Cara Menentukan Lingkup Proyek Web App dengan AI: Rantai 6 Prompt yang Kami Gunakan (Dari Ide ke SOW)

Cara Menentukan Lingkup Proyek Web App dengan AI: Rantai 6 Prompt yang Kami Gunakan (Dari Ide ke SOW)

Dalam lima cakupan proyek klien terakhir kami, bagian yang biasanya memakan waktu 12 hingga 16 jam untuk panggilan discovery turun menjadi sekitar 3 jam pekerjaan AI ditambah 1 jam tinjauan manusia. Kami menjalankan seluruh proses ini di dalam satu Claude Project agar konteksnya terus terbawa. Masalahnya? AI selalu salah dalam tiga hal setiap kalinya. Jadi, kami menambahkan gerbang validasi sebelum apa pun dikirim ke klien.

Ini adalah rantai 6 prompt aktual yang kami gunakan, artefak yang dihasilkan setiap prompt, satu contoh kerja lengkap, dan mode kegagalan yang harus Anda tangani sendiri.

Bisakah AI menentukan lingkup proyek web app? Ya. AI dapat membuat draf lingkup lengkap (pernyataan masalah, user stories, fitur, prioritas MoSCoW, dan statement of work) dalam beberapa jam, bukan berhari-hari. Yang tidak bisa dilakukannya adalah memvalidasi draf tersebut. AI sering mengarang persyaratan dan meremehkan upaya yang dibutuhkan, sehingga gerbang validasi manusia wajib dilakukan sebelum penandatanganan.

Poin Penting

• AI membuat draf lingkup web app lengkap dalam hitungan jam, bukan hari, tetapi tidak dapat memvalidasi outputnya sendiri.
• Rantainya terdiri dari enam prompt: masalah, user stories, fitur, MoSCoW, estimasi, dan SOW.
• AI mengarang integrasi dan meremehkan kasus tepi (edge cases), jadi selalu jalankan validasi manusia.
• Gunakan Claude Projects atau ChatGPT Projects untuk rantai ini; agen otonom digunakan setelah lingkup disepakati.

AI dapat menulis draf lingkup pertama Anda dalam satu sore. Hanya saja, AI tidak bisa memberitahu Anda kapan ia salah.

Apa Itu Penentuan Lingkup Berbantuan AI (dan Apa yang Bukan)?

Penentuan lingkup berbantuan AI berarti menggunakan serangkaian prompt LLM untuk mengubah ide kasar menjadi artefak lingkup yang terstruktur: persyaratan, user stories, daftar fitur, prioritas, dan statement of work (SOW). AI melakukan penyusunan draf dan strukturisasi. Manusia tetap melakukan pengambilan keputusan, percakapan dengan pemangku kepentingan, dan validasi.

Jadi, apakah AI berpikir untuk Anda? Tidak sepenuhnya. AI cepat dalam pengumpulan persyaratan ai, bagian di mana Anda menatap halaman kosong dan mencoba menerjemahkan "Saya ingin aplikasi pemesanan" menjadi sesuatu yang dapat dikutip oleh pengembang. Namun, AI buruk dalam mengetahui apa yang sebenarnya dibutuhkan klien versus apa yang terdengar masuk akal.

Beberapa hal yang bukanlah penentuan lingkup berbantuan AI: ini bukan proses otonom, bukan pengganti berbicara dengan pemangku kepentingan nyata, dan bukan jaminan akurasi. Model akan dengan senang hati menulis spesifikasi yang percaya diri dan terformat rapi untuk fitur yang tidak diminta oleh siapa pun.

Artikel ini mengasumsikan Anda sudah memahami proses penentuan lingkup itu sendiri. Jika Anda menginginkan dasar-dasarnya, panduan penentuan lingkup langkah demi langkah kami membahas proses non-AI yang mendasarinya, 7 langkah, dan struktur dokumen lingkup lengkap. Di sini, kita fokus pada lapisan AI: prompt mana, dalam urutan apa, dan di mana itu gagal.

