Główne trendy wykorzystania AI w pracy analityków i architektów na podstawie przeglądu literatury naukowej

1. Wprowadzenie

Z przeglądu wybranych publikacji naukowych wynika, że analitycy i architekci wykorzystują sztuczną inteligencję nie tylko do redagowania tekstu. Zastosowania te można podzielić na trzy poziomy:

1. Warstwa wytwarzania artefaktów – wymagania, modele dziedziny i BPMN, warianty architektury, opisy modułów oraz zapisy decyzji architektonicznych.
2. Warstwa kontroli – ocena jakości wymagań, wykrywanie niespójności, walidacja składniowa i semantyczna, odtwarzanie powiązań oraz ocena zgodności architektury.
3. Warstwa wykonawcza – agenci AI, którzy planują zadania, korzystają z repozytoriów i narzędzi, przekazują część pracy wyspecjalizowanym agentom oraz przedstawiają człowiekowi wyniki wraz z dowodami.

Obecny poziom dojrzałości tych rozwiązań nie pozwala traktować ich jak samodzielnych analityków lub architektów. Trafniejszym ujęciem jest współpraca człowieka z AI. Człowiek określa intencję i kontekst, ustala kryteria oceny oraz podejmuje ostateczną decyzję. Sztuczna inteligencja przeszukuje materiały, proponuje warianty, wykonuje kontrole oparte na ustalonych regułach i gromadzi dowody.

Kryterium uznania za trend

Za trend uznano taki sposób wykorzystania AI w analizie biznesowej i systemowej lub architekturze IT, który spełnia co najmniej jeden z następujących warunków:

• występuje w przeglądzie systematycznym lub wieloźródłowym jako wyodrębniona kategoria zastosowań;
• został poddany badaniu empirycznemu na artefaktach analitycznych lub architektonicznych;
• pojawia się w kilku źródłach jako luka badawcza, a jego praktyczna wykonalność wzrosła wraz z rozwojem modeli, narzędzi i systemów agentowych.

Trzy poziomy wiarygodności oceny

Każdemu trendowi przypisano jeden z trzech poziomów wiarygodności:

2. Trendy w analizie biznesowej i systemowej

Trend 1. Opracowywanie pierwszych wersji wymagań na podstawie nieformalnych materiałów

Wnioski z przeglądu. Badania nad generatywną AI w inżynierii wymagań dotyczą przede wszystkim analizy (30,0%), pozyskiwania (22,1%) i specyfikowania wymagań (22,1%). Na zarządzanie wymaganiami przypada zaledwie 6,8% prac [S1, s. 12–13]. Paiva i in. wykazali, że modele potrafią przekształcać krótkie tytuły zgłoszeń funkcjonalności w prawidłowo zbudowane zdania wymagań. W 900 próbach średnie oceny jednoznaczności, weryfikowalności i pojedynczości przekraczały 4,2 w skali pięciostopniowej. Jakość zależała jednak w dużym stopniu od przejrzystości materiału wejściowego [S6, s. 1, 12–13].

Znaczenie dla praktyki. Sztuczna inteligencja dobrze nadaje się do przygotowania wstępnej wersji wymagania na podstawie notatki, zgłoszenia, protokołu spotkania lub wiadomości. Taki szkic nie potwierdza jednak kompletności, konieczności ani wykonalności wymagania. Nie rozstrzyga też, czy zapis odpowiada intencji interesariusza. Prawidłowo sformułowane zdanie nie musi być poprawnym wymaganiem projektowym.

Trend 2. Automatyczna kontrola jakości wymagań względem norm i reguł organizacji

Wnioski z przeglądu. W badaniu Paivy i in. odrębny model oceniał wymagania według trzech cech określonych w normie ISO/IEC/IEEE 29148:2018: jednoznaczności, weryfikowalności i pojedynczości. Jego oceny w istotnym stopniu pokrywały się ze zbiorczą oceną pięciorga badaczy. Zgodność w granicach ±1 punktu wynosiła 72–96% [S6, s. 1, 20]. Badanie nie obejmowało konieczności, kompletności, wykonalności ani adekwatności dziedzinowej, ponieważ ocena tych cech wymaga znajomości kontekstu [S6, s. 20]. Z przeglądu S1 wynika ponadto, że walidację wymagań zbadano słabiej niż ich analizę i tworzenie [S1, s. 13].

Znaczenie dla praktyki. Model oceniający sprawdza się na pierwszym etapie kontroli jakości. Nie powinien jednak samodzielnie zatwierdzać artefaktu wygenerowanego wcześniej przez model z tej samej rodziny. Taki układ zwiększa ryzyko skorelowanego błędu i pozornego poczucia pewności.

