Kravhantering med AI
Intåget av AI och LLM gör att själv börjat uppskatta att skriva krav och detaljer på ett annat sätt än jag någonsin gjort tidige.
När verktygen styr istället för att stötta
Jag får nog säga att jag är en människa med hyfsad administrativ begåvning och intresse för ordning och reda. Men kravhantering och kravanalys har jag i mina egna applikationer varit dålig på. Iderna har funnits i huvudet och utvecklats under en löptur men aldrig dokumenterats på något bra sätt. Tror detta har handlat om att verktygen för kravhantering är för stora för klumpiga och tråkiga. Oavsett om det då handlar om projektverktyg som Jira och Azure DevOps, eller i mer nischade system som Aha! och tunga IBM DOORS, blir resultatet ofta detsamma. Verktygen sätter ramarna för hur vi tvingas tänka. Processen blir rigid, gränssnitten stelbenta och fokus hamnar på att mata systemet med data snarare än att faktiskt förstå och förfina kraven.
Men på senare tid har något hänt. Intåget av AI har blåst nytt liv i hela disciplinen. Det som förr kändes som ett nödvändigt ont har plötsligt blivit riktigt roligt.
Min nya setup: Textbaserad struktur med Doorstop
För att göra det enklare har jag skiftat fokus mot en mer utvecklingsnära och minimalistisk approach. Numera använder jag Doorstop – ett open-source-verktyg som hanterar krav som ren text (Markdown/YAML) direkt i versionshanteringen.
Det jag gillar med den här metoden är hur enkelt det blir att hålla ordning:
- Tydliga kravtyper: Jag får en ren och logisk struktur på olika typer av krav (funktionella, tekniska, affärskrav) utan att drunkna i komplexa databaser.
- Full spårbarhet: Doorstop gör det smidigt att länka ihop kraven hela vägen till testfallen. Att kunna validera att varje enskilt krav faktiskt täcks av ett testfall – direkt i kodflödet – ger en enorm trygghet.
Den perfekta trion: Krav, AI och ADR
Det är när jag kombinerar den här textbaserade strukturen med AI och arkitekturella beslut i ADR (Architecture Decision Records) som det blir riktigt trevligt.
När kraven lever som ren text kan jag låta en AI agera som ett aktivt bollplank. Jag använder AI för att granska kraven, hitta logiska luckor, generera utkast till testfall baserat på Doorstop-strukturen och utmana mina tekniska val.
När ett krav leder till ett större tekniskt vägval dokumenteras det i en ADR. Eftersom både kraven (Doorstop), arkitekturbesluten (ADR) och källkoden lever sida vid sida i Git, får jag ett helt sömlöst ekosystem:
Slutsats: Kravhantering har blivit mänsklig igen
Tack vare AI och smarta, lätta verktyg har jag kunnat flytta kravhanteringen från tråkiga, isolerade silos i stängda enterprise-system direkt till där utvecklingen faktiskt sker. Det handlar inte längre om att tillfredsställa ett verktyg, utan om att snabbt, flexibelt och säkert bygga rätt saker. Kravhantering är inte längre ett administrativt måste – det har blivit en kreativ och rolig del av utvecklingsvardagen.