هلوسة الذكاء الاصطناعي في المواصفات: تدقيق Claim Trace في 15 دقيقة
تبدو المواصفات التي يكتبها الذكاء الاصطناعي مدعومة بمصادر، لكنها كثيرًا ما لا تكون كذلك. Claim Trace هو تدقيق مدته 15 دقيقة يصنّف كل ادعاء بأنه موثَّق أو مستنتَج أو مفترَض أو مختلَق قبل أن يبني عليه المهندسون أو وكيل برمجة.
هلوسة الذكاء الاصطناعي في المواصفات هي أن يذكر مستند متطلبات المنتج (PRD) أو مواصفة كتبها الذكاء الاصطناعي شيئًا عن مستخدميك أو سوقك أو منتجك لا يدعمه أي مصدر، وبالنبرة الواثقة نفسها التي تكتب بها الأجزاء الصحيحة. الحل تدقيق قصير قبل أن يبدأ أحد البناء: تتبَّع كل ادعاء وصنّفه بأنه موثَّق أو مستنتَج أو مفترَض أو مختلَق. نسمّي هذا التدقيق Claim Trace، ويستغرق نحو 15 دقيقة.
أبرز النقاط
يدرج NIST «التلفيق» (confabulation) ضمن 12 خطرًا خاصًا بالذكاء الاصطناعي التوليدي أو تفاقمه، ويحذّر من أن النماذج قد تنتج أيضًا اقتباسات مختلقة تبرّر إجابة خاطئة (NIST، 2024).
تخمّن النماذج لأن التدريب والمعايير الاختبارية (benchmarks) تكافئ التخمين: من بين 10 معايير شائعة راجعتها ورقة بحثية عام 2025، لا يمنح 9 منها أي درجة مقابل «لا أعلم» (Kalai وآخرون، 2025).
في المواصفات، نادرًا ما تخترع الهلوسة ميزة. إنها تخترع سببًا: نمط استخدام، أو دافعًا للتخلّي عن المنتج، أو ترتيبًا لما هو «الأكثر طلبًا».
يقول 3% فقط من المطورين إنهم يثقون كثيرًا بدقة مخرجات الذكاء الاصطناعي، ويشكّك فيها 46% بنشاط (Stack Overflow، 2025). تستحق المواصفات الشك نفسه الذي يستحقه الكود.
أنفع ما يخرج به التدقيق ليس المواصفة المنقّحة، بل سجل الافتراضات الذي يصبح خطة الاستكشاف (discovery) لديك.
ما هي هلوسة المواصفات؟
هلوسة المواصفات نوع محدد مما يسميه NIST التلفيق: محتوى «confidently stated but erroneous or false» قد يضلّل القارئ (NIST AI 600-1). وتقع في المواصفة داخل أقسام المشكلة والسياق ومقاييس النجاح، وهي الأقسام التي يُفترض أن تأتي من الأدلة.
نادرًا ما تبدو كميزة مختلقة. فالميزة معقولة والبنية نظيفة. المختلَق هو المبرِّر:
«يصدّر المسؤولون البيانات يدويًا كل أسبوع.»
«كانت التقارير هي القدرة الأكثر طلبًا بين الحسابات المفقودة.»
«نتوقع ارتفاعًا ملحوظًا في التفعيل.»
كل منها يُقرأ كنتيجة. وقد لا تكون أيٌّ منها كذلك. قرأ النموذج آلاف مستندات PRD، فيُنتج شكل الدليل: سلوكًا، وشريحة، واتجاه تغيير. وإذا كانت مدخلاتك شحيحة، يملأ الفجوات بما هو نمطي إحصائيًا لمواصفة مثل مواصفتك.