Trend 3. Zespół agentów AI o wyspecjalizowanych rolach zamiast pojedynczego asystenta

Wnioski z przeglądu. Sami i in. zbudowali system, w którym agenci pełnili m.in. role właściciela produktu, specjalisty ds. zgodności i stratega AI. System wspierał tworzenie i priorytetyzację wymagań dotyczących wdrożenia AI w organizacji. W studiach przypadku siedmioro z dziewięciorga uczestników uznało wymagania za istotne, a sześcioro za zgodne z celami organizacji [S5, s. 1]. Wszystkie organizacje zgłosiły potrzebę poprawy przejrzystości, użyteczności i skalowalności rozwiązania [S5, s. 1, 19–20].

Znaczenie dla praktyki. Rozdzielenie pracy między agentów AI pozwala uwzględnić różne perspektywy i przeprowadzić uporządkowany przegląd adwersaryjny. Agent pełniący rolę „inspektora ochrony danych” nie zyskuje jednak wiedzy, mandatu ani odpowiedzialności prawdziwego inspektora.

Trend 4. Iteracyjna współpraca człowieka z AI zamiast pełnej automatyzacji

Wnioski z przeglądu. W badaniu S5 udział ludzi był niezbędny do doprecyzowania szczegółów technicznych, osadzenia wyników w kontekście i weryfikacji priorytetów. Dwie rundy informacji zwrotnej zwykle poprawiały kompletność i wykonalność wyników [S5, s. 1, 19]. Błędy i nadmiarowe treści nie znikały jednak mimo walidacji, a system nie był gotowy do autonomicznej pracy [S5, s. 21]. Autorzy S6 formułują podobny wniosek: wyniki należy traktować jako szkice, które człowiek następnie dopracowuje [S6, s. 20].

Znaczenie dla praktyki. Udział człowieka nie sprowadza się do poprawiania błędów. Obejmuje interpretację kontekstu, rozstrzyganie konfliktów wartości, ocenę wykonalności i odpowiedzialność za decyzję.

Trend 5. Inżynieria kontekstu i ugruntowanie odpowiedzi w wiedzy dziedzinowej

Wnioski z przeglądu. Z przeglądu S1 wynika, że dominowały proste zastosowania pojedynczego modelu oraz instrukcje bez przykładów. Rzadko wykorzystywano architektury hybrydowe, RAG, narzędzia zewnętrzne, układy wieloagentowe i zaawansowane strategie rozumowania [S1, s. 16]. W przeglądzie architektonicznym S4 RAG wystąpił tylko raz, podobnie jak szablonowe formułowanie instrukcji. Użycie bez przykładów stanowiło 70% zidentyfikowanych technik [S4, s. 8, 11]. Autorzy obu prac uznają wzbogacanie kontekstu i RAG za sposoby zwiększania wiarygodności [S1, s. 16; S4, s. 9–11].

Znaczenie dla praktyki. O jakości wyniku nie decyduje samo „lepsze polecenie”. Istotniejszy jest starannie dobrany pakiet kontekstu, obejmujący słownik, cele produktu, reguły biznesowe, decyzje architektoniczne, ograniczenia regulacyjne, wzorce dokumentacyjne i aktualne artefakty.

Trend 6. Automatyczne śledzenie powiązań, analiza wpływu zmian i zarządzanie wymaganiami

Wnioski z przeglądu. Zarządzanie wymaganiami stanowiło zaledwie 6,8% badań objętych przeglądem S1, co czyni je najsłabiej reprezentowaną fazą. Autorzy uznają analizę wpływu zmian i automatyczne odtwarzanie powiązań za kierunki obiecujące, lecz niedostatecznie rozwinięte [S1, s. 12–13]. W badaniach dotyczących architektury duże modele językowe służą już jako klasyfikatory przy odtwarzaniu powiązań [S4, s. 6]. Z kolei S3 zalicza utrzymywanie zgodności i śledzenie relacji między rozwijanym systemem a decyzjami do sześciu zasadniczych wyzwań [S3, s. 15–16].

Znaczenie dla praktyki. Z perspektywy biznesowej ten obszar może przynieść więcej korzyści niż samo redagowanie wymagań. Wymaga jednak stabilnych identyfikatorów, wersjonowania i integracji z repozytoriami. Podobieństwo semantyczne nie jest jeszcze dowodem związku przyczynowego ani implementacyjnego.

Trend 7. Wstępne modele dziedziny jako pomoc poznawcza i źródło ryzyka zakotwiczenia

Wnioski z przeglądu. W eksperymencie ze 127 studentami początkowy model dziedziny wygenerowany przez duży model językowy zwiększał kompletność rozpoznawania klas w prostych projektach. Poprawiał też trafność identyfikacji relacji w projektach prostych i złożonych. Uczestnicy zachowali jednak średnio 85% poprawnych oraz aż 67% błędnych klas z modelu początkowego [S7, s. 1]. Autorzy zwracają uwagę na silne przywiązanie do pierwszej propozycji i ograniczenie samodzielnego rozumowania [S7, s. 31].

Znaczenie dla praktyki. Model dziedziny przygotowany przez AI może przyspieszyć rozpoczęcie analizy. Zawarte w nim błędy łatwo jednak przenikają do dalszej pracy i kształtują sposób myślenia analityka. Ryzyko jest szczególnie duże, gdy diagram sprawia wrażenie profesjonalnego i spójnego.

Trend 8. Konwersacyjne generowanie modeli procesów BPMN 2.0

Wnioski z przeglądu. BPMNGen przekształca opisy w języku naturalnym w modele BPMN 2.0 i umożliwia ich iteracyjne dopracowywanie. W prostszych przypadkach modele generowane automatycznie osiągały dokładność semantyczną porównywalną z modelami eksperckimi. W części scenariuszy o umiarkowanej złożoności były też lepiej rozumiane. W najbardziej złożonym scenariuszu lepszy okazał się model ekspercki [S8, s. 2, 18, 20, 22–23]. Badanie nie obejmowało niezawodnego generowania m.in. przepływów komunikatów, współpracy, podprocesów ani pełnego zakresu BPMN 2.0 [S8, s. 22].

Znaczenie dla praktyki. Podczas warsztatu odkrywczego sztuczna inteligencja może skrócić drogę od opisu procesu do pierwszego modelu. Wynikiem nie powinien być jednak wyłącznie obraz diagramu. Potrzebny jest poprawny model wymienny, który można zwalidować i dalej edytować.

Trend 9. Priorytetyzacja wymagań i celów z użyciem AI

Wnioski z przeglądu. System opisany w S5 wspierał zarówno tworzenie, jak i priorytetyzację wymagań strategicznych. Użytkownicy uznali tę funkcję za użyteczną, oczekiwali jednak uzasadnień, możliwości ręcznej korekty i rejestru przesłanek. Autorzy podkreślają, że człowiek musi zweryfikować priorytety i dostosować je do kontekstu organizacyjnego [S5, s. 1, 19–20].

Znaczenie dla praktyki. Model może konsekwentnie zastosować wskazaną metodę punktową, przeprowadzić analizę wrażliwości i ujawnić konflikty. Nie ma jednak mandatu do ustalania wag ani rozstrzygania między sprzecznymi interesami.

3. Trendy w architekturze oprogramowania

Trend 10. Synteza wariantów architektury na podstawie wymagań

Wnioski z przeglądu. Przeglądy opisują wykorzystanie dużych modeli językowych do tworzenia projektów architektury na podstawie wymagań [S2, s. 1, 23; S4, s. 6]. Bucaioni i in. analizują wsparcie AI w opracowywaniu częściowych rozwiązań projektowych. Wskazują zarazem trudności z uwzględnianiem sprzecznych atrybutów jakościowych, długiego horyzontu czasowego i abstrakcyjnego rozumowania [S3, s. 2, 7–9]. Według Esposito i in. większość prac koncentruje się na początkowych etapach cyklu życia architektury, w tym na przejściu od wymagań do architektury [S2, s. 1].

Znaczenie dla praktyki. Sztuczna inteligencja dobrze sprawdza się w tworzeniu wariantów architektury, nie zaś jednej „optymalnej architektury”. Jej wartość wynika z poszerzenia zbioru rozważanych rozwiązań i jawnego przedstawienia założeń.

Trend 11. Wspomaganie decyzji architektonicznych i automatyzacja zapisów ADR

Wnioski z przeglądu. W pracach ujętych w S4 duże modele językowe służą do klasyfikowania decyzji projektowych, wydobywania uzasadnień, proponowania wzorców, porządkowania i oceny wariantów oraz tworzenia zapisów decyzji architektonicznych (ADR) [S4, s. 6]. S2 zalicza wspomaganie decyzji, obok odtwarzania architektury, do dwóch najczęstszych zastosowań [S2, s. 1, 23]. Badacze rzadko oceniają jednak wpływ wyników na modyfikowalność, skalowalność i utrzymywalność systemu [S2, s. 2].

