User stories en requirements schrijven met AI

Je hebt net een gesprek gehad met een klant of een collega uit de business, en de aantekeningen op je scherm lezen als "de klant moet makkelijker een afspraak kunnen inplannen" en "het formulier moet duidelijker". Nu moet jij daar iets van maken waar een ontwikkelaar of bureau mee aan de slag kan, en je weet uit ervaring dat een vage wens leidt tot iets bouwen dat niemand precies zo bedoelde. Dan volgt de rework, en die kost iedereen tijd.

Vergelijk het met een aannemer die opdracht krijgt om "de keuken gezelliger te maken". Zonder verdere uitleg gaat hij zijn eigen gang, en de kans is groot dat het resultaat niet is wat je in gedachten had. Zeg je er wél bij wie er in die keuken kookt, wat diegene wil kunnen doen, en waaraan je kunt zien dat het gelukt is, dan bouwt de aannemer precies het juiste. Bij software werkt het niet anders: een ontwikkelaar heeft niet aan een wens genoeg, hij heeft een rol, een doel en een duidelijk "klaar"-criterium nodig.

Die vaste opbouw heet een user story: als [rol], wil ik [doel], zodat [reden], aangevuld met concrete acceptatiecriteria waaraan je kunt toetsen of de story is afgerond. AI is hier goed in, mits je het model vooraf een duidelijke rol meegeeft (dat heet een system prompt) en de klus in stappen laat doen in plaats van in één keer een hele backlog erdoorheen te jagen (dat heet prompt chaining).

Zodra je doorhebt dat een vage wens en een scherpe user story twee heel verschillende dingen zijn, snap je meteen waarom een project uitloopt: een ontwikkelaar bouwt exact wat er staat, en als er vooral aannames staan, bouwt hij de verkeerde aannames na. Een goede user story voorkomt discussie achteraf, omdat rol, doel en acceptatiecriteria vooraf al zijn afgesproken.

Het scheelt vooral gedoe in de oplevering. Wie vooraf scherpe requirements heeft, hoeft achteraf niet te onderhandelen over wat er "eigenlijk" bedoeld was. En AI versnelt het schrijfwerk zonder dat je het denkwerk uit handen geeft: jij blijft bepalen wat de klant echt nodig heeft, het model helpt dat in een bruikbaar format te gieten.

• Ondernemer (MKB): je laat een website of webshop bouwen door een freelancer en wilt zelf scherp opschrijven wat je verwacht, in plaats van te vertrouwen op een mondelinge briefing.
• Office/administratie: je verzamelt wensen van collega's voor een nieuw formulier of systeem en moet die vertalen naar iets waar de IT-afdeling of leverancier mee verder kan.
• Planner/projectleider: je zet een backlog op voor een nieuwe tool en wilt dat elk item duidelijk maakt wie het gebruikt en wanneer het klaar is.
• Corporate teams (manager, HR, marketing, IT): een manager vertaalt een strategisch doel naar concrete requirements voor het IT-team, HR beschrijft wensen voor een nieuw verlofsysteem, marketing legt vast wat een nieuwe landingspagina moet kunnen, en IT zet een klantvraag om in een testbare story voordat de sprint start.

1. Verzamel de losse wensen zoals ze binnenkomen, ook als ze nog vaag of dubbel zijn.
2. Laat AI per wens de rol, het doel en de reden benoemen volgens het format "als... wil ik... zodat...".
3. Laat het model bij elke story twee tot vier acceptatiecriteria voorstellen: waaraan zie je dat de story klaar is?
4. Controleer zelf of rol, doel en criteria kloppen met wat je bedoelde; AI gokt soms de details in.
5. Laat grote, brede wensen opsplitsen in meerdere kleinere stories in plaats van één te grote.
6. Bewaar een vaste instructie (rol en format) zodat elke nieuwe story dezelfde vorm krijgt.

Een projectleider bij een klein adviesbureau krijgt van drie collega's losse wensen voor een nieuw intranet: "makkelijker documenten terugvinden", "een overzicht van wie met wat bezig is" en "minder mails over verlof". Ze plakt de wensen in één prompt en vraagt om een compleet functioneel ontwerp ineens. Het resultaat is een lange, generieke lijst die nergens concreet genoeg is om aan een bouwer voor te leggen.

Ze pakt het opnieuw aan, nu in stappen: eerst laat ze per wens de rol en het doel scherp formuleren, dan pas de acceptatiecriteria toevoegen, en tot slot checkt ze zelf of elke story klein en concreet genoeg is. Dezelfde wensen, maar nu in drie losse, bruikbare user stories die de bouwer zonder rugspraak kan oppakken.

• Gebruik dit morgen bij een vage wens van een klant: laat AI eerst rol en doel scherp stellen voordat je verder werkt.
• Gebruik dit morgen bij een bestaande backlog: laat elke story checken op ontbrekende acceptatiecriteria.
• Gebruik dit morgen in een intakegesprek: noteer de wens letterlijk en laat AI achteraf het user-story-format toepassen, in plaats van dat zelf te doen.
• Gebruik dit morgen bij een te grote story: laat AI voorstellen hoe je hem in twee of drie kleinere stories opknipt.

Alle modellen (ChatGPT, Claude, Gemini, Copilot): wens omzetten naar user story

Je bent een ervaren product owner. Ik geef je een losse wens van een
klant of collega. Zet die om in een user story volgens dit format:
"Als [rol], wil ik [doel], zodat [reden]." Voeg daarna twee tot vier
concrete acceptatiecriteria toe waaraan je kunt toetsen of de story
klaar is. Vraag door als de rol of het doel niet duidelijk is.

Wens: [plak hier de wens]

Alle modellen: grote wens opsplitsen

De volgende user story is te breed om in één keer te bouwen: [plak
story]. Splits hem op in twee of drie kleinere user stories, elk met
een eigen rol, doel en acceptatiecriteria, zodat elke story apart
opgeleverd kan worden.

Alle modellen: requirements checken op ontbrekende informatie

Controleer de volgende user story op onduidelijkheden: [plak story].
Geef aan welke vragen een ontwikkelaar zou stellen voordat hij hem
kan bouwen, en welke aannames er nu impliciet in staan.

• Eén grote prompt met de hele wensenlijst erin gooien en verwachten dat er meteen een complete, scherpe backlog uitrolt.
• De door AI voorgestelde acceptatiecriteria ongelezen overnemen, terwijl alleen jij weet wat de klant echt bedoelde.
• Stories te breed laten staan ("als gebruiker wil ik een beter systeem") in plaats van ze op te splitsen.
• Geen vaste rol of format meegeven, waardoor elke story er anders uitziet en lastig te vergelijken is.

• Geef het model vooraf een duidelijke rol ("je bent een product owner") zodat de toon en scherpte van de stories consistent blijven.
• Werk in stappen: eerst rol en doel, dan pas de acceptatiecriteria, in plaats van alles ineens.
• Laat elke story door jezelf checken op vaagheid voordat hij de backlog ingaat.
• Bewaar een vast prompt-sjabloon voor terugkerend gebruik, zodat nieuwe stories altijd dezelfde opbouw krijgen.

Pak een wens die je deze week van een klant of collega hebt gekregen, ook als hij nog vaag is. Laat AI er met de eerste prompt hierboven een user story met acceptatiecriteria van maken. Lees de uitkomst kritisch: klopt de rol, klopt het doel, en zou een ontwikkelaar hiermee kunnen bouwen zonder aanvullende vragen?