論文の概要: Faster than the Team, Faster than the Customer: Tool Integration, Collaboration, and Organisational Lag in AI-assisted RE
- arxiv url: http://arxiv.org/abs/2606.01772v1
- Date: Mon, 01 Jun 2026 06:53:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.472967
- Title: Faster than the Team, Faster than the Customer: Tool Integration, Collaboration, and Organisational Lag in AI-assisted RE
- Title（参考訳）: チームよりも速く、顧客より速い - AI支援REにおけるツール統合、コラボレーション、組織ラグ
- Authors: Jan-Philipp Steghöfer,
- Abstract要約: 要求工学(RE)に生成AIツールを適用することの影響は、まだよく理解されていない。
本稿では,AI支援型REツールが,ハイテクソフトウェア工学の中規模企業であるXITASOの産業実践にどのように利用されているかを検討する。
プロダクトバックログ管理,テンダ管理,要件とドメイン理解,ドキュメントとアーティファクトの生成という,4つのカテゴリにまたがる15のユースケースを特定します。
- 参考スコア（独自算出の注目度）: 4.204967124760956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The impact of applying generative AI tools to requirements engineering (RE) in industrial practice remains poorly understood. This paper examines how AI-assisted RE tools are used in industrial practice at XITASO, a medium-sized enterprise for high-tech software engineering, and how they reshape workflows, tool integration, and PO--developer relationships. We combine a 2024 company-wide use-case survey with two rounds of semi-structured interviews with eight product owners (POs) in late 2025 and spring 2026, covering an in-house chatbot and seven commercial AI tools. We identify 15 distinct use cases across four categories: product backlog management, tender management, requirements and domain understanding, and document and artifact creation. Three findings emerge. First, the effect of AI on PO--developer interaction is mixed: the prevailing single-user interaction model can substitute for collaborative dialogue, and developers do not always welcome AI-generated artefacts. Second, tool integration -- not tool capability -- is the binding constraint: where integration is in place, time savings are dramatic; where it is missing, POs fall back on manual workarounds. Third, AI advances faster than the surrounding organisational systems, so its benefits accrue to individual POs while team processes and customer readiness remain the limiting factors. AI-assisted RE in practice is more advanced than the GenAI-RE literature reflects: practitioners are already assembling cross-tool integrations, navigating customer governance, and renegotiating role boundaries in ways that evaluations focused on isolated tasks and single-engineer scenarios do not capture. From these patterns we derive a set of questions practitioners considering AI-assisted RE may ask of their own situation.
- Abstract（参考訳）: 産業実践における要求工学(RE)に生成AIツールを適用することの影響は、まだよく理解されていない。
本稿では、AI支援型REツールが、ハイテクソフトウェアエンジニアリングの中規模企業であるXITASOの産業実践においてどのように使われているか、ワークフロー、ツール統合、PO-開発者関係をどう作り直すかを検討する。
2024年の企業全体のユースケース調査と、2025年後半と2026年の春に8人のプロダクトオーナー(PO)との2回の半構造化インタビューを組み合わせて、社内チャットボットと7つの商用AIツールをカバーしました。
プロダクトバックログ管理,テンダ管理,要件とドメイン理解,ドキュメントとアーティファクトの生成という,4つのカテゴリにまたがる15のユースケースを特定します。
3つの発見がある。
まず、PO-開発者インタラクションに対するAIの影響が混ざり合っており、一般的なシングルユーザインタラクションモデルは、共同対話に代えて、AI生成の成果物を常に歓迎するとは限らない。
第2に、ツールの統合 -- ツールの機能ではなく -- は、バインディングの制約である。
第3に、AIは周囲の組織システムよりも早く進歩するので、チームのプロセスと顧客の準備が制限要因であるのに対して、個々のPOにメリットが生まれます。
AI支援REの実践は、GenAI-REの文献の反映よりも、より高度なものだ。 実践者は、すでにクロスツール統合を組み立て、顧客のガバナンスをナビゲートし、独立したタスクやシングルエンジニアシナリオに重点を置く評価が捉えられない方法で、ロール境界を再交渉しています。
これらのパターンから、AI支援REを検討する実践者の集合が、自分たちの状況について尋ねることができる。
関連論文リスト
- AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - Generative-AI and the transformation of workforce. A job postings-driven analysis [7.765662835417495]
本稿では,AIが雇用要件,スキル構成,グローバル労働市場におけるセクターダイナミクスをいかに変えつつあるかを検討する。
職種投稿におけるAI関連能力の進化頻度とフレーミングについて検討し、生成型AIが主に職場における増強力または代替力として機能するかを検討する。
論文 参考訳（メタデータ） (2026-04-07T17:02:43Z) - Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities [3.312613459249274]
この研究は、AI、特にエージェントシステムがエンジニアリングと製造にどのように採用されているか、今日の価値、より広範なデプロイメントに必要なものについて調べる。
近い将来のAIは、構造化された、反復的で、データ集約的な作業を中心にクラスタを獲得し、高い価値のエージェントは、ツールをまたいだマルチステップ作業のオーケストレーションから得ます。
採用は、断片化やマシン不フレンドリなデータ、厳格なセキュリティと規制要件、限定的なAPIアクセス可能なレガシツールよりも、モデル能力によって制限される。
論文 参考訳（メタデータ） (2026-03-19T22:36:34Z) - Human-AI Collaboration for Scaling Agile Regression Testing: An Agentic-AI Teammate from Manual to Automated Testing [1.4902707653987912]
本稿では,検証済み仕様から直接システムレベルのテストスクリプトを生成するエージェントAIアプローチを提案する。
私たちのソリューションは,Haconのアジャイルアーキテクチャに統合された,検索可能なマルチエージェントアーキテクチャを備えています。
結果は、AIチームメイトがテストスクリプトのスループットを大幅に向上し、手作業によるオーサリングの労力を削減していることを示している。
論文 参考訳（メタデータ） (2026-03-09T10:19:13Z) - AIDABench: AI Data Analytics Benchmark [62.45908988324612]
AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。
AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。
AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
論文 参考訳（メタデータ） (2026-02-27T08:58:05Z) - AIRS-Bench: a Suite of Tasks for Frontier AI Research Science Agents [49.67355440164857]
AIRS-Benchは、最先端の機械学習論文から得られた20のタスクからなるスイートである。
Airs-Benchタスクは、研究ライフサイクル全体のエージェント能力を評価する。
本稿では,AIRS-Benchタスク定義と評価コードをオープンソースとして公開し,自律科学研究のさらなる発展を促す。
論文 参考訳（メタデータ） (2026-02-06T16:45:02Z) - Prompting in Practice: Investigating Software Developers' Use of Generative AI Tools [17.926187565860232]
生成人工知能(GenAI)ツールの統合は、ソフトウェア開発を根本的に変えた。
本研究は,ソフトウェア技術者がGenAIツールをプロフェッショナルな実践に統合する方法について,体系的な調査を行ったものである。
我々は、開発プロセス全体でAIの使用パターンを理解するために、アクティブなGenAIユーザ72人を含む91人のソフトウェアエンジニアを調査した。
論文 参考訳（メタデータ） (2025-10-07T15:02:22Z) - How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations [1.516251872371896]
GitHub CopilotとChatGPTが"バイブコーディング"を実施
本稿では2つの補完的貢献について述べる。
まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。
第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
論文 参考訳（メタデータ） (2025-07-23T21:00:21Z) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [55.03911355902567]
我々は、デジタルワーカーと同じような方法で世界と対話するAIエージェントを評価するためのベンチマークであるTheAgentCompanyを紹介する。
最も競争力のあるエージェントは、タスクの30%を自律的に完了させることができる。
これは、実際の職場の設定でLMエージェントをシミュレートすることで、タスク自動化に関する微妙な絵を描く。
論文 参考訳（メタデータ） (2024-12-18T18:55:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。