ИИ — это не просто «еще один инструмент» для бизнес-аналитика (БА), как когда-то им были MS Visio или Jira. Это фундаментальный сдвиг, который меняет саму суть работы, ценность специалиста и структуру команд.
В статье рассматриваются:
Преобразование компетенций и ежедневной работы БА:
Автоматизация рутины (где ИИ — «гипер-инструмент»).
Появление новых компетенций (супер-сил).Сокращение численности команд.
Примеры и тренды в российских IT-компаниях.
Сложности перехода к новой логике.
Преобразование компетенций и ежедневной работы БА
Роль бизнес-аналитика смещается от исполнителя-документатора к стратегу-верификатору-синтезатору. Ценность смещается с написания текста и рисования схем на глубокий анализ, принятие решений и управление знаниями.
Автоматизация рутины (где ИИ — «гипер-инструмент»)
Кейс 1. Генерация документации из диалогов
Было | Стало | Новая роль БА |
БА пров��дит воркшоп, часами конспектирует, потом еще несколько часов структурирует заметки в PRD (Product Requirements Document) или User Stories. | БА ведет воркшоп в Zoom/MS Teams с включенной транскрипцией ИИ. После митинга копирует текст в ChatGPT/Gemini с промптом: «Структурируй стенограмму встречи. Выдели: проблему, цели, основных стейкхолдеров, ключевые требования, открытые вопросы. Оформи в виде черновика раздела PRD». ИИ за 30 секунд выдает структурированный документ на 80% готовности. | Не писать с нуля, а верифицировать, корректировать, дополнять и дорабатывать черновик от ИИ. Фокус смещается на качество контента, а не на его создание.
|
Кейс 2. Прототипирование и дизайн
Было | Стало | Новая роль БА |
БА рисует в Figma/Framer низко- или средне-детализированные прототипы (wireframes), чтобы донести идею до дизайнера и разработчиков. | БА пишет промпт для инструмента вроде Uizard, Midjourney или Figma's AI: «Сгенерируй прототип дашборда для SaaS-платформы управления проектами. Должны быть: график активности, список задач, статистика по завершению, кнопка «Создать проект». Стиль — неокоморфизм». ИИ генерирует 5 вариантов за минуту. | Архитектор интерфейса. Он не рисует линии, а формулирует бизнес-требования к UI, выбирает лучший вариант из сгенерированных, критически оценивает UX и дорабатывает логику.
|
Кейс 3. Анализ и синтез требований
Было | Стало | Новая роль БА |
БА вручную анализирует 100+ страниц устаревшей документации, комментарии в Jira из старого проекта, письма из почты, чтобы найти корень проблемы. | БА загружает все эти данные в LLM-модель (ChatGPT, Claude) с промптом: «Проанализируй приложенные документы. Выдели ключевые бизнес-правила, противоречия в требованиях и устаревшие модули. Сформулируй 5 главных проблем, которые мешают масштабированию системы». | Следователь и валидатор. ИИ выступает как мощный ассистент по работе с Big Data, а БА интерпретирует выводы, проверяет их на достоверность и принимает решения.
|
Появление новых компетенций (супер-сил)
Компетенция | Описание |
«Инженерия промптов» (Prompt Engineering) | Умение четко, структурированно и последовательно формулировать задачи для ИИ. Это не просто «написать запрос», а целая дисциплина по взаимодействию с моделью (цепочки мыслей, few-shot learning и т.д.). |
Валидация и критическое мышление | Самый главный навык. ИИ часто «галлюцинирует» или дает усредненный, шаблонный ответ. BA должен уметь мгновенно находить логические несоответствия, проверять факты и подвергать сомнению каждый вывод ИИ. |
Работа с данными | BA все чаще будет выступать мостом между Data Scientist и бизнесом. Умение сформулировать промпт для анализа данных, интерпретировать результаты и сделать бизнес-выводы станет обязательным. |
Стратегическое мышление | Освободившееся от рутины время BA должен тратить на более глубокий анализ проблем бизнеса, исследование рынка, оценку ROI, сценариев развития — то, что пока недоступно ИИ. |
Сокращение численности команд
Команды станут меньше, более сфокусированными и опытными. Связка «Сеньор + Мидл» становится новой нормой для многих проектов.
