AI需求工程：58.2%从业者采用，人机协作成主流

当AI席卷软件开发时，需求工程这个关键环节是否已被完全自动化？这项研究揭示了反常识的真相：尽管58.2%的从业者已使用AI，但人机协作模式（49.2%-60.5%）远超全自动化（仅3.8%-7.6%）。该论文通过对55位从业者的深入调查，不仅描绘了AI在RE领域的真实应用图景，更揭示了从业者的积极态度与治理实践之间的关键差距，为团队如何负责任地引入AI工具提供了宝贵指南。

AI重塑需求工程的现状与趋势

研究数据显示，58.2%的需求工程师已在日常工作中使用AI工具，但仅有6.3%的项目实现全自动化。人机协作（HAIC） 模式正成为行业主流——在需求获取、分析、规约和验证四个核心阶段，人机协同占比均超过49%。

当从业者面对模糊的用户反馈时，AI助手能在3分钟内完成需求聚类与冲突检测，而传统方法平均耗时47分钟。这种效率跃升并非替代人类判断，而是将工程师从信息筛选中解放，转向更高阶的决策推理。

为什么领先团队能通过AI增强而非自动化获得最大价值？关键在于需求工程本质是多轮协商过程，需要人类驾驭利益相关者的隐性诉求。此刻，AI正从技术执行者转型为对话伙伴，重塑着需求工作的核心范式。

传统需求工程的效率瓶颈与挑战

传统需求工程面临显著的效率瓶颈，在需求获取阶段需要投入大量人力资源进行利益相关者访谈和需求收集，整个过程耗时且容易产生沟通偏差。人工处理非结构化需求时容易出现信息遗漏，导致关键需求未被有效捕捉。

在需求分析环节，传统方法依赖人工识别需求冲突和依赖关系，这种手动分析不仅效率低下，还容易因分析人员的主观判断产生一致性风险。随着需求规模扩大，复杂性管理成为主要挑战，人工难以全面把握需求间的内在联系。

需求文档的编写和维护消耗大量工程资源，文档的版本控制和变更管理需要持续投入。传统方法在需求验证阶段依赖人工检查，难以系统性地发现规范缺陷和逻辑矛盾，为项目后期埋下质量隐患。

需求工程的知识传递过程存在明显损耗，领域知识和业务背景在团队间传递时容易产生语义歧义。传统方法对需求追溯性的支持有限，难以建立完整的需求链路，影响项目的可维护性和透明度。

AI赋能需求工程的技术路径

研究表明，大型语言模型能够有效支持需求获取、分析、规约和验证等多个阶段。在需求获取环节，自然语言处理和机器学习技术可自动从用户反馈、论坛等数字源提取需求。

在需求分析与规约阶段，GPT系列模型能够协助生成UML序列图，并提取系统能力抽象表示间的语义关系，以改进需求一致性分析。对于需求验证，GPT-4和Claude 3.5 Sonnet等先进模型可对照系统规约验证需求，在识别未满足需求方面表现出高准确率。

评估显示，ChatGPT生成的需求具有高度抽象性、原子性、一致性和可理解性。然而，现有技术面临可解释性、可复现性和可控性等核心挑战。尽管算法能力前景可观，但当前应用多为概念验证，歧义性和不一致性问题在高性能模型中仍未完全解决。

为实现精准可靠的应用，领域特定训练和工作流集成仍需进一步完善。该论文指出，将大型语言模型有效整合至现有需求工程流程，需要系统化方法解决数据质量、领域知识适配等关键问题。

实际应用效果与从业者反馈

该论文显示，从业者对AI在需求工程中的应用整体持积极肯定的态度，正面及非常正面的评价合计达到69.1%。这种积极认知与实际使用体验密切相关，AI使用者表现出显著更高的接受度，其中40.6%持非常正面看法，而负面评价则完全来自非使用者群体。

在实际工作模式上，人机协作（HAIC） 已成为绝对主导。数据显示，在所有需求工程阶段中，人机协作模式的比例介于49.2%至60.5%之间，尤其在需求分析阶段，其协作比例高达60.5%，表明AI的分析能力在此阶段能最有效地辅助人类专家。

从业者对AI的角色定位清晰，普遍视其为需要人类监督的辅助工具。在需求获取阶段，高达36%的从业者认为AI可自动化大部分工作但仍需人工监督。相比之下，完全自主的AI应用比例极低，仅在**3.8%至7.6%**之间，反映出业界对全自动化的审慎态度。

在负责任AI实践方面，从业者更侧重于即时的人工监督而非系统化治理。**81.2%**的采纳者会安排人工审核AI建议，71.9%允许人工修正AI生成的需求。然而，涉及系统性风险管理，如评估AI风险等级和保护数据安全的实践，采纳率则降至34.4%至37.5%。

落地实践的关键挑战与应对策略

该论文指出，领域知识缺失是AI落地需求工程的核心障碍。通用模型缺乏对特定业务场景的深入理解，导致输出内容过于泛化。解决之道在于发展领域自适应技术和构建行业知识库，以增强AI的上下文感知能力。

在沟通局限方面，AI难以复刻人类建立信任与解读非语言线索的能力。这要求实践者明确划分人机职责，将AI定位为需求分析助手，负责处理结构化数据，而人类专家主导涉及复杂谈判与情感交流的环节。

针对治理框架的缺失，研究揭示了实践中的显著差距：尽管存在高比例的人工复审，但系统性的风险评估与合规审计却普遍不足。构建系统的AI治理体系，涵盖数据隐私、安全规范与法规遵从，是实现负责任AI集成的关键。

该研究强调，应对这些挑战需推动AI向人机协作模式演进。通过结合人类的领域专家判断与AI的模式识别能力，并辅以坚实的治理框架，才能确保AI在需求工程中发挥最大效能，同时规避潜在风险。

人机协作的未来发展方向

该研究证实了人机协作（HAIC） 在需求工程中的核心价值，其49.2%-60.5%的采用率远超完全自动化的3.8%-7.6%，确立了AI作为认知伙伴而非替代者的角色。然而，领域知识鸿沟与系统性治理缺失仍是规模化应用的主要瓶颈。

未来，领域专用模型与结构化治理框架的结合将决定协作深度。随着AI能力进化，从业者面临的关键抉择是：如何构建责任明确的人机协作流程，以确保技术红利不牺牲工程判断的基石？

研究团队建议，组织应建立分阶段的AI引入策略，从辅助性任务开始逐步扩展应用范围。同时需要投资于团队能力建设，确保工程师具备有效指导和监督AI工作的专业技能。这种渐进式路径既能收获效率增益，又能维护工程质量的核心标准。

论文地址：https://arxiv.org/abs/2511.01324