Jak dobieramy techniki pracy z AI do różnych etapów projektu – Case Study

AI coraz częściej pojawia się przy tworzeniu aplikacji, stron i narzędzi dla firm. Tylko że samo "używanie AI" nie oznacza jeszcze, że projekt nagle robi się sam.

W praktyce największa wartość pojawia się wtedy, gdy wiemy, do czego konkretnie chcemy użyć AI. Inaczej pracujemy z nim przy analizie pomysłu, inaczej przy kodzie, inaczej przy testach, a jeszcze inaczej przy dokumentacji.

W tym case study pokazujemy, jak można wykorzystać AI przy tworzeniu MVP aplikacji webowej — od pierwszego pomysłu do działającej wersji.

Punkt wyjścia

Klient przyszedł z pomysłem na prostą aplikację, która miała uporządkować jeden z jego wewnętrznych procesów.

Na początku nie było gotowej specyfikacji, makiet ani dokładnej listy funkcji. Był problem, który trzeba było rozwiązać, i ogólny pomysł na system.

To bardzo częsta sytuacja. Klient wie, co go boli, ale nie zawsze wie, jak przetłumaczyć to na konkretne funkcje aplikacji.

Naszym celem było szybkie dojście do pierwszej wersji MVP, bez budowania zbyt dużego i drogiego systemu na start.

1. AI jako pomoc w analizie wymagań

Na początku nie zaczeliśmy od kodowania. Najpierw trzeba było uporządkować informacje.

AI pomogło nam zamienić luźny opis pomysłu w bardziej konkretną strukturę:

• jaki problem rozwiązujemy,
• - kto będzie korzystał z aplikacji,
• - jakie funkcje są najważniejsze,
• - czego brakuje w opisie,
• - o co trzeba jeszcze dopytać klienta,
• - co powinno wejść do MVP, a co można pozostać na później.

To bardzo dobrze działa na starcie projektu, bo AI pomaga szybko zauważyć luki i uporządkować chaos.

Najważniejsze jest jednak to, że AI nie wymyśla projektu za nas. Ono pomaga szybciej przygotować dobry materiał do rozmowy i podjęcia decyzji.

1. AI jako sparingpartner przy decyzjach technicznych

Kolejny krok to wybór technologii i sposobu budowy aplikacji.

Przy MVP łatwo przesadzić. Można od razu planować wielką architekturę, zaawansowane role, integracje i funkcje, które może kiedyś się przydać. Tylko że na start często lepiej zrobić mniej, ale dobrze.

AI wykorzystaliśmy jako sparingpartnera do porównania opcji:

• własny backend czy gotowe rozwiązanie,
• - proste logowanie czy zewnętrzny system autoryzacji,
• - baza SQL czy NoSQL,
• - dedykowany panel czy gotowy panel admina,
• - które funkcje są naprawdę potrzebne w pierwszej wersji.

AI nie podejmuje decyzji za zespół, ale pomaga szybko zobaczyć plusy, minusy i konsekwencje różnych podejść.

Dzięki temu decyzje nie są podejmowane "bo zawsze tak robimy", tylko bardziej świadomie.

1. AI jako pomoc w rozbijaniu projektu na zadania

Gdy już wiedzieliśmy, co ma wejść do MVP, trzeba było rozbić projekt na konkretne zadania.

Zamiast jednego dużego hasła typu "zrobić aplikację", powstała lista mniejszych kroków:

• konfiguracja projektu,
• - baza danych,
• - logowanie,
• - formularze,
• - lista elementów,
• - edycja statusów,
• - walidacja,
• - podstawowe uprawnienia,
• - testy.

To bardzo przydatne, bo projekt od razu robi się bardziej konkretny. Łatwiej go oszacować, zaplanować i kontrolować postęp.

1. AI jako wsparcie przy pisaniu kodu

Na etapie implementacji AI najlepiej sprawdza się przy powtarzalnych elementach.