Разработка нового модуля «Онлайн-оплаты» для интернет-магазина
БА | Классическая команда (до ИИ) | Команда в эпоху ИИ |
Senior | Управление стейкхолдерами, выявление высокоуровневых требований, стратегия. | Выполняет роль стратега и архитекттора. Проводит встречи со стейкхолдерами (с ИИ-транскрипцией). Принимает ключевые решения по выбору интеграций (например, какой платежный шлюз брать). |
Middle | Детализация требований, проведение воркшопов, написание пользовательских историй. | Выполняет роль усиленного исполнителя и дизайнера. Отвечает за более глубокую детализацию и поддержание артефактов в актуальном состоянии. |
Junior | Поддержка бэклога, рисование простых диаграмм BPMN/UML, заведение задач в Jira, написание части документации. | Отсутствует |
В классической команде (до ИИ) сеньор тратит время на проверку работы джуна. Мидл тратит время на постановку задач джуну и правку его работы. Общая производительность команды из 3 человек не в 3 раза выше, чем у одного сеньора.
Что произошло с джуном?
Создание черновиков документов -> взял на себя ИИ.
Рисование базовых схем -> взял на себя ИИ.
Заведение простых задач -> автоматизировано через интеграции (например, задача в Jira создается автоматически из комментария в PRD).
Для проекта среднего масштаба теперь достаточно сеньора (стратегия, верификация, управление) и мидла (работа с ИИ-инструментами, детализация, дизайн).
Джун не может конкурировать с эффективностью и скоростью ИИ в выполнении рутинных задач. Его роль либо уходит, либо трансформируется в «оператора ИИ», но для этой роли нужен как минимум мидл-уровень мышления, чтобы проверять выходные данные.
Каким будет бизнес-аналитик будущего?
ИИ не заменяет бизнес-аналитика, при этом заменяет бизнес-аналитиков, которые не хотят или не могут адаптироваться. Он делает профессию сложнее, интереснее и стратегически важнее, вымывая из нее рутину.
Примеры и тренды в российских IT-компаниях
Пример 1. Крупные продуктовые компании (Яндекс, Ozon, Тинькофф, VK)
ИИ-инструменты внедряются точечно, но массово.
Не публикуется пресс-релизов «Мы заменили джунов на ИИ».
Команда разработки нового функционала в одном из банков действительно обходится без джунов-аналитиков.
Вместо этого мидл-аналитик использует внутренние LLM-модели (на базе GPT или аналогичных), обученные на документации банка.
Это позволяет:
Быстро получать справки: «Какие сейчас в системе есть статусы карты?».
Генерировать шаблоны пользовательских историй на основе проведенного воркшопа.
Осуществлять поиск связанных требований в огромной базе знаний.
В результате команда становится более мобильной и меньше тратит времени на рутину. Вакансии для джунов в такие команды практически не открываются. Берут сразу мидлов, которые умеют работать с этими инструментами.
Пример 2. Крупные интеграторы и консалтинговые компании (КРОК, Ланит, Газпромнефть-Цифровые решения и др.)
Фокус смещается на скорость подготовки коммерческих предложений и проектной документации.
Например, Аналитик в интеграторе получает задание быстро оценить возможность интеграции системы заказчика с 1С. Раньше ему нужно было изучать документацию 1С несколько дней.
Теперь он:
Загружает API-документацию 1С в ИИ.
Задает промпт: «Проанализируй документацию и выдели 3 ключевых метода для обмена данными по номенклатуре, их ограничения и форматы запросов».
Получает структурированный ответ за минуты.