Znaczenie dla praktyki. Najbezpieczniejszym zastosowaniem AI jest rola protokolanta i krytycznego recenzenta decyzji. W tej roli system zbiera dane, pilnuje szablonu, wykrywa pominięte warianty i przygotowuje pytania. Odpowiedzialność za decyzję pozostaje po stronie architekta.

Trend 12. Odtwarzanie architektury i inżynieria odwrotna z repozytoriów

Wnioski z przeglądu. S2 zalicza odtwarzanie architektury do dominujących zastosowań [S2, s. 1, 23]. W S4 opisano wydobywanie z kodu struktur projektowych i nazw komponentów, a także analizę opisów modułów oraz dyskusji projektowych [S4, s. 6]. S3 wyodrębnia wsparcie AI w odtwarzaniu architektury i inżynierii odwrotnej jako osobny obszar [S3, s. 10].

Znaczenie dla praktyki. Agent AI może połączyć wyniki analizy statycznej z historią zmian, zależnościami wdrożeniowymi, dokumentacją i wynikami testów. Jego użyteczność wynika z zestawiania rozproszonych sygnałów. Nie powinien zastępować narzędzi analitycznych wnioskami opartymi wyłącznie na interpretacji językowej.

Trend 13. Rozpoznawanie wzorców, stylów, taktyk i decyzji w istniejącym rozwiązaniu

Wnioski z przeglądu. S4 wyodrębnia klasyfikowanie taktyk w kodzie i decyzji projektowych oraz identyfikowanie decyzji w archiwach komunikacji [S4, s. 6]. S3 opisuje rozpoznawanie wzorców projektowych jako osobny kierunek, obok klasyfikacji i analizy decyzji [S3, s. 8–9]. Część badań przyniosła wyniki lepsze od przyjętego punktu odniesienia, ale nie we wszystkich pracach przeprowadzono takie porównanie [S4, s. 9].

Znaczenie dla praktyki. Sztuczna inteligencja może wskazać potencjalne wzorce i antywzorce. Podobieństwo struktury nie przesądza jednak ani o intencji projektowej, ani o jakości rozwiązania.

Trend 14. Analiza atrybutów jakościowych i kompromisów architektonicznych

Wnioski z przeglądu. S3 identyfikuje prace poświęcone priorytetyzacji atrybutów jakościowych oraz szacowaniu wydajności, odporności i kompromisów. Rozumowanie zależne od kontekstu, miary ilościowe i długofalowa ewolucja pozostają jednak nierozwiązanymi wyzwaniami [S3, s. 11–16]. S2 wskazuje niedostatek badań nad wpływem propozycji AI na modyfikowalność, skalowalność i utrzymywalność [S2, s. 2]. W zbiorze analizowanym w S4 nie było prac oceniających takie cechy jak ewoluowalność [S4, s. 11].

Znaczenie dla praktyki. Przekonująco napisane uzasadnienie kompromisu nie zastępuje modelu wydajności, analizy zagrożeń, rachunku kosztów ani scenariusza jakościowego.

Trend 15. Ciągła kontrola zgodności architektury, erozji i długu technicznego

Wnioski z przeglądu. Według S4 kontrola zgodności architektury jest niemal nieobecna w analizowanych badaniach [S4, s. 11–12]. S3 uznaje śledzenie długofalowej ewolucji i zadłużenia oraz zgodności rozwijanego systemu z decyzjami za jedną z podstawowych luk obecnych rozwiązań [S3, s. 15–16, 23–26]. S2 odnotowuje przykłady oceny zgodności z wcześniej zdefiniowanymi standardami, zwraca jednak uwagę na brak rygorystycznych ram oceny [S2, s. 22–23].

Znaczenie dla praktyki. Nie jest to jeszcze dojrzała praktyka. Agent może jednak po każdej istotnej zmianie wykrywać rozbieżności między architekturą deklarowaną a rzeczywistą.

Trend 16. Asystenci wiedzy architektonicznej i żywa dokumentacja rozwiązania

Wnioski z przeglądu. S4 wyodrębnia asystentów, którzy odpowiadają na pytania dotyczące wiedzy architektonicznej oraz wspierają wybór i dokumentowanie decyzji [S4, s. 6, 10]. S2 uznaje dokumentowanie i odtwarzanie architektury za naturalne zastosowania. Wskazuje zarazem na brak zbiorów danych właściwych dla architektury oraz niedostateczną przejrzystość odpowiedzi [S2, s. 1, 19–23].