Może pomoc przy:

• prostych komponentach,
• - formularzach,
• - endpointach CRUD,
• - walidacji,
• - typach i interfejsach,
• - przykładowych danych,
• - prostych zapytaniach do bazy.

To są rzeczy, które w wielu projektach wyglądają podobnie. AI potrafi przyspieszyć utworzenie pierwszej wersji, którą programista później dopracowuje.

I tu ważna rzecz: kodu z AI nie powinno się kopiować bez myślenia. Trzeba go sprawdzić, dopasować do projektu i upewnić się, że nie robi czegoś głupiego pod kątem bezpieczeństwa albo architektury.

AI przyspiesza pracę, ale nie zwalnia z odpowiedzialności.

1. AI jako code reviewer

AI przydało się nie tylko do pisania kodu, ale też do jego sprawdzania.

Zamiast pytać: "czy ten kod jest dobry?", lepiej zapytać konkretniej:

• co może się tutaj wysypać?
• - czy są jakieś problemy z bezpieczeństwem?
• - jakich przypadków brzegowych brakuje?
• - czy można to uprościć?
• - czy ten kod będzie łatwy do utrzymania?

To działa dobrze, bo AI często podsuwa miejsca, które warto jeszcze raz przejrzeć. Nie zawsze ma rację, ale często daje dobre tropy.

Dzięki temu AI nie jest tylko generatorem kodu, ale też narzędziem do jego kwestionowania.

1. AI jako tester i źródło edge case'ów

Jednym z lepszych zastosowań AI jest generowanie scenariuszy testowych.

Dla konkretnej funkcji można poprosić AI o listę przypadków, na przykład:

• poprawne dane,
• - puste pola,
• - błędny format,
• - duplikaty,
• - brak uprawnień,
• - problemy z API,
• - nietypowe zachowania użytkownika.

To szczególnie dobrze sprawdza się przy formularzach, logowaniu, płatnościach, rolach użytkowników i procesach z różnymi statusami.

Programista często skupia się na tym, żeby działała główna ścieżka. AI pomaga szybciej pomyśleć o sytuacjach, w których użytkownik zrobi coś "nie tak".

1. AI jako pomoc przy dokumentacji

Na koniec AI pomogło też przy dokumentacji.

Można je wykorzystać do przygotowania:

• opisu działania aplikacji,
• - instrukcji uruchomienia,
• - opisu API,
• - listy zmiennych środowiskowych,
• - krótkiego podsumowania dla klienta,
• - propozycji dalszego rozwoju.

To duża oszczędność czasu, bo dokumentacja często jest odkładana na później. AI pozwala szybko stworzyć pierwszą wersję, którą potem można poprawić i dopasować.

Efekt

AI nie sprawiło, że aplikacja "napisała się sama". Największa wartość była w tym, że przyspieszyło kilka etapów pracy naraz.

Pomógło nam:

• uporządkować wymagania,
• - lepiej dobrać zakres MVP,
• - rozbić projekt na mniejsze zadania,
• - szybciej przygotować powtarzalne elementy kodu,
• - znaleźć potencjalne błędy,
• - rozpisać scenariusze testowe,
• - przygotować dokumentację.

Dzięki temu więcej czasu można było poświęcić na to, co naprawdę ważne: decyzje, jakość, architekturę i dopasowanie aplikacji do realnego problemu klienta.

Wniosek

AI nie zastępuje dobrego procesu projektowego. Najlepiej działa wtedy, gdy ma konkretną rolę.

Raz jest analitykiem, raz sparingpartnerem, raz pomocnikiem przy kodzie, raz testerem, a raz dokumentalistą.

Dlatego skuteczna praca z AI nie polega na wpisywaniu przypadkowych promptów. Polega na dobraniu odpowiedniej techniki do konkretnego etapu projektu.

Wtedy AI przestaje być ciekawostką, a zaczyna realnie pomagać w dowozie lepszych projektów szybciej i mądrze.