В результате аналитик выступает верификатором и дорабатывает ответ. Его экспертиза нужна, чтобы задать правильный вопрос и проверить ответ, но не для монотонного изучения тысяч страниц.
Пример 3. Аутсорс-разработка
Давление конкуренции заставляет внедрять ИИ для снижения себестоимости и ускорения циклов.
Например, ведущий аналитик на проекте для зарубежного заказчика использует ИИ для:
Перевода и адаптации требований. Промпт: «Переведи этот пользовательский сценарий с русского на английский, используя термины из предметной области fintech».
Быстрого прототипирования. Чтобы сразу на ранней итерации показать заказчику «как это может выглядеть», не дожидаясь дизайнера.
В результате команда проекта может быть меньше, а стоимость часа аналитика выше, но за счет его возросшей производительности общая стоимость проекта для клиента может не вырасти, а качество и скорость — улучшиться.
Массовых увольнений нет. Есть естественное обновление команды. Когда джун уходит с проекта, на его место не ищут нового джуна, а перераспределяют нагрузку на мидла, усиливая его ИИ-инструментами.
Сложности перехода к новой логике
Внедрение этой парадигмы упирается не в технологии, а в мышление и процессы.
1. Сопротивление команды.
«Я 20 лет рисовал схемы в Visio, и они были идеальными! Зачем мне этот ваш ИИ?». Специалисты с большим опытом часто не видят ценности в новых инструментах, считают их игрушками или не доверяют им.
Страх показаться некомпетентным. Сеньору-аналитику психологически сложно начать использовать инструмент, в котором он чувствует себя джуном. Проще сделать по-старому.
2. Проблема «мусор на входе — мусор на выходе».
ИИ требует качественных входных данных. Если в компании хаос с документацией, нет единого словаря терминов, требования размазаны по почте, задачам в Jira и устным договоренностям, то и результат работы ИИ будет бесполезен.
Допустим, загружаете в ИИ 1000 устаревших документов и просите сгенерировать новые требования. ИИ сделает красивый, но бессмысленный документ на основе устаревших данных.
Без сильного аналитика, который знает, «как должно быть на самом деле», это приведет к катастрофе.
3. Вопросы конфиденциальности и безопасности.
Это ключевой барьер, особенно в госсекторе и финтехе. Компании боятся загружать свои внутренние требования, архитектуру и данные в публичные ИИ-сервисы (ChatGPT, Midjourney), так как это утечка коммерческой тайны.
В качестве решения разворачивают корпоративные он-премиум версии моделей (например, на базе GigaChat или YandexGPT). Это требует больших затрат и экспертизы, поэтому пока доступно не всем.
4. Необходимость перестройки процессов.
Мало дать аналитикам доступ к ChatGPT. Нужно изменить сам процесс работы.
Раньше процесс был: «Провели воркшоп -> аналитик 2 дня писал документ -> отдал на проверку». Новый процесс: «Провели воркшоп с включенной транскрипцией -> сразу сгенерировали черновик -> аналитик провел верификацию и отправил стейкхолдерам на проверку в тот же день».
Такая скорость требует и от стейкхолдеров большей вовлеченности и оперативности, к чему они часто не готовы.
5. Иллюзия экономии и завышенные ожидания.
Руководство может решить: «Купим ИИ — уволим половину аналитиков». Это приводит к катастрофе.
ИИ не работает сам по себе. Он усилитель компетенций. Он повысит продуктивность хорошего аналитика в 2-3 раза, но слабому аналитику он не поможет, а скорее создаст еще больше проблем, которые потом придется разгребать.
Пионерами являются крупные tech-компании и передовые интеграторы.
Массовый рынок (средний и мелкий аутсорс, внутренние IT-отделы предприятий) только начинает присматриваться и экспериментировать.
Главный барьер — не технология, а культура работы и готовность команды и руководства меняться.
Самый востребованный навык сейчас — не столько умение писать промпты, а гибкость ума и готовность постоянно учиться новому.
