• Eğitmen
    KADİR ÇAMOĞLU
  • Süre
    0,5 Gün
  • Başlangıç Tarihi
    14.07.2026

GenAI Destekli User Story ve Kabul Kriteri Yazma

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.

Eğitim İçeriği

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