يقسّم الباحثون الهلوسة إلى نوعين (Ji وآخرون، 2022)، ويظهر كلاهما في المواصفات:
النوع
التعريف
كيف يبدو في المواصفة
داخلية (Intrinsic)
المخرجات تناقض المصدر الذي أعطيته للنموذج
تقول ملاحظات مقابلاتك إن 3 من 12 عميلًا ذكروا التصدير؛ وتقول المواصفة «معظم العملاء»
خارجية (Extrinsic)
لا يمكن للمصدر أن يدعم المخرجات ولا أن ينفيها
تقول المواصفة «يقضي المسؤولون ساعات في الجداول الإلكترونية» ولا شيء مما قدّمته يذكر الوقت أصلًا
الهلوسات الخارجية هي الأصعب اكتشافًا، لأنه لا يوجد ما تُقارَن به. على القارئ أن يلاحظ أن جملة ما بلا مصدر، وهذا بالضبط ما يخفيه الأسلوب السلس.
لماذا تختلق نماذج الذكاء الاصطناعي ادعاءات في المواصفات؟
تذهب ورقة بحثية عام 2025 لباحثين في OpenAI وGeorgia Tech إلى أن النماذج تهلوس لأن التدريب والتقييم يكافئان التخمين على الاعتراف بعدم اليقين، تمامًا كطالب يخمّن في اختبار اختيار من متعدد (Kalai وآخرون، 2025). من بين 10 معايير واسعة الاستخدام راجعها المؤلفون، يصحّح 9 منها الإجابات بصرامة بصواب أو خطأ ولا يمنح أي رصيد مقابل «لا أعلم». وفي ظل هذا التقييم، يتفوق التخمين الواثق دائمًا على ترك الإجابة فارغة بأمانة.
وتشرح الورقة كذلك لماذا بعض الحقائق أكثر عرضة من غيرها. فإذا كانت 20% من نوع معيّن من الحقائق (مثالهم تواريخ ميلاد الأشخاص) ترد مرة واحدة فقط في بيانات التدريب، فمن المتوقع أن يهلوس النموذج الأساسي في 20% على الأقل من تلك الحقائق. وعندما سأل المؤلفون نموذجًا مفتوحًا كبيرًا عن تاريخ ميلاد وقالوا «أجب فقط إذا كنت تعرف»، أعطى ثلاثة تواريخ مختلفة كلها خاطئة.
طبّق ذلك على مواصفتك. الحقائق عن عملائك وحساباتك المفقودة وعادات مسؤوليك الأسبوعية ترد صفر مرة في أي بيانات تدريب. والطريقة الوحيدة التي يستطيع بها النموذج ذكرها هي أن تكون أنت قد زوّدته بها. وأي تفصيل عن مستخدميك لم تقدّمه هو، بحكم البنية، تخمين متنكر في هيئة نتيجة.
ويضيف NIST تحذيرًا آخر يهمّ مستندات المنتج: قد يتضمن النص المولَّد منطقًا أو اقتباسات ملفّقة تبرّر الإجابة، مما يجعل القرّاء أميل إلى تصديقها (NIST، 2024). والمواصفة التي تقول «كما أخبرنا العملاء في الربع الثالث» أكثر إقناعًا من التي تكتفي بالتقرير، سواء وُجدت محادثة الربع الثالث أم لا.
لماذا أصبحت هلوسة الذكاء الاصطناعي في المواصفات أغلى في 2026؟
تغيّرت ثلاثة أشياء في آن واحد.
انهارت كلفة الصياغة. كانت المواصفة تستغرق من مدير المنتج يومًا، وكان ذلك اليوم يفرض عليه الاحتكاك بالأدلة. أما الآن فتصل المسودة في أقل من دقيقة، قبل أن يعيد أحد فتح البحث.
لم تنهَر الكلفة اللاحقة. إذا بنى مهندس أو وكيل برمجة بالذكاء الاصطناعي انطلاقًا من المواصفة، تتحول فرضية مختلقة إلى كود يعمل خلال ساعات. وتكتشف أن الفرضية كانت مختلقة بعد إطلاق الميزة، لا قبله.
