Van Requirements naar Prompts: Hoe Generatieve AI je workflow versnelt
AI vervangt de analist niet, maar de analist die AI gebruikt vervangt de analist die dat niet doet.
De AI-revolutie in business analyse
Generatieve AI heeft in korte tijd het vakgebied van de business analist fundamenteel veranderd. Niet omdat het de analist overbodig maakt — integendeel. Maar omdat het de analist die AI beheerst een enorm concurrentievoordeel geeft ten opzichte van collega's die alles handmatig blijven doen.
De kern van business analyse is onveranderd: het vertalen van bedrijfsbehoeften naar concrete oplossingen. Maar de snelheid waarmee je dat doet, de kwaliteit van je eerste draft en de breedte van scenario's die je overweegt — dat alles kan exponentieel verbeteren met de juiste AI-vaardigheden.
De sleutel? Prompt engineering. Het vermogen om een AI-model precies de juiste instructies te geven zodat de output direct bruikbaar is in je dagelijks werk.
Prompt Engineering basics voor analisten
Prompt engineering is geen programmeren — het is gestructureerd communiceren met een AI-model. Als analist heb je hier al een voorsprong: je bent getraind in het helder formuleren van verwachtingen en het specificeren van gewenst gedrag. Dezelfde vaardigheden die je inzet bij het schrijven van requirements, gebruik je nu voor het schrijven van prompts.
Geef de AI een rol en context. Bijvoorbeeld: 'Je bent een senior business analist met 10 jaar ervaring in de financiële sector. Je schrijft requirements volgens de BABOK-standaard.'
Dit bepaalt de toon, het detailniveau en de domeinkennis van alle volgende antwoorden.
Geef de AI 2-3 voorbeelden van het gewenste outputformat voordat je je eigenlijke vraag stelt. De AI leert het patroon en past het toe op nieuwe input.
Ideaal voor het genereren van user stories, acceptatiecriteria of testscenario's in een consistent format.
Vraag de AI om stap voor stap te redeneren. Dit levert betere resultaten op bij complexe analyses, zoals impactanalyses of het identificeren van edge cases.
Gebruik zinnen als: 'Denk stap voor stap na over welke stakeholders geraakt worden door deze wijziging.'
Praktijkvoorbeeld: User Stories genereren met AI
Het verschil tussen een zwakke en een sterke prompt is het verschil tussen een onbruikbare en een direct inzetbare output. Bekijk het volgende voorbeeld:
Zwakke prompt
"Schrijf user stories voor een webshop."
Resultaat: generieke, oppervlakkige stories zonder context of acceptatiecriteria.
Sterke prompt
"Je bent een senior business analist. Schrijf 5 user stories voor de checkout-flow van een B2B-webshop waar klanten op rekening bestellen. Gebruik het format: Als [rol] wil ik [actie] zodat [waarde]. Voeg per story 3 acceptatiecriteria toe in Given-When-Then format. Houd rekening met kredietlimieten en goedkeuringsflows."
Resultaat: specifieke, contextueel relevante stories met testbare acceptatiecriteria.
Het verschil zit in vier elementen: rol (wie is de AI), context (welk domein), format (hoe moet de output eruitzien) en constraints (randvoorwaarden en beperkingen).
Acceptatiecriteria laten schrijven
Acceptatiecriteria zijn een van de meest tijdrovende onderdelen van requirements-werk. AI kan hier enorm versnellen — mits je de juiste aanpak hanteert.
Effectieve prompt-structuur voor acceptatiecriteria
- 1.Geef de user story als input — inclusief de businesscontext
- 2.Specificeer het format: Given-When-Then of bullet-list
- 3.Vraag expliciet om happy path, edge cases en foutscenario's
- 4.Voeg domeinspecifieke constraints toe (performance, compliance, toegankelijkheid)
- 5.Laat de AI ook niet-functionele criteria genereren (laadtijd, responsiveness)
Een goed voorbeeld: geef de AI een user story over het inloggen met twee-factor-authenticatie, en vraag om criteria voor het happy path (succesvolle login), foutpaden (verkeerde code, verlopen sessie) en edge cases (nieuw device, geblokkeerd account). De AI genereert in seconden wat je handmatig 30 minuten zou kosten.
Procesbeschrijvingen genereren
Naast user stories en acceptatiecriteria is AI bijzonder krachtig voor het genereren van procesbeschrijvingen. Geef de AI een high-level processtap en vraag om een gedetailleerde uitwerking met rollen, beslismomenten en uitzonderingsflows.
As-is procesanalyse
Beschrijf het huidige proces in steekwoorden en laat de AI een gestructureerde procesbeschrijving genereren. Gebruik dit als startpunt voor stakeholder-validatie.
To-be procesontwerp
Geef de AI de knelpunten in het huidige proces en laat alternatieven genereren. Vraag expliciet om voor- en nadelen van elke variant.
Gap-analyse
Voer zowel het as-is als het to-be proces in en laat de AI de verschillen identificeren, inclusief de benodigde veranderingen per stakeholdergroep.
Kwaliteitscontrole: waarom je altijd moet reviewen
AI is een krachtige assistent, maar geen vervanging voor menselijk oordeelsvermogen. Elke output moet kritisch beoordeeld worden voordat je het deelt met stakeholders. Er zijn drie fundamentele risico's waar je op moet letten:
Hallucinations
AI kan overtuigend klinkende maar feitelijk onjuiste informatie genereren. Controleer altijd domeinspecifieke details, regelgeving en technische constraints tegen betrouwbare bronnen.
Bias
AI-modellen weerspiegelen de biases in hun trainingsdata. Requirements kunnen onbedoeld bepaalde gebruikersgroepen uitsluiten of bevooroordelen. Review altijd op inclusiviteit en toegankelijkheid.
Ontbrekende context
AI kent je organisatie niet. Het mist politieke dynamiek, ongeschreven regels, historische beslissingen en culturele context. Jij bent de brug tussen de gegenereerde output en de organisatiewerkelijkheid.
Review-checklist voor AI-gegenereerde requirements
- ✓Zijn de requirements feitelijk correct voor jouw domein?
- ✓Mist er organisatiespecifieke context of constraints?
- ✓Zijn alle relevante stakeholdergroepen meegenomen?
- ✓Zijn de acceptatiecriteria daadwerkelijk testbaar?
- ✓Is de terminologie consistent met wat de organisatie gebruikt?
Onthoud
AI is je co-piloot, niet je auto-piloot. Gebruik het om sneller te itereren, meer scenario's te verkennen en consistentere output te produceren. Maar de eindverantwoordelijkheid voor de kwaliteit van je requirements ligt altijd bij jou. De analist die AI beheerst levert in een uur wat vroeger een dag kostte — maar alleen als die output ook kritisch gereviewed wordt.
Reacties (3)
Erg nuttig artikel! Ik heb de methode direct toegepast in mijn huidige project en het helpt enorm bij het structureren van mijn aanpak.
Goed geschreven en praktisch. Zou wel meer voorbeelden willen zien van toepassing in een overheidsomgeving.
Dit sluit mooi aan bij wat we in ons Scrum-team doen. Ga dit zeker delen met mijn collega's.
Plaats een reactie
Reacties worden gemodereerd voordat ze zichtbaar worden.