Bu yarım günlük ileri atölye, iş analistlerinin üretken yapay zekâyı (GenAI) kullanarak iş gereksinimleri ve iş birimiyle yapılan toplantı notlarından hızlı ve etkili user story'ler ile kabul kriterleri üretmesini; daha da önemlisi bu çıktıları gereksinim analizi disiplinini kullanarak güvenle denetlemesini öğretir. Eğitim, AI çıktısını körü körüne üretmeye değil, 'üret–kıyasla–denetle' döngüsüne odaklanır: katılımcı aynı ham girdiden hem kendi user story/AC'sini hem AI'nınkini üretip karşılaştırır; AI'nın özellikle tehlikeli yönünü — toplantı notunda söylenmemiş kuralı, varsayımı ya da paydaş ihtiyacını sessizce uydurarak 'makul ama yanlış' story üretmesini bizzat yakalar.
Kariyer gelişimi açısından: yapay zekâ taslak üretimini hızlandırdıkça iş analistinin değeri 'yazan' olmaktan 'denetleyen ve yargılayan' role kayıyor. Bu eğitim, katılımcıyı bu dönüşümde öne çıkaran iki yetkinliği bir arada kazandırır AI'yı verimli kullanma ve çıktıyı disiplinle denetleme.
•Bu eğitimin yaklaşımı: üret–kıyasla–denetle döngüsü
- •User story/AC görevleri için Yeşil / Sarı / Kırmızı haritası (kısa hatırlatma)
- •Neden disiplin güvencedir: AI söylenmemiş kuralı/ihtiyacı sessizce uydurur
- •Kariyer açısı: BA'nın 'yazan'dan 'denetleyen/yargılayan' role geçişi
•Zayıf prompt vs. context'lenmiş prompt: user story/AC üretiminde fark
•Modele ne verilmeli: toplantı notu, iş gereksinimi, kurum şablonu, örnek story'ler, kısıtlar
•Hedef formatı (INVEST, Given-When-Then) ve kuralları prompt'ta belirtme
•Uygulama: aynı notu zayıf ve context'lenmiş promptla çalıştırıp farkı görme
•Ham toplantı notundan AI ile user story taslağı üretme
•AI'dan INVEST kriterlerine göre öz-değerlendirme isteme
•Epik › story ayrıştırmayı AI ile yapma ve doğrulama
•Uygulama: nottan AI ile story seti üretip INVEST ile denetleme
•Given-When-Then ve kural odaklı kabul kriterini AI'ya ürettirme
•Pozitif + negatif + sınır senaryoların kapsanmasını sağlama
•AC'nin test edilebilirliğini doğrulama — test ekibine köprü
• Uygulama: bir story için AI ile AC seti üretip denetleme
•Katılımcı önce nottan kısaca elle story/AC çıkarır (kıyas referansı oluşturma)
•Elle üretilen ile AI çıktısının yan yana karşılaştırılması
•Sistematik denetim: uydurulan kural, eksik paydaş ihtiyacı, 'makul ama yanlış' story, kapsam kayması, test edilemez AC
•BABOK + INVEST bilgisini AI çıktısını denetleme aracı olarak kullanma
•Her user story / kabul kriteri hangi nottan veya gereksinimden türedi
•AI'dan izlenebilirlik eşlemesi isteme ve doğrulama
•AI bunu nereden çıkardı?' denetimi ve uydurma tespiti
• Modele hangi veri girer/girmez: gerçek iş gereksinimi, toplantı notu, müşteri/finansal veri
•Anonimleştirme ve sentetik örnekle çalışma
•Kurumsal AI politikalarına ve etik kullanıma uyum
•User story/AC üretimi için tekrar kullanılabilir prompt/context şablonu
•Yeşil/Sarı/Kırmızı denetim kontrol listesi
•Kişisel/kurumsal kalıp kütüphanesine ekleme
•Gerçekçi bir toplantı notu + iş gereksinimiyle uçtan uca uygulama
•AI ile üret › disiplinle denetle/düzelt › sonlandır
•Üretkenlik kazanımı ve değişen iş analisti rolü üzerine kapanış değerlendirmesi
Yaklaşan Eğitimler
