لماذا لا تنقذ وثيقة PRD التقليدية ميزات الذكاء الاصطناعي في 2026: ما الذي يجب إضافته إلى المواصفات

يواجه مديرو المنتجات ومطورو منتجات الذكاء الاصطناعي مشكلة جديدة: لم تعد وثيقة PRD المعتادة، بما فيها من user stories وacceptance criteria، تصلح للميزات المبنية على LLM، إذ تبدأ هذه الميزات بالتعثر منذ اللحظة التي يحاول فيها الفريق وصف ما ينوي بناءه فعلاً.

لماذا لا يناسب تنسيق PRD القديم

سلوك ميزة البرمجيات الكلاسيكية حتمي (deterministic): فعند إدخال المدخلات نفسها يُنتج النظام النتيجة نفسها، ويمكن صياغة acceptance criteria على شكل قائمة تحقق واضحة. أما سلوك ميزة الذكاء الاصطناعي المبنية على LLM فيتأثر بعدد أكبر بكثير من المتغيرات: صياغة الـprompt، والنموذج المختار، وجودة البيانات التي يُقيَّم بها الناتج، ومجموعة كبيرة من الحالات الحدّية التي يصعب حصرها مسبقاً. والمواصفات المكتوبة بالتنسيق القديم لا تغطي مصادر عدم اليقين هذه.

• تظهر المشكلة في مرحلة وصف المهمة، لا في مرحلة الإطلاق فحسب
• لا تأخذ وثيقة PRD الكلاسيكية في الحسبان اعتماد سلوك الميزة على الـprompt والنموذج
• ولا تأخذ في الحسبان بيانات تقييم الجودة والحالات الحدّية لميزة LLM
• يُقترح توسيع المواصفات بأقسام جديدة تعالج هذه المخاطر

ما الذي يجب إضافته إلى المواصفات

الفكرة الأساسية هي استكمال وثيقة PRD بأقسام لا تصف السلوك المطلوب للميزة فحسب، بل توضح أيضاً كيف سيقيس الفريق جودة ردود النموذج، وما البيانات التي ستُستخدم في التقييم، وكيف سيتعامل مع الانحرافات بعد الإطلاق في بيئة الإنتاج. وبذلك ينتقل جزء من العمل كان يجري سابقاً بعد وقوع الحوادث إلى مرحلة التخطيط، إذ يحدد الفريق مسبقاً الحالات الحدّية التي تُعدّ حرجة وطريقة تتبّعها.

ماذا يعني ذلك

يغيّر الانتقال من الميزات الحتمية إلى المنتجات المبنية على LLM ممارسة وصف المنتج نفسها: فبدلاً من acceptance criteria ثابتة، تنتقل الفرق إلى مقاييس الجودة ومجموعات البيانات الاختبارية وخطط مراقبة المخاطر داخل المواصفات مباشرة. وهذا يعكس تحولاً أوسع في القطاع: فمنتجات الذكاء الاصطناعي لا تحتاج إلى ميزات جديدة داخل PRD فحسب، بل إلى تنسيق جديد للوثيقة بأكملها.