
Prompt yazmak da bir beceri
Mey’in üzerinde durduğu ilk şey, iyi bir prompt’un rastgele bir cümle olmadığı. CO-STAR denen bir çerçeve öneriyor: bağlam, amaç, üslup, ton, hedef kitle ve beklenen çıktı formatı ayrı ayrı belirtilirse sonuç ciddi şekilde iyileşiyor. Buna bir de rol atama ekleniyor. Yapay zekâya “sen ilaç sektöründe on yıllık deneyimi olan bir iş analistisin” demek, genel bir cevap yerine o bağlama uygun bir cevap getiriyor.
Bunda şaşırtıcı bir şey yok aslında; iyi bir requirement de aynı mantıkla yazılıyor. Belirsiz bırakılan her şey karşı tarafın (bu sefer insanın değil, modelin) kendi varsayımıyla doldurduğu bir boşluğa dönüşüyor. Fark şu: model bunu saniyeler içinde, sorgusuzca yapıyor.
Tek seferlik prompt’tan asistana
Yazının asıl önerdiği geçiş bu: karmaşık bir prompt’u ve ona eşlik eden referans dokümanları bir kere kurup paketlemek, sonra ihtiyaç duydukça çağırmak. OpenAI’nin CustomGPT’leri buna bir örnek. Talimat, yüklenen bilgi dosyaları ve konuşma başlangıçlarıyla “User Story Coach” gibi tekrar kullanılabilir bir araç kuruluyor. Mey ayrıca Copilot, Claude Projects ve Gemini Gems’i aynı fikrin farklı uygulamaları olarak kısaca karşılaştırıyor. Ona göre hiçbiri diğerinden kesin olarak üstün değil, kurumun hangi ekosistemde çalıştığına bağlı.
Havacılık perspektifinden
Burada kendi gözlemimi eklemek istiyorum. Regüle bir sektörde bu fikri uygulamaya çalışınca ilk çıkan soru araç seçimi değil, veri güvenliği oluyor. Mey de Part 2’de buna değiniyor: bir CustomGPT’ye yüklenen bilgi, ters mühendislikle geri çıkarılabiliyor. Havacılıkta sistem mimarisi dokümanını ya da gerçek bir kabul kriterini genel bir GPT’ye yüklemek çoğu zaman mümkün değil; kurumsal ya da özel barındırılan bir modele ihtiyaç var. Yani bu yazı dizisindeki fikirlerin çoğu doğru ama sıralaması tersine dönüyor: önce “hangi ortamda çalıştırabilirim” sorusu cevaplanmadan “nasıl bir asistan kurarım” sorusuna geçmek zor.
İkinci gözlemim de Spec-Driven Development yazımda söylediğimle örtüşüyor: Mey’in “asistan öneriyi verir, son kararı insan verir” cümlesi güzel bir slogan ama pratikte gerçek denetim, önerinin spec’e karşı doğrulanmasında oluyor. Asistan bir kabul kriteri önerdiğinde, o kriterin test edilebilir olup olmadığını kontrol eden hâlâ analist.
Asıl mesele asistan değil, netlik
Mey’in yazısı bir araç kataloğu gibi okunabilir: CustomGPT’ler, Copilot, Claude Projects, Gemini Gems… İddialı bir tahmin yapayım: bu isimlerin çoğu birkaç yıl içinde değişecek, belki hepsi tek bir “kurumsal asistan” katmanında eriyecek. Ama altında yatan beceri değişmeyecek: modelin sizin yerinize karar vermesine izin vermeden, ne istediğinizi net biçimde yazabilmek. Regüle bir sektörde bunun bedeli daha ağır: belirsiz bırakılan bir cümle artık bir toplantıda tartışılmıyor, doğrudan bir sistem davranışı olarak karşınıza çıkıyor. Asistan o belirsizliği gizlemiyor; tam tersine, daha hızlı ve daha görünür hale getiriyor.
Kaynaklar
- Michael Mey, “AI Assistants in Requirements Engineering – Part 1”, RE Magazine (IREB)
- Michael Mey, “AI Assistants in Requirements Engineering – Part 2”, RE Magazine (IREB)