أوضحت Auchan Tech كيف يوفّر AI ما يصل إلى 70% من وقت محلل النظم في المهام الروتينية

نشرت شركة أوشان تيك تحليلاً عملياً يوضح كيف يتم دمج نماذج التوليد بالفعل في العمل اليومي للمحلل النظمي. النتيجة الرئيسية للمؤلف بسيطة: الذكاء الاصطناعي لا يعفي المحلل من مسؤوليته، لكنه قادر على تسريع تحضير الأسئلة والمخططات والمسودات المتطلبات بشكل ملحوظ.

ثلاثة سيناريوهات عمل

يحلل المنشور ثلاث مهام نموذجية يواجهها المحلل في كل دورة منتج تقريباً: جمع وتوضيح المتطلبات، وتصميم العمليات، وتحضير حالات الاستخدام. يقارن المؤلف ما تنتجه النماذج من طلب بسيط مقابل مطالبة منظمة تتضمن دوراً وسياقاً وقيوداً والتنسيق المتوقع للإجابة. تستخدم الأمثلة ChatGPT وQwen وDeepSeek، مع التركيز ليس على "سحر" النموذج، بل على ما يجب على المحلل تقديمه كمدخل.

• قائمة أسئلة توضيحية لصاحب المصلحة حول حسابك الشخصي
• رسم تخطيطي PlantUML لتسجيل المستخدم في متجر على الإنترنت
• حالة استخدام لفرز المراجعات على بطاقة المنتج
• مقارنة المطالبات الأساسية والمفصلة حسب جودة النتيجة

حيث يكون الذكاء الاصطناعي مفيداً بالفعل

المثال الأكثر وضوحاً يتعلق بجمع المتطلبات. لطلب حول حساب شخصي مع عرض الطلبات وتحرير بيانات الاتصال، أنتجت المطالبة الأساسية الكثير من الضوضاء: أسئلة عامة وموضوعات غير ضرورية وهيكل ضعيف. لكن عندما طلب المؤلف التركيز على المنطق التجاري والأدوار والقيود والسيناريوهات البديلة والتبعيات، بدأت النماذج تنتج قائمة أكثر قابلية للاستخدام. وفقاً لتقييم المؤلف، يمكن لهذه الطريقة أن تنتج حوالي 80٪ من الأسئلة المطلوبة في خمس دقائق بدلاً من أربعين دقيقة من التحضير اليدوي.

ظهرت صورة مماثلة مع المخططات. إذا طلبت ببساطة رمز PlantUML لتسجيل المستخدم، يرسم النموذج هيكلاً عام جداً. عندما أضاف المؤلف المشاركين في النظام والحقول الإلزامية والسيناريوهات البديلة ورموز حالة HTTP والأخطاء ومتطلبات التنسيق، أصبحت النتيجة ملحوظة أقرب إلى شيء يمكن عرضه على مهندس معماري. تم تجميع إطار الرسم التخطيطي في 10-15 دقيقة بدلاً من حوالي 30، لكن الاستثناءات وقواعد العمل اضطررت إلى توضيحها يدوياً.

التأثير مع حالات الاستخدام هو نفسه: تنتج المطالبة النموذجية وصفاً غامضاً، بينما تنتج المطالبة المفصلة مسودة تقنية تقريباً مع شروط أولية وشروط لاحقة وسيناريو رئيسي وبدائل وموارد API ورموز الاستجابة. ما هو مفيد بشكل خاص هو أن النموذج يمكنه تقسيم السيناريو فوراً إلى المنطق من جانب العميل والمنطق من جانب الخادم.

لكن هنا يصبح خطر الهلوسات واضحاً بسرعة: الذكاء الاصطناعي يضيف بسهولة حقول وفحوصات وقواعد لا توجد بالفعل في النظام.

« الذكاء الاصطناعي لن يستبدل المحلل، لكنه يمكن أن يوفر له حتى 70٪ من

الوقت في العمل الروتيني. »

حيث تبدأ المخاطر

تمر المقالة بشكل عقلاني تماماً عبر القيود. أولاً، تعتمد جودة النتاج بشكل مباشر على جودة المدخلات: المطالبة الضعيفة تنتج بالتأكيد نتيجة ضعيفة. ثانياً، لا يعرف النموذج السياق الداخلي للشركة، لذلك لن يخمن التكاملات الحقيقية والقيود التنظيمية والاتفاقيات بين الفريق. ثالثاً، عند العمل مع خدمات الحوسبة السحابية، تصبح الأمان مشكلة: تحميل البيانات الحساسة والمخططات الداخلية والمتطلبات غير المطلقة عليها أمر محفوف بالمخاطر إذا لم تكن لدى الشركة قواعد واضحة ومحيط محمي.

على حدة، يذكر المؤلف أن المسؤولية النهائية لا تنقل إلى النموذج. التحقق من المنطق والتحقق من صحة المتطلبات وصحة تفاصيل API وتوقيع TZ تبقى مهمة الإنسان. لذلك، أفضل حالة استخدام للذكاء الاصطناعي هنا ليست "كتابة الوثيقة بدلاً مني"، بل "إنشاء الإطار الأول وتسليط الضوء على الفجوات واقتراح البدائل وتسريع الروتين".

تنتهي المقالة بقائمة تحقق موجزة من المطالبات: وضع هدف محدد وتعيين دور للنموذج ووصف السياق وتثبيت تنسيق الاستجابة والمطالبة بالدقة وطلب الأسئلة التوضيحية والتحقق دائماً يدوياً من النتيجة.

ما يعني هذا

بالنسبة للتحليل النظمي، ينتقل الذكاء الاصطناعي من وضع التجريب إلى أداة عمل، لكن فقط في مزيج مع إنسان قوي في الإدخال والإخراج. الفرق الفائزة ليست تلك التي "وصلت GPT" ببساطة، بل تلك التي تعلمت تحويل النماذج إلى مسودة سريعة للمتطلبات والمخططات والسيناريوهات التقنية دون فقدان السيطرة على الجودة.