Sztuczna inteligencja przyspiesza rozwój oprogramowania, ale jednocześnie zwiększa ryzyko niespójności i błędów w kodzie. Analizy repozytoriów pokazują, że kod współtworzony przez AI może zawierać nawet 1,7 razy więcej problemów niż kod pisany wyłącznie przez ludzi, głównie z powodu braku kontekstu dla modeli.

W świecie, w którym nad jednym systemem może pracować wielu agentów AI, kluczowe staje się stworzenie wspólnego kontraktu architektonicznego, który definiuje zasady działania systemu. Taką rolę zaczyna pełnić specyfikacja projektowa.

Specyfikacja przestaje być jedynie dokumentacją. Staje się interfejsem współpracy między ludźmi, kodem i agentami AI.

Dla organizacji oznacza to zmianę podejścia do developmentu: zamiast skupiać się wyłącznie na pisaniu kodu, zespoły technologiczne coraz częściej koncentrują się na precyzyjnym definiowaniu zasad, architektury i intencji systemu.

Problem kontekstu w pracy z AI

Programista pracujący nad systemem posiada wiele informacji, które nie są zapisane w kodzie:

  • decyzje architektoniczne
  • konwencje projektowe
  • zasady bezpieczeństwa
  • sposób komunikacji między modułami

Dla zespołu są to często oczywiste elementy codziennej pracy. Dla modeli AI – jeśli nie zostaną opisane – po prostu nie istnieją.

W rezultacie AI może wygenerować kod, który działa lokalnie, ale nie pasuje do reszty systemu. Typowe problemy to:

  • naruszenie przyjętej architektury
  • niespójne interfejsy
  • implementacja logiki w niewłaściwym miejscu
  • brak zgodności z zasadami bezpieczeństwa

Dlatego coraz większą rolę odgrywa zarządzanie kontekstem dla AI, czyli dostarczanie modeli informacji o zasadach działania systemu.

Specyfikacja jako kontrakt między człowiekiem a AI

Jednym z podejść do rozwiązania tego problemu jest Spec-Driven Development.

W tym modelu specyfikacja nie jest tylko dokumentacją projektu. Pełni rolę kontraktu, który definiuje zasady działania systemu.

Specyfikacja opisuje m.in.:

  • architekturę systemu
  • konwencje projektowe
  • kontrakty API
  • zasady bezpieczeństwa
  • sposób obsługi błędów

Dzięki temu zarówno programiści, jak i narzędzia AI działają w oparciu o ten sam zestaw reguł.

Zamiast ogólnego polecenia dla AI, agent otrzymuje kontekst, który określa:

  • jak wygląda architektura aplikacji
  • gdzie powinna znajdować się logika biznesowa
  • jakie standardy obowiązują w projekcie

Efektem jest kod lepiej dopasowany do istniejącego systemu.

Koordynacja wielu agentów AI

Znaczenie specyfikacji rośnie szczególnie w środowiskach, w których nad jednym projektem pracuje jednocześnie wielu agentów AI.

W takim scenariuszu jeden agent może generować moduł płatności, drugi system powiadomień, a trzeci panel administracyjny. Bez wspólnego zestawu zasad każdy z nich może przyjąć inne konwencje i struktury komunikacji.

Rezultatem są problemy integracyjne oraz dodatkowy czas potrzebny na ręczne poprawki.

Specyfikacja działa wówczas jak wspólny protokół współpracy, który zapewnia spójność systemu – niezależnie od tego, czy kod tworzy człowiek, czy AI.

Ryzyka i ograniczenia

Podejście oparte na specyfikacji nie jest pozbawione wyzwań.

Największym ryzykiem jest tzw. spec drift, czyli sytuacja, w której specyfikacja przestaje odpowiadać rzeczywistemu kodowi. W takim przypadku AI może generować implementacje zgodne z dokumentacją, ale niezgodne z aktualnym systemem.

Drugim wyzwaniem jest koszt utrzymania specyfikacji. Tworzenie i aktualizowanie dokumentacji wymaga czasu i dyscypliny zespołu.

Istnieje również ryzyko tzw. „specification theater” – tworzenia rozbudowanej dokumentacji, która w praktyce nie jest używana w procesie developmentu.

Dlatego kluczowe jest traktowanie specyfikacji jako praktycznego narzędzia wspierającego pracę zespołu, a nie formalnego obowiązku.

Zmiana roli zespołów IT

Rozwój AI zmienia charakter pracy zespołów technologicznych.

Coraz częściej ich zadaniem nie jest jedynie implementacja kodu, lecz przede wszystkim:

  • definiowanie architektury systemu,
  • precyzowanie wymagań biznesowych,
  • nadzorowanie pracy agentów AI,
  • weryfikacja zgodności implementacji z założeniami.

Oznacza to przesunięcie pracy zespołów IT w stronę wyższego poziomu abstrakcji – od pisania kodu do definiowania intencji systemu.

Action Plan

Organizacje nie muszą od razu wdrażać pełnego modelu pracy opartego na specyfikacjach. Najlepszym podejściem jest wdrażanie zmian stopniowo i mierzenie efektów.

1. Zdefiniuj podstawowe zasady projektu

Stwórz krótki dokument zawierający:

  • stack technologiczny
  • konwencje architektoniczne
  • zasady bezpieczeństwa
  • standardy integracji API

To pierwszy krok do stworzenia wspólnego kontekstu dla ludzi i AI.

‍

2. Wprowadź specyfikację dla nowych funkcji

Przed rozpoczęciem implementacji nowych funkcjonalności:

  • zapisz cel biznesowy
  • określ dane wejściowe i wyjściowe
  • zdefiniuj scenariusze błędów
  • wskaż miejsce w architekturze

Taki dokument może powstać w 10–15 minut, ale znacząco poprawia jakość generowanego kodu.

‍

3. Połącz specyfikację z procesem code review

Podczas przeglądu kodu sprawdzaj nie tylko jego jakość techniczną, ale również:

  • zgodność implementacji ze specyfikacją
  • spójność z architekturą systemu
  • zgodność z zasadami bezpieczeństwa

4. Zacznij mierzyć efekty

Najważniejsze jest zbieranie danych. Monitoruj:

  • liczbę poprawek w kodzie generowanym przez AI
  • czas integracji nowych modułów
  • liczbę błędów produkcyjnych

Dzięki temu można ocenić realną wartość wprowadzonych zmian.

‍

5. Buduj fundament pod systemy multi-agentowe

W ciągu najbliższych lat organizacje będą coraz częściej wykorzystywać wiele agentów AI pracujących równolegle nad jednym systemem.

Firmy, które już dziś posiadają spójną specyfikację architektury i zasad projektowych, będą w stanie szybciej wykorzystać potencjał takich systemów.

Wnioski

Sztuczna inteligencja zmienia sposób tworzenia oprogramowania. W świecie, w którym coraz więcej kodu generują systemy AI, kluczowe znaczenie zyskuje jasne definiowanie zasad i kontekstu działania systemu.

Specyfikacja nie jest już tylko dokumentacją projektu. Staje się narzędziem zarządzania współpracą między ludźmi a AI.

Kod może wygenerować AI. Ale to człowiek nadal odpowiada za to, co system ma robić i dlaczego.

‍
Autor:

‍

Artur Sawicki
Architekt, Asseco Poland

‍