لم تتكيّف عادات المراجعة. تراجع الفرق المواصفات من حيث الوضوح والاكتمال والنبرة، وهي بالضبط الخصائص التي تنتجها النماذج اللغوية على أفضل وجه. وتكاد لا تراجع أي فرقة الأصل والمصدر. وقد تعلّم المطورون هذا الدرس مع الكود: يذكر 66% «حلول الذكاء الاصطناعي التي تكاد تكون صحيحة لكنها ليست كذلك تمامًا» كأكبر مصدر إحباط، ويقول 45% إن تصحيح الكود المولَّد بالذكاء الاصطناعي يستغرق وقتًا أطول (Stack Overflow، 2025). والمواصفة التي تكاد تكون صحيحة أسوأ، لأنه لا شيء يفشل عند التصريف.
والمستندات المهنية ليست بمنأى عن ذلك. ففي أكتوبر 2025 وافقت Deloitte على ردّ الدفعة الأخيرة من تقرير بقيمة 440 ألف دولار أسترالي لإحدى الوزارات الحكومية الأسترالية بعد أن عثر باحث على مراجع أكاديمية مختلقة واقتباس وهمي من حكم قضائي. وحذفت النسخة المصحَّحة أكثر من اثني عشر مرجعًا وحاشية زائفة، وأفصحت عن استخدام سلسلة أدوات قائمة على GPT-4o (The Register، 2025). ونادرًا ما تخضع المواصفة لهذا القدر من التدقيق الخارجي، ولهذا يجب أن يحدث الفحص داخل الفريق.
والحل ليس «لا تستخدم الذكاء الاصطناعي في الصياغة». بل إضافة خطوة المراجعة التي تخطّتها المسودة: تتبّع كل ادعاء إلى مصدره.
كيف تدقّق مواصفة كتبها الذكاء الاصطناعي؟ Claim Trace
اقرأ المواصفة مرة واحدة، جملة جملة. كل جملة تؤكد شيئًا عن المستخدمين أو السوق أو المنتج أو المستقبل تحصل على واحدة فقط من أربع تسميات.
التسمية
التعريف
الاختبار
ما تفعله بها
موثَّق
يشير إلى شيء يمكنك فتحه: مقابلة، تذكرة، نتيجة استعلام، قرار موقَّع
هل يستطيع زميل لم يكن حاضرًا أن ينقر ويرى الشيء نفسه؟
أرفق الرابط في موضعه
مستنتَج
خلاصة معقولة من مادة موثّقة، لكن الخلاصة نفسها جديدة
هل تستطيع تسمية المصادر التي استُنتجت منها؟
أرفق المصادر واجعل الاستنتاج ظاهرًا («بناءً على المكالمات الثلاث المرتبطة، نعتقد أن…»)
مفترَض
شيء يعتقده الفريق لكنه لم يتحقق منه
هل سيراهن أحد في الفريق بماله عليه دون تحقق؟
انقله إلى سجل الافتراضات مع مسؤول واختبار
مختلَق
لا مصدر ولا سلسلة استنتاج، ولا أحد يعرف من أين جاء
هل وضع إنسان أو مصدر هذا هنا، أم النموذج؟
احذفه أو حوّله إلى سؤال
موثَّق
عبارة «ثلاث من آخر خمس مكالمات إعداد أولي تذكر التصدير إلى جداول إلكترونية» موثَّقة إذا استطعت ربط تلك المكالمات الثلاث. والاختبار آلي: يستطيع زميل لم يكن في الغرفة فتح الرابط ورؤية الشيء نفسه.
مستنتَج
عبارة «يصدّر المسؤولون على الأرجح لأنهم يرفعون تقارير للإدارة» مستنتَجة من تلك المكالمات. لا بأس بذلك ما دامت موسومة ومرفقة بمصادرها. فالاستنتاج هو موضع حكم المنتج؛ والمشكلة فقط في الاستنتاج غير الموسوم.
