Kiro для бізнес-аналітика: від транскрипції зустрічі до перевіреної user story
Практичний досвід використання агентного AI-середовища Kiro у роботі бізнес-аналітика: контекст, вимоги, review, прототипи та людська валідація.
Автор: Максим Козак
AI вже вміє створювати чернетки вимог, узагальнювати зустрічі та пропонувати acceptance criteria. Проте між швидко згенерованим текстом і якісним аналітичним артефактом залишається велика відстань. Її не можна подолати одним «правильним промптом».
У цій статті я розповім про практичний досвід роботи з Kiro - агентним AI-середовищем від AWS. Покажу, чим воно відрізняється від звичайного чат-бота, які завдання бізнес-аналітик може йому делегувати та як побудувати контрольований процес від транскрипції зустрічі до user story і прототипу.
Головна теза проста: Kiro не замінює бізнес-аналітика. Він скорочує механічну й ітеративну роботу, а відповідальність за контекст, рішення та валідацію залишається за людиною.
Чому звичайного AI-чату часто недостатньо

Робота бізнес-аналітика розподілена між багатьма джерелами. Є нотатки із зустрічей, листування, PRD, бізнес-правила, глосарій, backlog, API-документація та чинна реалізація. Щоб підготувати одну user story, іноді доводиться вручну збирати контекст із кількох місць.
Звичайний чат-бот переважно працює з тим, що ми вставили у вікно діалогу. Kiro працює безпосередньо з файлами проєкту: може читати їх, створювати й редагувати артефакти та виконувати дозволені команди. За потреби його можливості можна розширити через Model Context Protocol (MCP).
Офіційна документація AWS описує Kiro як агентний сервіс, що допомагає перетворювати запити на детальні специфікації, а потім - на код, документацію і тести. Для BA тут важливий не лише фінальний код. Цінність починається раніше: коли потрібно зібрати факти, знайти суперечності, структурувати вимоги та підготувати матеріал до командного review.
Kiro побудований на звичній основі VS Code. Тому поруч із чатом є редактор, дерево файлів, контроль змін і можливість працювати з проєктом як із цілісною системою, а не з набором окремих повідомлень.
Що можна делегувати, а що має залишитися за BA

AI добре виконує роботу, де потрібно швидко опрацювати великий обсяг тексту за чіткими правилами. Наприклад:
структурувати транскрипцію інтерв’ю або воркшопу;
підготувати першу чернетку user story;
сформулювати acceptance criteria;
знайти неоднозначності, прогалини та крайні випадки;
зіставити вимоги з PRD, бізнес-правилами або API;
адаптувати той самий зміст для стейкхолдера, QA та розробника;
створити простий HTML-прототип для обговорення.
Водночас Kiro не знає бізнес краще за команду. Він не повинен самостійно визначати, яка проблема важливіша, перетворювати припущення на рішення чи погоджувати компроміси від імені стейкхолдерів.
За бізнес-аналітиком залишаються:
розуміння бізнес-проблеми та очікуваної цінності;
вибір надійних джерел контексту;
перевірка фактів і припущень;
визначення scope і пріоритетів;
фасилітація рішень;
погодження результату з командою та стейкхолдерами.
Такий розподіл відповідальності захищає від однієї з найпоширеніших помилок: коли грамотно написаний текст сприймають як правильну вимогу. Впевнене формулювання ще не робить інформацію правдивою.
Формула якісної роботи: контекст → завдання → формат → валідація

Чотири кроки керованої роботи з AI.
Під час роботи з Kiro я використовую чотири послідовні кроки.
1. Контекст
Спочатку агенту потрібні підтверджені факти, джерела та обмеження. У Kiro можна долучати окремі файли або папки. Наприклад, для написання user story це можуть бути:
elicitation result із таймкодами;
PRD;
business rules;
glossary;
пов’язані stories;
decision log.
Глосарій має особливе значення. Якщо в компанії слова «заклад», «магазин», «ресторан» або «точка видачі» означають різні сутності, модель має отримати ці визначення. Інакше вона може непомітно змішати терміни та створити логічну помилку.
Контекст також має межі. Конфіденційні дані не можна передавати лише тому, що вони можуть бути корисними моделі. Використовуйте дозволені джерела, знеособлюйте інформацію та дотримуйтеся політик компанії.
2. Завдання
Запит має пояснювати роль агента, мету та межі роботи. Замість «напиши вимоги» краще сформулювати завдання так:
Проаналізуй elicitation result як бізнес-аналітик. Відокрем підтверджені рішення від припущень, знайди суперечності та склади перелік відкритих питань. Не створюй нових бізнес-правил і не перетворюй відкриті питання на acceptance criteria. |
Таке формулювання визначає не тільки бажаний результат, а й заборонені дії. Для агентної роботи це критично.
3. Формат
Формат робить результат придатним для перевірки. Це може бути таблиця з колонками «твердження», «тип», «джерело», «таймкод»; user story за INVEST; Gherkin-сценарії; список ризиків із пріоритетами; окремий блок open questions.
Якщо формат не визначити, агент сам вирішить, як організувати відповідь. Вона може виглядати переконливо, але бути незручною для подальшої роботи.
4. Валідація
Жоден результат не варто автоматично переносити в Jira, Confluence або продуктову документацію. Спочатку BA перевіряє факти, джерела, термінологію та відповідність scope. Потім потрібні зауваження інших ролей: QA допоможе знайти нетестовані критерії, архітектор — інтеграційні ризики, стейкхолдер — помилки в бізнес-логіці.
AI може провести додатковий review з погляду іншої ролі. Але його зауваження також залишаються пропозиціями, а не рішеннями.
Практичний кейс: функція «Повторити замовлення»

Від транскрипції зустрічі до HTML-прототипу.
На вебінарі я показував робочий процес на прикладі онлайн-сервісу доставки їжі. Початковий запит стейкхолдера звучав просто: «Користувач має швидко повторювати попередні замовлення».
За цим реченням приховано багато запитань. Які замовлення доступні для повторення? Що робити з товарами, яких уже немає? Яку ціну використовувати? Чи потрібно повторювати спосіб оплати? Як поводитися з непорожнім кошиком, зміненою адресою або недоступним закладом?
Процес складався з чотирьох етапів.
Етап 1. Транскрипція → elicitation result
Окремий агент опрацював .vtt-транскрипцію зустрічі між BA, PO, Tech Lead і представницею бізнесу. Його завданням було зафіксувати сказане, а не домислити відсутні рішення.
У результаті ми отримали структурований звіт із:
метою та учасниками зустрічі;
погодженими рішеннями;
відкритими питаннями;
темами поза scope;
таймкодами для перевірки першоджерела.
Наприклад, команда погодила період доступності попередніх замовлень, використання актуальних цін і те, що оплата не повинна повторюватися автоматично. Питання щодо адреси й непорожнього кошика залишилися відкритими. Агент не мав права «закрити» їх найбільш імовірною відповіддю.
Етап 2. Elicitation result → user story
Наступний агент отримав звіт, PRD, бізнес-правила та глосарій. Перед написанням story він мав поставити уточнювальні питання.
Результатом стала окрема user story з:
формулюванням «Як…, я хочу…, щоб…»;
acceptance criteria у форматі Given / When / Then;
залежностями та крайніми випадками;
посиланнями на джерела й бізнес-ціль;
окремим переліком відкритих питань.
Цей поділ важливий: незакрите питання не повинно непомітно стати acceptance criterion лише тому, що модель запропонувала правдоподібний сценарій.
Етап 3. Review іншою роллю
Інший агент перевірив story як QA lead і solution architect. Він шукав неоднозначні формулювання, критерії, які неможливо протестувати, пропущені сценарії та ризики для даних, платежів й інтеграцій.
Такий review допомагає швидко розширити кут огляду, але не замінює командне обговорення. Кожне зауваження потрібно оцінити в контексті продукту. Частина пропозицій стане змінами, частина - питаннями до стейкхолдера, а деякі виявляться нерелевантними.
Етап 4. User story → HTML-прототип
Після погодження story Kiro створив один самодостатній HTML-файл без збірки та зовнішніх залежностей. Його можна було відкрити у браузері й показати стейкхолдерам.
Прототип допоміг перетворити абстрактні acceptance criteria на видимий сценарій. Коли люди бачать екран і взаємодію, вони швидше помічають розбіжності: незрозуміле повідомлення, пропущений стан, хибний порядок дій.
Проте прототип не стає новим джерелом істини. Якщо під час демонстрації знайшли невідповідність, потрібно повернутися до story, погодити рішення та оновити вимоги.
Як запустити перший пілот
Не варто одразу намагатися автоматизувати весь BA-процес. Виберіть одну невелику feature-задачу з достатнім контекстом і пройдіть такий цикл:
1. Підготуйте безпечний набір джерел.
2. Опишіть роль агента, мету та межі.
3. Позначте джерела підтверджених фактів.
4. Задайте точний формат результату.
5. Вимагайте окремо показувати припущення й відкриті питання.
6. Працюйте короткими ітераціями та створюйте нову сесію для окремого завдання, щоб не перевантажувати контекст.
7. Проведіть review з погляду іншої ролі.
8. Переносьте до продуктових документів лише перевірені й погоджені рішення.
Для оцінки пілоту можна виміряти час підготовки першої чернетки, кількість знайдених до командного review прогалин, кількість повернень story на доопрацювання та суб’єктивну оцінку корисності командою. Мета — перевірити реальну користь, а не просто продемонструвати, що AI здатний генерувати текст.
Антипатерни, яких варто уникати
Один великий промпт. Запит «проаналізуй усе і напиши повну специфікацію» змішує дослідження, рішення, написання та перевірку. Декомпозиція робить помилки видимими.
Відсутність джерел. Якщо агент не показує, звідки взяв твердження, BA складніше відрізнити факт від припущення. Для транскрипцій вимагайте таймкоди, для вимог — посилання на документи.
Автоматичне прийняття результату. Гарно оформлена user story може суперечити бізнес-правилам або містити вигадане рішення. Перевірка людиною обов’язкова.
Одна нескінченна сесія. Зайвий контекст погіршує керованість роботи. Для різних завдань краще створювати окремі сесії та передавати в кожну лише потрібні джерела.
Порушення правил роботи з даними. Передавання внутрішньої або персональної інформації має відповідати політикам організації та умовам використання інструмента.
Що змінюється в ролі бізнес-аналітика
Коли першу чернетку можна отримати за хвилини, цінність BA зміщується від механічного написання тексту до керування якістю мислення. Потрібно краще визначати проблему, будувати систему контексту, відокремлювати факти від припущень, ставити обмеження агенту та організовувати валідацію.
Саме тут агентне середовище дає найбільший ефект. Kiro може швидко структурувати матеріали, підтримувати короткі ітерації та дивитися на артефакт із різних професійних ролей. BA забезпечує те, чого інструмент не має: знання організації, відповідальність за рішення та комунікацію між людьми.
Почніть з одного сценарію: перетворіть discovery-нотатки на список фактів, scope, відкриті питання та першу user story. Порівняйте час і якість із вашим звичним процесом. Якщо результат справді корисний, додайте review і прототипування.
Швидкість дає Kiro. Якість з’являється завдяки контексту, ітераціям і професійній перевірці бізнес-аналітика.
————————————————————————————
Джерела та додаткові матеріали
Інформацію з відкритих вебджерел перефразовано відповідно до ліцензійних обмежень
Від редакції: Якщо ви хочете опанувати використання ШІ в бізнес-аналізі, зверніть увагу на наші курси "Applied AI for Business Analysts" та "Applied AI for BA: Automation, Modeling & Analytics"
Новини та статті з бізнес-аналізу:

