نبدأ بقصة مألوفة في عالم البرمجة: عندما تعطي مهمة لشخص، يسأل أسئلة لتوضيحها. لكن عندما تعطي نفس المهمة لوكيل ذكاء اصطناعي، قد يخمن فقط، ويقدم عملاً ليس تمامًا ما كنت تقصده.
الذكاء الاصطناعي لا يسأل. يأخذ التوجيهات حرفيًا، ويملأ الفجوات 'بتخمينات منطقية' بناءً على ما لديه من بيانات، ثم يعلن بثقة أنه انتهى، لكن النتيجة قد لا تكون هي المطلوبة. هذا يهدر الوقت والجهد في المراجعة والتصحيح.
هنا يأتي دور «معايير القبول» (Acceptance Criteria). تخيلها كقائمة تحقق واضحة ومحددة للغاية لما يجب أن يكون عليه المنتج أو الميزة عند الانتهاء. إنها لا تصف كيف يتم العمل، بل تصف النتيجة النهائية التي يجب تحقيقها وكيفية التحقق منها.
فكر في الأمر كأنك تطلب من صديق إعداد طبق معين. إذا قلت 'أعد لي طبقاً لذيذاً'، قد يحضر أي شيء. لكن إذا قلت 'أعد طبق المعكرونة بالصلصة البيضاء، يجب أن تحتوي على الدجاج والفطر، ودرجة الملوحة متوسطة، وسأعرف أنها جاهزة عندما أرى الدجاج ناضجاً'، فإنك قدمت معايير قبول واضحة.
المعايير الجيدة تجيب على ثلاثة أسئلة رئيسية:
1. **ماذا سيكون صحيحاً؟** (النتيجة الملموسة، وليس النشاط). مثلاً: 'تسجيل الدخول بنفس البريد الإلكتروني مرتين متتاليتين يتم رفضه'، وليس 'أضف اختبارات'.
2. **كيف سنعرف؟** (الدليل). كيف نتحقق من هذه النتيجة؟ هل باختبار آلي، أو بمشاهدة صفحة معينة، أو بأمر معين؟
3. **من يقرر؟** (جهة واضحة). من المسؤول عن التأكد من تحقيق هذا المعيار؟ هل هو فحص آلي محدد أم شخص معين؟ ليس 'الفريق' أو 'قسم الجودة'، بل اسم محدد.
هذه المعايير تضمن أن الجميع، سواء كان إنسانًا أو ذكاءً اصطناعيًا، يفهم الهدف بدقة. إنها تقلل من سوء الفهم، وتوفر الوقت، وتضمن أن العمل المنجز يلبي التوقعات تمامًا. عندما تكون واضحة، يصبح إعطاء المهام للذكاء الاصطناعي أكثر أمانًا وفعالية، لأنه يعرف بالضبط متى يعتبر عمله 'منجزًا' بنجاح.