مفترَض
الافتراضات ليست عيبًا. فالمواصفات تقوم عليها. الخلل يقع حين يُكتب الافتراض بالصوت نفسه الذي تُكتب به النتيجة، فيمتصّه القارئ بدل أن يتساءل عنه.
مختلَق
هذه هي التسمية الأهم. فالادعاءات المختلقة هي مساهمة النموذج في المستند، وهي التي ينبغي حذفها أو تحويلها إلى أسئلة.
لا تتجادل حول الحالات الحدّية بين التسميات. إذا ترددت بين مستنتَج ومفترَض، فاختر مفترَض. التسمية دعوة لتدقيق النظر، لا حكم نهائي.
كيف تُجري Claim Trace في 15 دقيقة؟
الدقائق 0-3: الاستخراج. انسخ كل ادعاء واقعي إلى قائمة مسودة. تجاوز المتطلبات الصرفة («يجب أن يكون التصدير بصيغة CSV»)؛ فهذه قرارات لا ادعاءات. ابحث عن الجمل التي تبدأ بـ«المستخدمون» أو «العملاء» أو «المسؤولون» أو «حاليًا» أو «معظم» أو «لأن» أو رقم.
الدقائق 3-8: التتبّع. لكل ادعاء، حاول العثور على المصدر في أقل من 60 ثانية. إن لم تستطع فليس موثَّقًا. لا تبحث عن مبرّر بعد الواقعة: البحث حتى يتطابق شيء ما تطابقًا فضفاضًا هو الطريقة التي تُغسل بها الادعاءات المختلقة لتصبح موثّقة.
الدقائق 8-12: التصرف وفق كل تسمية. الموثَّق يحصل على رابط. المستنتَج يحصل على روابط وتعليل ظاهر. المفترَض ينتقل إلى السجل مع مسؤول وأرخص اختبار. المختلَق يُحذف أو يُعاد كتابته كسؤال.
الدقائق 12-15: أعد قراءة المواصفة. إذا انهار قسم المشكلة عند إزالة الادعاءات المختلقة، فقد تعلمت أثمن ما يمكن للتدقيق أن يخبرك به: الميزة لا تملك مشكلة بعد.
قاعدة قرار بسيطة لنهاية الخطوة 4: إذا تبيّن أن أكثر من ثلث الادعاءات في قسم المشكلة مختلَق، فأعد المواصفة إلى الاستكشاف (discovery) بدل إرسالها إلى الهندسة.
كيف يبدو Claim Trace على مسودة حقيقية؟
خذ مسودة ذكاء اصطناعي مفترضة لكنها نمطية لميزة تصدير للمسؤولين. يقول قسم المشكلة:
يصدّر المسؤولون البيانات يدويًا كل أسبوع، ويقضون ساعات في الجداول الإلكترونية. التقارير هي الطلب الأول بين الحسابات المفقودة. وسيقلّل التصدير الأصلي من التخلّي عن المنتج.
أجرِ Claim Trace:
الادعاء
التسمية
الإجراء
يصدّر المسؤولون البيانات يدويًا كل أسبوع
مفترَض (ذكرته مكالمة واحدة، ولا شيء عن التكرار)
انقله إلى السجل؛ واختبره باستعلام عن الاستخدام
ويقضون ساعات في الجداول الإلكترونية
مختلَق
احذفه
التقارير هي الطلب الأول بين الحسابات المفقودة
مختلَق (لا يوجد أي ترتيب في أي مكان)
احذفه؛ واستبدله بسؤال
سيقلّل التصدير الأصلي من التخلّي عن المنتج
مفترَض
أبقِه كفرضية مع مقياس وتاريخ
أربعة ادعاءات: اثنان حُذفا، واثنان خُفّضا، ولا واحد موثَّق. وقسم المشكلة المعاد كتابته أقصر وأكثر صدقًا:
ذكرت مكالمة إعداد أولي واحدة (مرتبطة) تصدير بيانات الحساب إلى جدول إلكتروني. لا نعرف بعد كم مرة يصدّر المسؤولون ولا لماذا. سؤال مفتوح: ماذا قالت الحسابات المفقودة عند مغادرتها؟ فرضية: التصدير الأصلي يقلّل التخلّي عن المنتج بين الحسابات التي فيها أكثر من 5 مسؤولين. سنتحقق من هذا قبل أن نلتزم بالبناء.
