Een AI-maatje als pre-reviewer van je functioneel ontwerp
GESCHREVEN DOOR
Eric de Jong
Wat als je functionele ontwerpen al een grondige review hebben gehad voordat een collega ernaar kijkt? In projecten waar snelheid, kwaliteit en samenwerking onder druk staan, kan AI een verrassend effectieve teamgenoot blijken. In deze blog deelt Agile analist Eric de Jong hoe M365 Copilot hem en zijn team heeft geholpen om reviews slimmer te organiseren, de kwaliteit van ontwerpen te verhogen en meer tijd vrij te maken voor het leuke denkwerk.
AI als volwaardig lid van een Agile team
Als agile analist en functioneel ontwerper vertaal ik voor verschillende klanten al jarenlang wensen uit de business naar IT-oplossingen. Ik vind het heerlijk wanneer puzzelen, samenwerken en kritisch nadenken leiden tot slimme oplossingen waar gebruikers echt blij van worden. Daarbij maak ik graag gebruik van AI om mijn werk slimmer en leuker te maken. Zo liet ik eerder tijdens het Agile Congres, in AI Actueel en onze eigen AI Summer School zien hoe ik AI inzet als volwaardig lid van een Agile team.
Meer teamleden betekent meer afstemming
In een recent project werd besloten de doorlooptijd te verkorten door het team uit te breiden. Volgens Brooks’ Law neemt de meerwaarde van extra mensen echter niet onbeperkt toe. Meer teamleden betekent meer afstemming, communicatie en ook reviewwerk. Als senior analist merkte ik dat we steeds meer tijd kwijt waren aan het controleren van elkaars ontwerpen. Veel bevindingen gingen over bekende afspraken en richtlijnen die niet bij iedereen even scherp op het netvlies stonden. Daardoor bleef minder tijd over voor het echte ontwerpwerk: het zoeken naar de beste oplossing voor complexe vraagstukken.
Dat bracht ons bij de volgende uitdaging:
Hoe konden we de kwaliteit van onze functionele ontwerpen verhogen, zonder nog meer tijd te investeren in handmatige reviews? En hoe konden we minder ervaren collega’s ondersteunen, terwijl ervaren analisten juist meer ruimte kregen voor de inhoudelijke uitdagingen?
Hoe kunnen we minder ervaren collega's ondersteunen, terwijl ervaren analisten juist meer ruimte krijgen voor inhoudelijke uitdagingen?
Prompt gericht op concrete afwijkingen
Omdat ik al geruime tijd experimenteer met de inzet van Copilot in analysewerk, besloot ik Copilot M365 in te zetten als een extra reviewer. Niet ter vervanging van collega’s, maar als een consistente controlelaag vóór de peer review.
We legden alle ontwerprichtlijnen, standaarden en ontwerpkeuzes vast als context voor Copilot. Vervolgens ontwikkelden we onderstaande prompt voor een pre-review van functionele ontwerpen. De prompt is bewust praktisch en gericht op concrete afwijkingen.
[prompt-start]
Het bijgevoegde document “Use Case” is een functioneel ontwerp in het formaat van een Use Case. Controleer deze Use Case op de volgende punten:
- Toepassing van de Functioneel ontwerp richtlijnen (“”). Maak daarbinnen een onderscheid in richtlijnen voor Functionele en Datamodellering.
- Toepassing van de ontwerpkeuzes die voor elk functioneel ontwerp gelden, zoals vastgelegd in “Functioneel Ontwerp Principes.docx” (“”). Deze ontwerpafspraken mogen niet herhaald worden in de Use Case. Een eventuele verwijzing ernaartoe is toegestaan.
- Gebruik aanvullend de volgende bron: Het “Implementatie Data Model” (“”) als de definitie van het datamodel voor alle genoemde tabellen en attributen in het functioneel ontwerp.
- Meld alleen problemen met betrekking tot gegevens die in de Use Case worden genoemd en die aan de hand van deze prompt moeten worden gevalideerd.
- Organiseer de resultaten aan de hand van de volgende regels:
- Orden de resultaten op Use-case-activiteit.
- Noem alleen resultaten die niet compliant zijn aan de afspraken.
- Geef per bevinding de ernst aan: Hoog (strijdig), Midden (aannemelijk risico op onjuiste interpretatie), Laag (laag risico op onjuiste interpretatie)
- Geef per bevinding een wijzigingsvoorstel aan.
- Gebruik als stijl een zakelijke en bondige toon op het niveau van een Informatie analist.
[prompt-einde]
Resultaten
De resultaten waren verrassend goed. Ontwerpen werden consistenter, minder ervaren collega’s kregen direct feedback en senior analisten konden zich richten op de inhoudelijke kwaliteit van een ontwerp in plaats van op als bekend-veronderstelde afspraken. Het succes was zo groot dat we de oplossing hebben doorontwikkeld tot AI-maatje in de vorm van een Peer pre-review AI Agent die in onze Way of Working is opgenomen als verplichte validatie.
We wilden ook weten of een ontwerp compleet en ondubbelzinnig genoeg was voor een developer
Uitbreiding met developers-check
Geïnspireerd door deze resultaten hebben we een volgende stap gezet. Naast het toetsen op richtlijnen wilden we ook weten of een ontwerp compleet en ondubbelzinnig genoeg was voor developers. Daarom ontwikkelden we een tweede prompt.
[prompt-start]
Het bijgevoegde document “Use Case.docx” is een functioneel ontwerp in het formaat van een Use Case. Controleer deze Use Case op de volgende punten:
- Welke onduidelijkheden er zijn vanuit het perspectief van een developer om op basis van dit document software te bouwen.
- Geef bij elke onduidelijkheid de mate van onduidelijkheid aan op een Schaal van 1 (laag) tot 5 (hoog).
- Geef bij elke onduidelijkheid aan wat de meest logische aanname is die een developer zou maken en met welke reden.
- Geef een voorstel hoe deze onduidelijkheid kan worden verbeterd in de Use Case.
- Geef dit aan per Use Case activiteit.
[prompt-einde]
NB. De aanvullende bronnen en gewenste output stijl, zoals in voorgaande prompt, heb ik hier voor de leesbaarheid van het artikel niet herhaald, maar is er wel onderdeel van.
Krachtig leermechanisme
Ook deze aanpak bleek bijzonder waardevol. De gevonden onduidelijkheden en aannames bespreken we vervolgens met developers. Daarmee ontstaat een krachtig leermechanisme: ontwerpen worden scherper, richtlijnen worden verbeterd en Copilot beschikt bij een volgende review over een rijkere context.
Maar de winst zit niet alleen in hogere kwaliteit. Het echte voordeel is dat het team meer tijd krijgt voor creativiteit, analyse en samenwerking. Reviewcapaciteit wordt slimmer ingezet en kennis wordt beter geborgd. Copilot fungeert daarin als een AI-maatje die standaard validaties uitvoert waar we zelf niet slimmer door waren geworden.
Meer ruimte voor wat ons vak zo interessant maakt
Voor mij is Copilot uitgegroeid tot een AI-maatje dat helpt om de volwassenheid van functionele ontwerpen verder te verhogen. Daarmee vervangen we menselijke reviewers niet, maar versterken we hen juist. Hoe beter we routinematige controles automatiseren, hoe meer ruimte ontstaat voor de uitdagende puzzels die ons vak zo interessant maken. Dat sluit naadloos aan bij het motto van New Nexus om organisaties slimmer te maken en mensen meer plezier in hun werk te geven.
Tot slot een kleine teaser: inmiddels gebruik ik mijn AI-maatje niet alleen meer voor valideren, maar ook voor het simuleren van ontwerpen. De eerste resultaten zijn veelbelovend. Daarover vertel ik graag meer in een volgende blog.