Sekilas Rantai Prompt Penentuan Lingkup AI

Rantainya adalah enam prompt yang dijalankan secara berurutan, masing-masing memberikan outputnya ke prompt berikutnya. Urutannya: (1) masalah dan tujuan, (2) user stories, (3) daftar fitur, (4) prioritisasi MoSCoW, (5) estimasi upaya, biaya, dan linimasa, dan (6) draf SOW. Jalankan semuanya di dalam satu proyek agar konteks tetap terjaga.

Bagian kerennya: karena setiap prompt dibangun di atas yang sebelumnya, Anda tidak perlu menjelaskan ulang aplikasi Anda sebanyak enam kali. Model sudah mengetahui masalahnya saat menulis user stories, dan sudah mengetahui stories-nya saat memprioritaskan fitur.

1. Masalah & tujuan: mengubah ide kasar menjadi pernyataan masalah plus tujuan SMART.
2. User stories: mengonversi tujuan menjadi user stories dengan kriteria penerimaan.
3. Daftar fitur: menurunkan inventaris fitur konkret dari stories.
4. Prioritisasi MoSCoW: menyortir fitur ke dalam Must (Harus), Should (Sebaiknya), Could (Bisa), Won't (Tidak).
5. Estimasi: menghasilkan upaya, rentang biaya, dan linimasa.
6. Draf SOW: menyusun semuanya menjadi statement of work.

Ini juga merupakan kumpulan prompt ai untuk manajemen proyek yang bersih secara umum, tetapi kami telah menyetel setiap prompt khusus untuk web app (tumpukan teknologi, integrasi, kasus tepi). Penyetelan inilah yang membedakan lingkup yang dapat digunakan dari yang generik.

Kuncinya bukan satu prompt ajaib. Ini adalah enam prompt yang saling menyerahkan outputnya satu sama lain.

Bagaimana Cara Menjalankan Rantainya, Langkah demi Langkah?

Anda menjalankan rantai dari atas ke bawah di dalam satu Claude Project atau ChatGPT Project, menempelkan setiap prompt secara berurutan dan membiarkan jawaban sebelumnya tetap dalam konteks. Di bawah ini adalah enam langkah sederhana dengan prompt tepat yang kami gunakan. Masing-masing sengaja dibuat spesifik untuk web app, karena prompt analisis bisnis generik menghasilkan lingkup yang generik.

Catatan sebelum memulai: ganti placeholder dalam tanda kurung siku dengan detail Anda sendiri, dan jangan pernah menerima output pertama sebagai final. Langkah pro adalah membaca setiap hasil, memperbaikinya, lalu menjalankan prompt berikutnya.

Prompt 1: Pernyataan masalah & tujuan

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.

Ini menghasilkan bagian ikhtisar dan tujuan Anda. Tips pro: baris "3 asumsi" melakukan pekerjaan berat. Ini mengungkap celah yang biasanya ditutup-tutupi oleh AI.

Prompt 2: User stories

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.

Sekarang Anda memiliki persyaratan fungsional. Ini adalah langkah generator user story ai yang bersih. Perhatian: ini cenderung melupakan peran admin dan kasus tepi, jadi prompt ulang dengan "sekarang tambahkan stories untuk admin, pembayaran gagal, dan status kosong."

Prompt 3: Daftar fitur

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.

Ini adalah daftar kandidat fitur yang termasuk dalam lingkup. Perhatikan langkah ini dengan saksama, karena di sinilah AI mulai mengarang integrasi (lebih lanjut tentang itu nanti).

Prompt 4: Prioritisasi MoSCoW

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."

Ini memberi tag pada item yang termasuk dan tidak termasuk dalam lingkup. Instruksi "bersikap tegas" sangat penting; tanpanya, model akan menandai hampir semuanya sebagai Must (Harus).

Prompt 5: Estimasi upaya, biaya & linimasa

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.

Ini adalah input generator scope of work ai Anda untuk anggaran dan linimasa. Selalu minta rentang dan asumsi, karena satu angka yang terlalu percaya diri adalah output paling berbahaya yang diberikan AI kepada Anda.