ما زال هذا المستند قادرًا على أن يقود إلى البناء. لكن الفريق صار يعرف على ماذا يراهن، ويستطيع قارئه أن يعارض الافتراض بدل أن يمتصّه.
ماذا يوجد في سجل الافتراضات؟
السجل هو قائمة كل الادعاءات المفترَضة، وهو خطة الاستكشاف لديك. سجّل أربعة حقول لكل صف:
سجل الافتراضات: [اسم المواصفة]
| # | الافتراض (كما كُتب في المواصفة) | المسؤول | أرخص اختبار | القرار قبل |
|---|---|---|---|---|
| 1 | يصدّر المسؤولون بيانات الحساب أسبوعيًا | [الاسم] | استعلام عن النقرات على زر التصدير خلال آخر 30 يومًا | [التاريخ] |
| 2 | سيقلّل التصدير الأصلي من التخلّي عن المنتج | [الاسم] | اسأل 5 حسابات مفقودة لماذا غادرت، قبل البناء | [التاريخ] |
| 3 | | | | |
المواصفة التي لديها سجل قصير وله مسؤولون تستطيع التحرك بسرعة وأمان. أما المواصفة بلا سجل فإما أنها بلا افتراضات، وهذا شبه مستحيل، أو أنها أخفتها. ولمنهج أوفى في ترتيب الافتراضات بحسب الأهمية والأدلة، راجع دليلنا عن رسم خريطة الافتراضات، أو رتّبها على خريطة الافتراضات المجانية.
كيف تقلّل هلوسة الذكاء الاصطناعي في المواصفات قبل كتابتها؟
التتبّع اليدوي ينجح، لكنه يعتمد على الانضباط في اللحظة التي يكون فيها التخلي عنه أسهل ما يكون. الأفضل أن تطلب المصدر أثناء إنتاج المسودة. وتسرد وثائق Anthropic التقنيات الأساسية (Anthropic):
اسمح بـ«لا أعلم». أجز للنموذج صراحةً أن يقول إنه تنقصه معلومات.
اقتبس أولًا. في المدخلات الطويلة (تذكر Anthropic أكثر من 20 ألف رمز عتبةً)، اطلب من النموذج استخراج اقتباسات حرفية قبل أن يكتب أي شيء.
استشهد ثم تراجع. اطلب من النموذج، بعد صياغة المسودة، أن يجد اقتباسًا داعمًا لكل ادعاء وأن يحذف أي ادعاء لا يستطيع دعمه.
قيّد المعرفة. قل له أن يستخدم فقط المستندات التي زوّدته بها، لا معرفته العامة.
وتقترح ورقة Kalai فكرة أخرى: ذكر هدف ثقة في الموجِّه (prompt). مثلًا، أجب فقط إذا كنت واثقًا بأكثر من 75%، لأن الإجابة الخاطئة تكلّف نقطتين و«لا أعلم» لا تكلّف شيئًا (Kalai وآخرون، 2025). وبتطبيق ذلك على المواصفات، يعني أن تكافئ النموذج على كتابة «لا مصدر» بدل ملء الفجوة بسلاسة.
وهذا موجِّه جاهز يمكنك لصقه تحت أي طلب لمواصفة:
استخدم فقط ملاحظات البحث والتذاكر والبيانات التي أرفقتها.
لكل جملة عن المستخدمين أو العملاء أو السوق أو النتائج المتوقعة:
- أضف [S: المصدر] إذا كان عنصر مرفق محدد يدعمها،
- أضف [I: المصادر] إذا كانت استنتاجًا منك من عناصر مرفقة،
- أضف [A] إذا كانت افتراضًا بلا مصدر.
لا تذكر أرقامًا أو ترتيبات أو معدلات تكرار غير موجودة في المرفقات.
إذا لم يكن لقسم ما مادة داعمة، فاكتب «لا توجد أدلة بعد» واذكر
الأسئلة التي نحتاج إلى الإجابة عنها.
بعد الصياغة، تحقق من كل ادعاء [S] مقابل المرفق واحذف أي
ادعاء لا تستطيع دعمه باقتباس مباشر.
وتوضح Anthropic أن هذه التقنيات تقلّل الهلوسة لكنها لا تزيلها. الموجِّه يجعل Claim Trace أسرع؛ لكنه لا يحل محله. وإذا كنت تصوغ مستند PRD كاملًا بالذكاء الاصطناعي، فإن دليلنا إلى PRD بالذكاء الاصطناعي يغطي بقية سير العمل.
أخطاء شائعة عند فحص المواصفات التي يكتبها الذكاء الاصطناعي
المراجعة بحثًا عن الصقل بدل المصدر. الوضوح والنبرة هما ما تجيده النماذج أكثر. اسأل «من أين جاء هذا؟» قبل «هل هو مكتوب جيدًا؟»
البحث عن مصدر بعد الواقعة. إذا احتاج ادعاء إلى خمس دقائق من البحث ليُبرَّر، فقد كان مفترَضًا أو مختلَقًا حين كُتب.
معاملة المتطلبات كادعاءات. «يجب أن يدعم التصدير صيغة CSV» قرار. لا تهدر الدقائق الخمس عشرة في تتبّع القرارات.
تدقيق قسم المشكلة فقط. مقاييس النجاح تهلوس أيضًا. «ارتفاع بنسبة 15% في التفعيل» بلا خط أساس مختلَق، مهما بدا دقيقًا.
ترك السجل يتعفّن. افتراض بلا مسؤول وبلا تاريخ ليس سوى أمنية. وإذا لم يُراجَع السجل قبل بدء البناء، فقد كان التدقيق مسرحية.
أين يتوقف Claim Trace؟
تخبرك الطريقة هل لدى الادعاء مصدر. لكنها لا تخبرك هل المصدر جيد. فقد تصف مواصفة موثَّقة بالكامل الشيء الخاطئ، لأن المصادر قد تكون منحازة أو شحيحة أو غير ممثِّلة. اقرن التتبّع بفحص لجودة الأدلة: كم عدد المصادر المستقلة، وما مدى حداثتها، وما مدى قربها من قرار شراء أو استخدام حقيقي. وتقدم تدوينتنا عن ما الذي يُعدّ دليلًا لكل خطر من مخاطر المنتج مقياسًا سريعًا لذلك.
كما أنه يغطي جزءًا فقط من المخاطر. فمخاطر Marty Cagan الأربعة الكبرى هي القيمة وسهولة الاستخدام وإمكانية التنفيذ وجدوى العمل، ويضع القيمة والجدوى على عاتق مدير المنتج (SVPG، 2017). لقد جعل الذكاء الاصطناعي النموذج الأولي العامل رخيصًا، مما يقلّص بعض أسئلة إمكانية التنفيذ. لكنه لم يجعل معرفة القيمة أو الجدوى أسهل، وهما بالضبط القسمان اللذان تتركّز فيهما الادعاءات المختلقة.