Znaczenie dla praktyki. Rozmowa z dokumentacją jest użyteczna tylko wtedy, gdy odpowiedzi opierają się na aktualnych, wersjonowanych źródłach i zawierają wskazanie ich pochodzenia. W przeciwnym razie asystent utrwala nieaktualne lub wzajemnie sprzeczne opisy.

Trend 17. Projektowanie architektury systemów agentowych jako nowy obszar pracy architekta

Wnioski z przeglądu. Cztery z osiemnastu prac w S4 dotyczyły architektur referencyjnych dla systemów wykorzystujących duże modele językowe, m.in. systemów samoadaptacyjnych, szkieletów konwersacyjnych i autonomicznych agentów [S4, s. 10]. Autorzy wskazują zależność dwukierunkową. AI wspiera prace architektoniczne, natomiast zasady architektoniczne są niezbędne do budowy niezawodnych systemów AI [S4, s. 10–12].

Znaczenie dla praktyki. Zakres pracy architekta nie ogranicza się dziś do samego modelu. Obejmuje także pamięć i źródła kontekstu, narzędzia i uprawnienia, kontrolę kosztów, obserwowalność, punkty nadzoru człowieka, tryby pracy w warunkach ograniczonej dostępności oraz pełny ślad audytowy.

4. Bibliografia i źródła

Publikacje naukowe

1. [S1] Cheng, H., Husen, J. H., Lu, Y., Racharak, T., Yoshioka, N., Ubayashi, N., Washizaki, H. (2025). Generative AI for Requirements Engineering: A Systematic Literature Review. arXiv:2409.06741v3. Pełny tekst.
2. [S2] Esposito, M., Li, X., Moreschini, S., Ahmad, N., Cerny, T., Vaidhyanathan, K., Lenarduzzi, V., Taibi, D. (2025). Generative AI for Software Architecture. Applications, Challenges, and Future Directions. arXiv:2503.13310v2. Pełny tekst.
3. [S3] Bucaioni, A., Weyssow, M., He, J., Lyu, Y., Lo, D. (2026). Artificial Intelligence Support for Software Architecture Practice: A Systematic Review and Future Directions. arXiv:2504.04334v2. Pełny tekst.
4. [S4] Schmid, L., Hey, T., Armbruster, M., Corallo, S., Fuchß, D., Keim, J., Liu, H., Koziolek, A. (2025). Software Architecture Meets LLMs: A Systematic Literature Review. arXiv:2505.16697v1. Pełny tekst.
5. [S5] Sami, M. A., Zhang, Z., Waseem, M., Kemell, K.-K., Rasheed, Z., Herda, T., Abrahamsson, P. (2026). Bridging Humans and LLMs: Investigating Human-AI Collaboration in Multi-agent Requirements Analysis for Organizational AI Adoption. e-Informatica Software Engineering Journal, 20(1), 1–27. DOI: 10.37190/e-Inf260103.
6. [S6] Paiva, G., Canedo, E. D., Rocha Filho, G. P. (2026). From issue titles to requirements: an empirical study of large language models and prompt engineering strategies. Requirements Engineering, 31:7. DOI: 10.1007/s00766-026-00462-z.
7. [S7] Bragilovski, M., van Can, A. T., Dalpiaz, F., Sturm, A. (2026). The impact of LLM-generated models on novice domain modelers: a comparative experiment. Empirical Software Engineering, 31:96. DOI: 10.1007/s10664-026-10831-5.
8. [S8] Hörner, L. F., Möller, M., Reichert, M. (2026). Automatically Generating BPMN 2.0 Process Models from Natural Language Process Descriptions: Challenges, Framework, Quality Assessment. Business & Information Systems Engineering, 68(1), 59–83. DOI: 10.1007/s12599-025-00983-x.

Źródła przedstawiające stan technologii na lipiec 2026 r.

1. OpenAI (9 lipca 2026). GPT-5.6: Frontier intelligence that scales with your ambition.
2. OpenAI (9 lipca 2026). ChatGPT – Release Notes: Introducing ChatGPT Work.
3. Anthropic (9 czerwca 2026; aktualizacja 1 lipca 2026). Claude Fable 5 and Claude Mythos 5.
4. Anthropic (stan na lipiec 2026). Claude Fable 5 – możliwości, dostępność i zasady retencji.
5. Anthropic (30 czerwca 2026). Introducing Claude Sonnet 5.