Prompt 6: Draf SOW

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].

Tag [REVIEW] menjadi daftar periksa gerbang manusia Anda. Langkah ini menyusun rentang dari ide ke SOW yang dijanjikan oleh seluruh rantai.

Pemetaan Prompt → Bagian Lingkup

Setiap prompt tidak hanya menjawab pertanyaan, tetapi mengisi bagian tertentu dari dokumen yang Anda serahkan kepada klien. Pemetaan inilah yang menggantikan templat 11 bagian yang biasa: alih-alih menghafal kerangka, Anda menjalankan rantai dan dokumen tersebut menyusun dirinya sendiri. Berikut adalah prompt mana yang menghasilkan deliverable mana.

Pada saat Anda menyelesaikan Prompt 6, Anda memiliki draf pertama lengkap dari dokumen yang benar-benar dapat dibaca dan ditandatangani oleh klien, bukan tumpukan catatan yang tidak terhubung.

Setiap prompt tidak hanya menjawab pertanyaan. Ia mengisi bagian tertentu dari dokumen yang akan Anda serahkan kepada klien.

Contoh Kerja Penuh: Menentukan Lingkup SaaS Pemesanan Janji Temu

Berikut adalah rantai yang dijalankan dari awal hingga akhir pada satu kasus konkret: SaaS pemesanan janji temu untuk rantai klinik gigi kecil. Ini adalah contoh ilustratif, bukan deliverable klien nyata, dan ya, kami menemukan dua kesalahan dalam output AI, yang kami perbaiki di bagian gerbang manusia di bawah ini.

Output Prompt 1 (masalah & tujuan). Masalah: rantai klinik gigi dengan tiga lokasi kehilangan pemesanan karena sulitnya koordinasi telepon dan ketidakhadiran (no-shows). Tujuan: mengurangi no-shows sebesar 30% melalui pengingat, memungkinkan pasien memesan sendiri secara online, dan memberikan staf resepsionis satu kalender bersama. Asumsi yang ditandai: zona waktu tunggal, bahasa Inggris saja, tidak ada penagihan asuransi.

Output Prompt 2 (contoh user stories).

• Sebagai pasien, saya ingin memesan janji temu online, agar saya tidak perlu menelepon.
• Sebagai pasien, saya ingin pengingat SMS, agar saya tidak lupa janji temu saya.
• Sebagai staf resepsionis, saya ingin melihat ketiga lokasi dalam satu kalender, agar saya dapat mengelola tumpang tindih.

Output Prompt 3 (daftar fitur, disingkat). Pemesanan online, sinkronisasi kalender, pengingat SMS dan email, akun pasien, admin multi-lokasi, pelaporan dasar, dan langkah pembayaran (yang terakhir ini dikarang; tidak ada yang memintanya).

Output Prompt 4 (grid MoSCoW).

Output Prompt 5 (estimasi, disingkat). Dengan asumsi Next.js, Supabase, dan Twilio dengan dua pengembang: fitur Must-have sekitar 45 hingga 60 hari pengembang, rentang biaya sekitar $35K hingga $55K, dan linimasa 8 hingga 10 minggu. Estimasi paling berisiko ditandai: logika kalender multi-lokasi.

Output Prompt 6 (cuplikan SOW). "Dalam lingkup: pemesanan online, kalender bersama multi-lokasi, pengingat SMS (Twilio), akun pasien. Luar lingkup: pembayaran, asuransi, mobile native. Linimasa: 8-10 minggu. Rentang anggaran: $35K-$55K. [REVIEW] Konfirmasikan Twilio vs penyedia SMS alternatif dengan klien."

Baca sekilas dan Anda dapat melihat lingkup nyata yang dapat ditandatangani terbentuk dalam satu sesi. Jika Anda berencana menambahkan fitur cerdas nanti, panduan kami tentang menambahkan fitur AI ke aplikasi Anda melanjutkan dari titik ini.

Bagaimana Cara Memperkirakan Biaya dan Linimasa dengan AI?

Anda meminta model untuk memecah estimasi berdasarkan fitur dalam satuan hari, mengasumsikan tumpukan teknologi tertentu, menyatakan setiap asumsi, dan mengembalikan rentang daripada satu angka. Kemudian Anda memeriksa kewajaran rentang tersebut terhadap tingkat pasar yang diketahui, karena AI hampir selalu berpatokan terlalu optimis pada upaya yang dibutuhkan.

Perlakukan estimasi AI sebagai titik awal, bukan kutipan harga. Instruksi paling berguna adalah "tandai tiga estimasi paling berisiko," yang memberitahu Anda tepatnya di mana harus menggunakan penilaian Anda sendiri. Berikut adalah tingkatan yang kami gunakan untuk memeriksa setiap estimasi AI.

Rentang ini sejalan dengan tolok ukur agensi dan pasar yang diterbitkan; penelitian biaya pengembangan aplikasi Clutch adalah referensi publik yang wajar. Jika estimasi AI Anda jauh di bawah tingkat yang relevan, kemungkinan besar ia melewatkan kasus tepi. Ini juga saatnya untuk mengajukan pertanyaan yang lebih besar: membangun vs membeli. Lingkup yang membengkak melewati tingkat kompleks terkadang berargumen untuk membeli daripada membangun.

Alat AI Mana yang Harus Digunakan untuk Setiap Pekerjaan?

Untuk rantai penuh, gunakan Claude Projects atau ChatGPT Projects, karena keduanya mempertahankan konteks lintas prompt sehingga output terbawa tanpa perlu menempel ulang. Gunakan agen mandiri hanya setelah lingkup ditandatangani dan Anda menghasilkan artefak yang dapat diulang. Untuk penentuan lingkup sekali jalan, Projects selalu mengalahkan agen.

Kami menjalankan rantai di Claude Projects untuk langkah-langkah konteks panjang (user stories, penyusunan SOW) dan beralih ke ChatGPT ketika kami ingin pendapat kedua tentang estimasi. Menurut dokumentasi Projects Anthropic, Project menjaga konteks dan instruksi bersama lintas percakapan, yang persis seperti yang dibutuhkan alur kerja claude projects untuk persyaratan enam prompt. Projects OpenAI bekerja dengan cara yang sama untuk prompt chatgpt pengembangan perangkat lunak.

Satu teknik yang layak dicuri: pisahkan peran AI per langkah. Katakan padanya "bertindak sebagai manajer produk" untuk user stories dan "bertindak sebagai insinyur senior" untuk estimasi. Pergantian peran mengubah cara ia bernalar, dan persona insinyur terlihat lebih konservatif dalam hal upaya.

Setelah lingkup dikirim dan pembangunan dimulai, pertanyaan alat bergeser ke agen coding AI, yang merupakan keputusan yang sama sekali berbeda.

Di Mana AI Salah dalam Penentuan Lingkup? Gerbang Validasi Manusia

AI salah dalam penentuan lingkup dengan cara yang dapat diprediksi: ia menghalusinasi integrasi yang tidak diminta siapa pun, meremehkan kasus tepi dan status error, dan entah mengarang persyaratan kepatuhan atau diam-diam menghilangkan yang asli. Ia juga berpatokan pada estimasi biaya yang terlalu optimis. Tidak satu pun dari ini jarang terjadi; ini terjadi pada hampir setiap eksekusi, itulah sebabnya gerbang manusia tidak bisa ditawar.

Persyaratan yang buruk mahal biayanya, apakah ditulis oleh manusia atau model. Penelitian PMI's Pulse of the Profession menemukan bahwa pengumpulan persyaratan yang tidak akurat adalah penyebab utama kegagalan proyek dalam sekitar 37% proyek yang gagal, jadi tujuan gerbang adalah menangkap kekurangan tersebut sebelum mencapai kutipan harga, bukan sesudahnya.

Solusinya adalah daftar periksa singkat yang dijalankan manusia sebelum lingkup apa pun mencapai klien:

• Hapus fitur yang dikarang: hapus apa pun (pembayaran, ekspor, integrasi) yang tidak pernah diminta klien.
• Tambahkan kasus tepi yang hilang: pembayaran gagal, status kosong, izin, penanganan error.
• Verifikasi setiap integrasi: konfirmasi bahwa setiap layanan pihak ketiga yang disebutkan adalah nyata, diperlukan, dan dianggarkan.
• Periksa klaim kepatuhan: konfirmasi atau koreksi setiap persyaratan auth, privasi, atau regulasi yang ditegaskan AI.
• Tambahkan bantalan estimasi: sesuaikan angka optimis terhadap kecepatan tim Anda sendiri, terutama yang ditandai berisiko.

AI akan dengan percaya diri menentukan lingkup aliran pembayaran yang dikarangnya. Tugas Anda adalah menghapus bagian-bagian yang tidak diminta siapa pun.

Apa yang Kami Pelajari Saat Menjalankan Ini pada Lingkup Klien Nyata

Di seluruh beberapa lingkup klien terakhir kami, discovery yang biasanya memakan waktu sekitar 12 hingga 16 jam panggilan dan penulisan sekarang menghasilkan draf pertama SOW dalam sekitar 2 hingga 3 jam pekerjaan AI ditambah 1 jam tinjauan manusia. Ini adalah rentang jujur dari eksekusi kami sendiri, bukan statistik judul yang presisi, dan satu jam manusia adalah bagian yang tidak akan pernah kami potong.

Kami menjalankan rantai di Claude Projects, dengan ChatGPT sebagai pemeriksaan kewajaran untuk estimasi. Waktu yang dihemat itu nyata, tetapi nilainya terletak pada menangkap tiga kegagalan yang sama setiap kali:

1. Ia mengarang integrasi. Langkah pembayaran dalam contoh klinik gigi yang tidak diminta siapa pun. Hampir setiap lingkup memiliki setidaknya satu fitur hantu.
2. Ia meremehkan kasus tepi. Status error, status kosong, dan alur admin secara konsisten hilang atau dihitung kurang, yang merupakan tempat anggaran nyata meledak.
3. Ia menangani kepatuhan dan auth dengan salah. Kadang-kadang ia menghalusinasi persyaratan, kadang-kadang ia menghilangkan yang asli. Kami tidak pernah mempercayainya dalam hal ini.

Jadi kami menambahkan gerbang manusia di atas sebagai langkah tetap. Rantai menulis draf dengan cepat; gerbanglah yang membuatnya aman untuk dikirim. Lewati gerbang dan Anda hanya mengirimkan tebakan yang percaya diri dan terformat rapi.

Bagaimana Techsy Mendekati Penentuan Lingkup Berbantuan AI

Rantai ini ditambah gerbang manusia adalah alur kerja tepat yang kami jalankan untuk klien yang membangun web app. Kami membuat draf dengan cepat menggunakan AI, kemudian seseorang yang telah meluncurkan bangunan nyata memvalidasi setiap baris sebelum menjadi kutipan harga. Jika Anda lebih suka menyerahkan lingkup kepada tim yang melakukan ini setiap hari, itulah yang kami lakukan. Anda mendapatkan SOW yang dapat dipertahankan tanpa membayar dua minggu panggilan discovery terlebih dahulu.

Tentang Penulis

Mert Batur Gurbuz adalah Co-Founder Techsy.io, di mana timnya meluncurkan agen AI, sistem otomatisasi, dan pipeline voice/SDR untuk klien B2B. Ia belajar di University of Birmingham dan menulis tentang tumpukan alat LLM yang benar-benar digunakan tim Techsy dalam produksi.

Co-Founder, Techsy.io — University of Birmingham. Terhubung di LinkedIn.

Pertanyaan yang Sering Diajukan

Bisakah AI menulis lingkup proyek atau SOW?

Ya, AI dapat membuat draf lingkup proyek atau statement of work lengkap, termasuk masalah, user stories, fitur, prioritas, linimasa, dan rentang anggaran. Jalankan rantai enam prompt di dalam Claude atau ChatGPT Project. Draf tersebut dapat diandalkan sebagai titik awal, tetapi manusia harus memvalidasinya sebelum penandatanganan.

Apa alat AI terbaik untuk menentukan lingkup proyek perangkat lunak?

Claude Projects dan ChatGPT Projects adalah alat terbaik untuk penentuan lingkup, karena keduanya mempertahankan konteks lintas rantai prompt sehingga setiap output memberi makan yang berikutnya. Kami menggunakan Claude Projects untuk langkah-langkah konteks panjang seperti user stories dan penyusunan SOW, dan ChatGPT sebagai pendapat kedua tentang estimasi. Agen lebih cocok untuk pekerjaan pembangunan pasca-lingkup.

Bagaimana cara menggunakan ChatGPT atau Claude untuk mengumpulkan persyaratan?

Jalankan rantai prompt secara berurutan: minta pernyataan masalah dan tujuan, lalu user stories dengan kriteria penerimaan, lalu daftar fitur, lalu prioritas MoSCoW. Simpan semuanya dalam satu Project agar konteks terbawa. Output setiap prompt menjadi input untuk yang berikutnya, yang membuat pengumpulan persyaratan ai menjadi cepat.

Bisakah AI memperkirakan biaya dan linimasa proyek perangkat lunak?

Ya, hanya sebagai titik awal. Minta model untuk memecah estimasi berdasarkan fitur dalam satuan hari, mengasumsikan tumpukan tertentu, menyatakan asumsinya, dan mengembalikan rentang. Kemudian periksa kewajarannya terhadap tingkat pasar: $10K-$50K untuk MVP sederhana, hingga $150K+ untuk aplikasi kompleks. AI cenderung berpatokan terlalu optimis.

Apakah lingkup yang dihasilkan AI benar-benar dapat diandalkan?

Dapat diandalkan untuk draf pertama, bukan untuk penandatanganan. AI menghasilkan lingkup yang terstruktur dengan baik dengan cepat, tetapi ia mengarang integrasi, meremehkan kasus tepi, dan menangani kepatuhan dengan salah pada hampir setiap eksekusi. Perlakukan output sebagai draf cepat, lalu jalankan gerbang validasi manusia untuk menghapus fitur yang dikarang dan menambahkan kasus tepi yang hilang sebelum siapa pun menandatangani.

Bagaimana cara mengubah ide kasar menjadi spesifikasi dengan AI?

Mulai dengan Prompt 1: tempelkan ide Anda dalam dua hingga empat kalimat dan minta AI untuk menulis pernyataan masalah, tujuan SMART, dan asumsi yang dibuatnya. Kemudian jalankan lima prompt berikutnya secara berurutan. Pada Prompt 6 Anda memiliki draf SOW. Seluruh rantai membutuhkan beberapa jam, bukan berhari-hari.

Apakah penentuan lingkup berbantuan AI menggantikan fase discovery?

Tidak, ini memadatkan discovery daripada menggantikannya. Anda masih memerlukan percakapan pemangku kepentingan nyata untuk mengetahui apa yang sebenarnya diinginkan klien. AI menangani penyusunan draf dan strukturisasi, mengubah catatan Anda menjadi persyaratan dan SOW dalam hitungan jam. Manusia tetap memvalidasi, memprioritaskan, dan membuat keputusan akhir tentang lingkup.

Berapa lama waktu yang dibutuhkan untuk menentukan lingkup web app dengan AI?

Dalam pengalaman kami, draf pertama SOW membutuhkan sekitar 2 hingga 3 jam pekerjaan AI ditambah sekitar 1 jam tinjauan manusia, dibandingkan dengan 12 hingga 16 jam discovery manual dan penulisan. Waktu AI cepat; jam tinjauan tidak bisa ditawar, karena di situlah Anda menangkap fitur yang dikarang AI dan kasus tepi yang dilewatkan.