يكون Claim Trace أسهل عندما يُلتقَط المصدر لحظة الكتابة. وهذا هو موقف التصميم وراء Specky. فالمقابلات والتذاكر والملاحظات والقرارات تعيش كعُقد مترابطة في Product Graph، وعندما يصوغ الذكاء الاصطناعي مواصفة أو رؤية (insight) فإنه يستشهد داخل النص بالأدلة المحددة التي استخدمها. وتصل المسودات إلى PM Inbox للمراجعة البشرية بدل أن تدخل السجل مباشرة، فيستطيع المراجِع أن يرى أي الجمل تحمل استشهادات وأيها لا تحمل شيئًا. ويمكنك محاكاة الأمر نفسه في أي أداة باستخدام الموجِّه أعلاه؛ والمهم أن يكون «لا مصدر» ظاهرًا لا مخفيًا.
الأسئلة الشائعة
ما هي هلوسة الذكاء الاصطناعي في المواصفات؟
هي أن يذكر PRD أو مواصفة كتبها الذكاء الاصطناعي شيئًا عن المستخدمين أو السوق أو النتائج المتوقعة لا يدعمه أي مصدر، وبالنبرة الواثقة نفسها للأجزاء الموثَّقة. وتظهر عادةً في صورة سبب مختلَق (نمط استخدام، أو ترتيب، أو دافع للتخلّي عن المنتج) أكثر منها ميزة مختلقة، ولهذا يفوتها المراجعون.
كم يستغرق Claim Trace؟
نحو 15 دقيقة لمواصفة نمطية من صفحة إلى ثلاث صفحات: 3 دقائق لاستخراج الادعاءات، و5 لتتبّعها، و4 للتصرف وفق كل تسمية، و3 لإعادة القراءة. امنح نفسك 60 ثانية لكل ادعاء للعثور على مصدر. وتتناسب المواصفات الأطول تقريبًا مع عدد الادعاءات الواقعية، لا مع عدد الصفحات.
هل يمكنني أن أطلب من الذكاء الاصطناعي فحص مواصفته بنفسه بحثًا عن الهلوسة؟
جزئيًا. فطلب أن يجد النموذج اقتباسًا داعمًا لكل ادعاء وأن يتراجع عن أي ادعاء لا يستطيع دعمه هو إحدى التقنيات التي توصي بها Anthropic، ويلتقط كثيرًا من الهلوسات الخارجية. لكنه لا يكفي وحده، لأن النموذج قد يسيء قراءة مصدر أو يقتبس شيئًا لا يدعم الادعاء فعلًا. ويظل على إنسان أن يتحقق من الروابط.
ما الفرق بين الافتراض والهلوسة؟
الافتراض اعتقاد يحمله الفريق ويعرف أنه لم يتحقق منه. أما الهلوسة فادعاء بلا أصل لم يكن أحد في الفريق يعتقد به إلى أن كتبه النموذج. والافتراضات الموسومة مفيدة لأنها تتحول إلى اختبارات. أما الهلوسات فينبغي حذفها أو تحويلها إلى أسئلة.
هل ينبغي أن نتوقف عن استخدام الذكاء الاصطناعي في كتابة PRD؟
لا. فالصياغة بالذكاء الاصطناعي توفّر وقتًا حقيقيًا في البنية والحالات الحدّية والصياغة. المخاطرة تكمن في أقسام الأدلة. زوّد النموذج بالبحث والتذاكر والبيانات كمدخلات، واطلب منه وسم المصادر والافتراضات، وأجرِ Claim Trace قبل أن تذهب المواصفة إلى الهندسة أو إلى وكيل برمجة.
ماذا أفعل إذا كان معظم قسم المشكلة مختلَقًا؟
أوقف البناء وارجع إلى الاستكشاف. إذا كان أكثر من ثلث ادعاءات المشكلة مختلقًا، فليس للميزة مشكلة مثبتة بعد. حوّل كل ادعاء مختلَق إلى سؤال، واختر السؤالين اللذين سيغيّران القرار أكثر من غيرهما، واختبرهما أولًا بمقابلات أو باستعلام عن الاستخدام أو بمراجعة تذاكر الدعم.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing