Sådan afgrænser du et webapp-projekt med AI: Den 6-trins promptkæde, vi bruger (fra idé til SOW)

Sådan afgrænser du et webapp-projekt med AI: Den 6-trins promptkæde, vi bruger (fra idé til SOW)

På vores sidste fem kundeafgrænsninger faldt den del, der plejede at æde 12 til 16 timer med opdagelseskald, til cirka 3 timers AI-arbejde plus 1 times menneskelig gennemgang. Vi kører hele processen inde i et enkelt Claude Project, så konteksten bevares. Hagen ved det? AI tog fejl af tre ting hver eneste gang. Derfor har vi tilføjet en kontrolport, før noget når frem til kunden.

Dette er den faktiske 6-trins promptkæde, vi bruger, den artefakt hver prompt producerer, et fuldt gennemregnet eksempel og de fejlmønstre, du selv skal fange.

Kan AI afgrænse et webapp-projekt? Ja. AI kan udkaste hele afgrænsningen (problemformulering, brugerhistorier, funktioner, MoSCoW-prioriteringer og en statement of work) på få timer i stedet for dage. Det, den ikke kan gøre, er at validere dette udkast. Den opfinder krav og undervurderer indsatsen, så en menneskelig kontrolport er obligatorisk før godkendelse.

Vigtigste pointer

• AI udkaster en fuld webapp-afgrænsning på timer, ikke dage, men kan ikke validere sit eget output.
• Kæden består af seks prompts: problem, brugerhistorier, funktioner, MoSCoW, estimat, SOW.
• AI opfinder integrationer og undervurderer kanttilfælde, så kør altid en menneskelig kontrol.
• Brug Claude Projects eller ChatGPT Projects til kæden; agenter kommer først efter afgrænsningen er underskrevet.

AI kan skrive dit første udkast til afgrænsning på en eftermiddag. Den kan bare ikke fortælle dig, hvornår den tager fejl.

Hvad er AI-assisteret afgrænsning (og hvad er det IKKE)?

AI-assisteret afgrænsning betyder at bruge en serie af LLM-prompts til at omdanne en grov idé til strukturerede afgrænsningsartefakter: krav, brugerhistorier, en funktionsliste, prioriteter og en statement of work. AI'en står for udkastet og struktureringen. Et menneske står stadig for beslutningerne, samtalerne med interessenterne og valideringen.

Så er det AI'en, der tænker for dig? Ikke helt. Den er hurtig til ai kravindsamling, den del hvor du stirrer på en tom side og forsøger at oversætte "jeg vil have en booking-app" til noget, en udvikler kan give et tilbud på. Den er dårlig til at vide, hvad kunden faktisk har brug for, versus hvad der lyder plausibelt.

Nogle ting, som AI-assisteret afgrænsning ikke er: det er ikke autonomt, det erstatter ikke samtaler med rigtige interessenter, og det er ikke en garanti for nøjagtighed. Modellen vil gladeligt skrive en selvsikker, velstruktureret specifikation for en funktion, ingen bad om.

Dette indlæg forudsætter, at du allerede forstår selve afgrænsningsprocessen. Hvis du ønsker fundamentet, guider vores trin-for-trin guide til afgrænsning dig gennem den underliggende ikke-AI proces, de 7 trin og den fulde struktur for afgrænsningsdokumentet. Her holder vi os til AI-laget: hvilken prompt, i hvilken rækkefølge, og hvor det bryder sammen.

AI-afgrænsningspromptkæden i et overblik

Kæden består af seks prompts, der køres i sekvens, hvor hver én fodrer sin output ind i den næste. I rækkefølge: (1) problem og mål, (2) brugerhistorier, (3) funktionsliste, (4) MoSCoW-prioritering, (5) indsats-, omkostnings- og tidsestimat og (6) SOW-udkast. Kør dem inde i ét projekt, så konteksten bevares.

Her er den smarte del: fordi hver prompt bygger på den foregående, behøver du ikke at genforklare din app seks gange. Modellen kender allerede problemet, når den skriver brugerhistorier, og den kender allerede historierne, når den prioriterer funktioner.

1. Problem & mål: omdanner en grov idé til en problemformulering plus SMART-mål.
2. Brugerhistorier: omdanner mål til brugerhistorier med acceptkriterier.
3. Funktionsliste: udleder en konkret funktionsinventar fra historierne.
4. MoSCoW-prioritering: sorterer funktioner i Must, Should, Could, Won't.
5. Estimat: producerer et estimat for indsats, omkostningsinterval og tidsplan.
6. SOW-udkast: samler alt til en statement of work.

Dette er også et rent sæt af ai prompts til projektledelse generelt, men vi har finjusteret hver prompt specifikt til webapps (teknologistak, integrationer, kanttilfælde). Den finjustering er det, der adskiller en brugbar afgrænsning fra en generisk en.

Tricket er ikke én magisk prompt. Det er seks prompts, der giver deres output videre til hinanden.

Hvordan kører du kæden, trin for trin?

Du kører kæden fra top til bund inde i ét Claude Project eller ChatGPT Project, indsætter hver prompt i rækkefølge og lader det tidligere svar blive i konteksten. Nedenfor er de seks simple trin med de præcise prompts, vi bruger. Hver én er specifikt rettet mod webapps med vilje, fordi generiske business analysis-prompts producerer generiske afgrænsninger.

En bemærkning før du starter: udskift de kantede pladsholdere med dine egne detaljer, og accepter aldrig det første output som endeligt. Pro-tricket er at læse hvert resultat, rette det og derefter køre den næste prompt.

Prompt 1: Problemformulering & mål

You are a senior product manager scoping a web application.
Here is the rough idea: [describe the app in 2-4 sentences].
The target users are [who]. The business wants [outcome].

Write:
1. A one-paragraph problem statement.
2. 3-5 SMART goals with success metrics.
3. 3 assumptions you are making that I should confirm.
Flag anything that is unclear instead of guessing.

Dette producerer din oversigts- og målsektion. Pro-tip: linjen med "3 antagelser" gør et stort stykke arbejde. Den afdækker de huller, AI ellers ville dække over.

Prompt 2: Brugerhistorier

Acting as the same product manager, turn the goals above into
user stories for a web app. Use the format:
"As a [role], I want [action], so that [benefit]."
Cover every user role. For each story, add 2-3 acceptance
criteria. Group stories by feature area.

Nu har du funktionelle krav. Dette er et rent ai user story generator-trin. Faldgrube: den tenderer til at glemme admin- og kanttilfælde-roller, så prompt den igen med "tilføj nu historier for administratorer, mislykkede betalinger og tomme tilstande."

Prompt 3: Funktionsliste

Based on the user stories above, produce a flat feature
inventory for this web app. Group features into: core, account
and auth, admin, integrations, and notifications. Note any
feature that requires a third-party service or API.

Dette er din liste over kandidater til funktioner inden for scope. Hold øje med dette trin, for det er her, AI begynder at opfinde integrationer (mere om det senere).

Prompt 4: MoSCoW-prioritering

Prioritize the feature list using MoSCoW (Must, Should, Could,
Won't) for a first release (MVP). For each feature give a
one-line reason. Assume a 3-month MVP budget and be ruthless:
most features should NOT be "Must."

Dette mærker dine elementer inden for og uden for scope. Instruktionen "vær hensynsløs" er vigtig; uden den markerer modellen næsten alt som et Must.

Prompt 5: Indsats-, omkostnings- og tidsestimat

Estimate effort, cost, and timeline for the Must-have features
only. Assume a stack of [e.g. Next.js, Supabase, Stripe] and a
team of [N] developers. Break the estimate down by feature in
days. State every assumption. Give a cost RANGE, not a single
number, and flag the 3 riskiest estimates.

Dette er input til din ai scope of work generator for budget og tidsplan. Kræv altid et interval og antagelserne, fordi et enkelt selvsikkert tal er det farligste output, AI giver dig.

Prompt 6: SOW-udkast

Assemble everything above into a draft statement of work for a
client. Include: overview, goals and success metrics, in-scope
features, explicit out-of-scope items, timeline, budget range,
deliverables, assumptions, and a sign-off section. Mark any
section where you are uncertain with [REVIEW].

[REVIEW]-tagsene bliver din checkliste til den menneskelige kontrolport. Dette trin samler spændet fra idé til SOW, som hele kæden lovede.

Prompt → Afgrænsningssektionskortlægning

Hver prompt besvarer ikke blot et spørgsmål, den udfylder en specifik sektion af det dokument, du giver til kunden. Denne kortlægning erstatter den sædvanlige 11-sektions skabelon: i stedet for at memorere et skelet, kører du kæden, og dokumentet samler sig selv. Her er hvilken prompt, der producerer hvilken leverance.

Når du er færdig med Prompt 6, har du et komplet første udkast af et dokument, en kunde faktisk kan læse og underskrive, ikke en bunke af sammenhængsløse noter.

Hver prompt besvarer ikke blot et spørgsmål. Den udfylder en specifik sektion af det dokument, du vil give til kunden.

Et fuldt gennemregnet eksempel: Afgrænsning af en Appointment-Booking SaaS

Her er kæden kørt fra ende til anden på et konkret tilfælde: en appointment-booking SaaS til en lille tandlægekæde. Dette er et illustrativt eksempel, ikke en rigtig kundleverance, og ja, vi fangede to fejl i AI-outputtet, som vi retter i afsnittet om menneskelig kontrol nedenfor.

Prompt 1 output (problem & mål). Problem: En tandlægekæde med tre lokationer mister bookinger på grund af telefonsvarer-kamp og udeblivelser. Mål: Reducer udeblivelser med 30 % via påmindelser, lad patienter booke online selv, og giv frontdesk-personale én delt kalender. Flaggede antagelser: enkelt tidszone, kun engelsk, ingen forsikringsfakturering.

Prompt 2 output (eksempel på brugerhistorier).

• Som patient vil jeg booke en aftale online, så jeg ikke behøver at ringe.
• Som patient vil jeg have en SMS-påmindelse, så jeg ikke glemmer min aftale.
• Som frontdesk-personale vil jeg se alle tre lokationer i én kalender, så jeg kan håndtere overlap.

Prompt 3 output (funktionsliste, kondenseret). Online booking, kalendersynkronisering, SMS- og e-mail-påmindelser, patientkonti, multi-lokation admin, basis rapportering og et betalingstrin (denne sidste blev opfundet; ingen bad om den).

Prompt 4 output (MoSCoW-gitter).

Prompt 5 output (estimat, kondenseret). Under antagelse af Next.js, Supabase og Twilio med to udviklere: Must-have funktioner på cirka 45 til 60 udviklerdage, et omkostningsinterval omkring $35K til $55K og en tidsplan på 8 til 10 uger. Risikofyldt estimat flagget: logikken for multi-lokation kalenderen.

Prompt 6 output (SOW-uddrag). "Inden for scope: online booking, delt kalender for flere lokationer, SMS-påmindelser (Twilio), patientkonti. Uden for scope: betalinger, forsikring, native mobil. Tidsplan: 8-10 uger. Budgetinterval: $35K-$55K. [REVIEW] Bekræft Twilio vs. alternativ SMS-udbyder med kunden."

Læs det hurtigt, og du kan se, at en rigtig, underskrivelsesklar afgrænsning tog form i én omgang. Hvis du planlægger at tilføje smarte funktioner senere, picker vores guide til tilføj AI-funktioner til din app op, hvor denne slutter.

Hvordan estimerer du omkostninger og tidsplan med AI?

Du prompter modellen til at opdele estimatet efter funktion i dage, antage en specifik teknologistak, angive hver antagelse og returnere et interval i stedet for ét tal. Derefter sanity-checker du det interval op imod kendte markedsniveauer, fordi AI næsten altid anker for optimistisk på indsatsen.

Behandl AI-estimater som et startpunkt, aldrig som et tilbud. Den enkelt mest nyttige instruktion er "flag de tre risikofyldteste estimater", hvilket fortæller dig præcis, hvor du skal bruge din egen dømmekraft. Her er de niveauer, vi checker hvert AI-estimat imod.

Disse intervaller stemmer overens med publicerede bureau- og markedsplads-benchmarks; Clutch's forskning i app-udviklingsomkostninger er et rimeligt offentligt referencepunkt. Hvis dit AI-estimat lander godt under det relevante niveau, har det sandsynligvis overset kanttilfælde. Dette er også tidspunktet til at stille det større spørgsmål: byg vs. køb. En afgrænsning, der svulmer op ud over det komplekse niveau, argumenterer nogle gange for at købe i stedet for at bygge.

Hvilket AI-værktøj skal du bruge til hvilken opgave?

Til den fulde kæde, brug Claude Projects eller ChatGPT Projects, fordi begge bevarer kontekst på tværs af prompts, så outputtet bæres frem uden at skulle indsættes igen. Brug en standalone agent kun efter afgrænsningen er underskrevet, og du genererer gentagelige artefakter. Til engangs-afgrænsning slår Projects en agent hver gang.

Vi kører kæden i Claude Projects til trinene med lang kontekst (brugerhistorier, SOW-samling) og griber efter ChatGPT, når vi vil have en second opinion på estimatet. Ifølge Anthropics Projects-dokumentation bevarer et Project delt kontekst og instruktioner på tværs af en samtale, hvilket er præcis, hvad en seks-trins claude projects til krav-workflow har brug for. OpenAIs Projects fungerer på samme måde for chatgpt prompts softwareudvikling.

En teknik værd at stjæle: opdel AI'ens rolle per trin. Fortæl den "optræd som produktchef" til brugerhistorier og "optræd som senior ingeniør" til estimatet. Rolleskiftet ændrer, hvordan den ræsonnerer, og ingeniør-personaen er mærkbart mere konservativ med hensyn til indsats.

Når afgrænsningen er sendt afsted, og bygningen starter, skifter værktøjsspørgsmålet til AI kodningsagenter, hvilket er en helt anden beslutning.

Hvor tager AI fejl ved afgrænsning? Den menneskelige valideringsport

AI tager fejl af afgrænsning på forudsigelige måder: den hallucinerer integrationer, ingen bad om, undervurderer kanttilfælde og fejltilstande og enten opfinder compliance-krav eller udelader stille reelle krav. Den anker også omkostningsestimater for optimistisk. Intet af dette er sjældent; det sker i stort set hver kørsel, hvilket er grunden til, at den menneskelige port er ikke-forhandlingsbar.

Dårlige krav er dyre, uanset om et menneske eller en model skriver dem. PMI's Pulse of the Profession-forskning fandt, at unøjagtig kravindsamling er en primær årsag til projektfejl i cirka 37 % af mislykkede projekter, så pointen med porten er at fange disse missede punkter, før de når et tilbud, ikke bagefter.

Løsningen er en kort checkliste, et menneske kører, før nogen afgrænsning når en kunde:

• Slet opfundne funktioner: fjern alt (betalinger, eksporter, integrationer), kunden aldrig bad om.
• Tilføj de manglende kanttilfælde: mislykkede betalinger, tomme tilstande, tilladelser, fejlhåndtering.
• Verificér hver integration: bekræft, at hver navngivet tredjepartstjeneste er reel, nødvendig og budgetteret.
• Tjek compliance-påstande: bekræft eller ret ethvert auth-, privatlivs- eller regulatorisk krav, AI'en hævdede.
• Pudr estimatet op: justér de optimistiske tal op imod din egen hastighed, især de flaggede risikofyldte.

AI vil selvsikkert afgrænse en betalingsflow, den har opfundet. Dit job er at slette de dele, ingen bad om.

Hvad vi lærte ved at køre dette på rigtige kundeprojekter

På tværs af vores sidste flere kundeprojekter tager opdagelse, der plejede at tage cirka 12 til 16 timer med kald og nedskrivninger, nu et første-udkast SOW på omkring 2 til 3 timers AI-arbejde plus 1 times menneskelig gennemgang. Dette er ærlige intervaller fra vores egne kørsler, ikke en præcis overskriftsstatistik, og den menneskelige time er den, vi aldrig vil skære væk.

Vi kører kæden i Claude Projects, med ChatGPT som en sanity-check på estimater. Den sparede tid er reel, men værdien ligger i at fange de samme tre fejl hver gang:

1. Den opfinder integrationer. Et betalingstrin i tandlægeeksemplet, ingen bad om. Næsten hver afgrænsning havde mindst én fantomfunktion.
2. Den undervurderer kanttilfælde. Fejltilstande, tomme tilstande og admin-flow er konsekvent manglende eller undertalte, hvilket er hvor rigtige budgetter eksploderer.
3. Den håndterer compliance og auth forkert. Nogle gange hallucinerer den et krav, nogle gange udelader den et reelt krav. Vi stoler aldrig på den her.

Så vi tilføjede den menneskelige port ovenfor som et fast trin. Kæden skriver udkastet hurtigt; porten er det, der gør det sikkert at sende. Spring porten over, og du sender blot et selvsikkert, velstruktureret gæt.

Hvordan Techsy tilgår AI-assisteret afgrænsning

Denne kæde plus den menneskelige port er det præcise workflow, vi kører for kunder, der bygger webapps. Vi udkaster hurtigt med AI, derefter validerer en person, der har shipped rigtige builds, hver linje, før det bliver til et tilbud. Hvis du hellere vil overlade afgrænsningen til et team, der gør dette dagligt, det er hvad vi gør. Du får en holdbar SOW uden at betale for to ugers opdagelseskald først.

Ofte stillede spørgsmål

Kan AI skrive en projektafgrænsning eller SOW?

Ja, AI kan udkaste en komplet projektafgrænsning eller statement of work, inklusive problemet, brugerhistorier, funktioner, prioriteter, tidsplan og budgetinterval. Kør en seks-trins promptkæde inde i et Claude eller ChatGPT Project. Udkastet er pålideligt som startpunkt, men et menneske skal validere det før godkendelse.

Hvad er det bedste AI-værktøj til at afgrænse et softwareprojekt?

Claude Projects og ChatGPT Projects er de bedste værktøjer til afgrænsning, fordi begge bevarer kontekst på tværs af promptkæden, så hvert output føder det næste. Vi bruger Claude Projects til trin med lang kontekst som brugerhistorier og SOW-samling og ChatGPT som second opinion på estimater. Agenter er bedre egnet til build-arbejde efter afgrænsning.

Hvordan bruger du ChatGPT eller Claude til at indsamle krav?

Kør promptkæden i rækkefølge: bed om en problemformulering og mål, derefter brugerhistorier med acceptkriterier, derefter en funktionsliste, derefter MoSCoW-prioriteter. Hold alt i ét Project, så konteksten bæres frem. Hver prompts output bliver input til den næste, hvilket er det, der gør AI-kravindsamling hurtig.

Kan AI estimere omkostninger og tidsplan for softwareprojekter?

Ja, kun som startpunkt. Prompt modellen til at opdele estimatet efter funktion i dage, antage en specifik stak, angive sine antagelser og returnere et interval. Sanity-check derefter op imod markedsniveauer: $10K-$50K for en simpel MVP, op til $150K+ for komplekse apps. AI tenderer til at anke for optimistisk.

Er AI-genereret afgrænsning faktisk pålidelig?

Pålidelig til et første udkast, ikke til godkendelse. AI producerer en velstruktureret afgrænsning hurtigt, men den opfinder integrationer, undervurderer kanttilfælde og håndterer compliance forkert i næsten hver kørsel. Behandle outputtet som et hurtigt udkast, kør derefter en menneskelig valideringsport for at slette opfundne funktioner og tilføje de manglende kanttilfælde, før nogen underskriver.

Hvordan omdanner jeg en grov idé til en specifikation med AI?

Start med Prompt 1: indsæt din idé i to til fire sætninger og bed AI'en om at skrive en problemformulering, SMART-mål og de antagelser, den laver. Kør derefter de næste fem prompts i sekvens. Ved Prompt 6 har du et udkast til SOW. Hele kæden tager få timer i stedet for dage.

Erstatter AI-assisteret afgrænsning en opdagelsesfase?

Nej, den komprimerer opdagelse snarere end at erstatte den. Du har stadig brug for rigtige samtaler med interessenter for at vide, hvad kunden faktisk vil have. AI håndterer udkastet og struktureringen og omdanner dine noter til krav og en SOW på timer. Mennesker validerer stadig, prioriterer og træffer de endelige beslutninger om scope.

Hvor lang tid tager det at afgrænse en webapp med AI?

I vores erfaring tager et første-udkast SOW cirka 2 til 3 timers AI-arbejde plus omkring 1 times menneskelig gennemgang, versus 12 til 16 timer med manuel opdagelse og nedskrivninger. AI-tiden er hurtig; gennemgangstimen er ikke-forhandlingsbar, fordi det er her, du fanger de funktioner, AI opfandt, og de kanttilfælde, den missede.