Владимир Бурмистров

Главный системный аналитик в IT-холдинге

Недавно я участвовал в круглом столе на тему «аналитики против искусственного интеллекта». Это обсуждение вдохновило меня на более предметный разговор о том, почему нейронные сети — это не противник, а полезный инструмент, который реально экономит время. Меня зовут Владимир Бурмистров, я главный системный аналитик в IT-холдинге Т1. В отрасли я уже 18 лет — застал и времена адаптации под Internet Explorer 6, и приход нейросетей. И я могу уверенно сказать: благодаря нейросетям я ускоряю свою работу примерно на 30%. Как именно? Давайте разбираться по порядку.

Где аналитик тратит время и как может помочь ИИ

Работа аналитика сопряжена с несколькими трудозатратными операциями. Во-первых, это сбор и поиск информации — нужно найти, где что лежит, и правильно это систематизировать. Во-вторых, рутина: однотипные действия вроде заполнения шаблонов, описания кейсов, проектирования контрактов и формулирования критериев приемки. В-третьих, структурирование уже собранных данных. Именно с этими задачами искусственный интеллект на текущем этапе справляется очень хорошо, позволяя высвободить ценные часы для более сложной работы.

Практика: от поиска до генерации документов

ИИ может быть мощным инструментом для поиска, но здесь важно сохранять здоровую настороженность и критически оценивать результаты. Гораздо эффективнее нейросети показывают себя в генерации документов. Да, ИИ отлично с этим справляется, но с одной ключевой оговоркой: результат напрямую зависит от качества промпта (запроса).

Если попросить нейросеть написать «требования к разработке корпоративного календаря», вы получите какое-то описание, приемлемое на самом верхнем, общем уровне. Но чтобы получить документы высокого качества — те, которые можно будет практически без правок брать в работу — необходимо глубоко и осознанно работать над промптами. Этот навык становится новым must-have для специалиста, подобно владению Excel 20 лет назад. Подготовив шаблон и грамотный промпт, вы можете загрузить их в нейросеть и получить очень достойный результат.

Кроме того, ИИ полезен для локальных экспериментов в закрытом контуре, например, для тестирования гипотез или быстрой генерации шаблонов, чтобы «прикинуть» направление работы, не выгружая данные в открытый интернет.

Инструмент №1: Perplexity для анализа и исследований

Переходя к конкретным инструментам, стоит начать с Perplexity. Она доступна без VPN, есть бесплатная версия с ограничениями и платная подписка. Платная версия открывает доступ к мощным функциям для исследований и сбора информации, и её можно найти по специальным акциям за 200-500 рублей в год.

Как это работает? Вы задаете промпт, например, «проанализируй конкурентов». Perplexity сканирует от 50 до 100 источников, структурирует данные и выдает сводную таблицу или отчет. Ваша задача — обязательно перепроверить результат: пробежаться по списку источников, оценить их авторитетность, а сомнительные моменты изучить отдельно.

Главный выигрыш — во времени. Если раньше подобный анализ занимал целый рабочий день (6-8 часов), то с Perplexity я укладываюсь примерно в два часа. Качество работы при этом растет.

Мои основные сценарии использования Perplexity:

Анализ конкурентов.
Проверка полноты собственных материалов.
Создание интерактивных онлайн-сервисов, например, тренажеров для обучения.

Инструмент 2: DeepSeek — бесплатный ассистент для текстов и бытовых задач

Следующий инструмент — DeepSeek. Спикер выделяет его главные достоинства: работает без VPN, полностью бесплатный, хорошо справляется с текстами и отлично структурирует информацию. Например, можно загрузить тысячу отзывов и получить общий вывод о том, что думают люди. Инструмент подходит и для работы, и для личных дел.

Как я его использую

Для личных консультаций, когда не хочется глубоко погружаться в тему. Например, чтобы выбрать снаряжение для похода или получить адекватный совет по бытовому вопросу без «диагноза» из разряда «завтра умрете», который часто выдает обычный поиск в интернете.
Для черновой работы с текстами — улучшения и структурирования. Важно следить за результатом, потому что DeepSeek любит добавлять излишнюю эмоциональность и смайлы.
Для планирования бытовых дел: можно загрузить данные о тренировках и получить новую программу или, указав продукты из холодильника и потраченные калории, получить подходящий рецепт.

❗️Важное замечание о безопасности

Всё, что отправляется в Perplexity и DeepSeek, по сути, отправляется в открытый интернет. Поэтому любые рабочие задачи перед загрузкой необходимо обезличивать.

Инструмент 3: GigaChat — российский мультиагент для создания изображений

Как я его использую

Генерация уникальных изображений под задачу. Раньше для поиска подходящей картинки приходилось идти в Google или Яндекс.Картинки. Теперь я просто описываю, что мне нужно, в GigaChat и чаще всего получаю подходящий результат с первой или второй попытки.
Эксперименты с другими функциями. Периодически тестирую новые возможности, например, исследования на русском языке, хотя пока их качество уступает Perplexity.

Главный выигрыш

Ключевая экономия времени — в замене поиска картинки на её создание. Это не только быстрее, но и даёт уникальный результат, точно соответствующий запросу. Хотя GigaChat не стал основным инструментом для аналитической работы, его функция создания изображений эффективно закрывает отдельную задачу.

Инструмент 4: Sourcecraft — AI-помощник для кода и технической документации

Переходим к теме, которая напрямую связана с нашей работой — генерация и документирование. Здесь я использую Sourcecraft. Это плагин для VS Code (и других IDE), который относится к семейству co-pilot-ов — помощников, встроенных в среду разработки, которые помогают писать код лучше и быстрее.

Почему именно Sourcecraft?

У его конкурентов, таких как GitHub Copilot или решения от Google, есть общая проблема — для работы часто требуется VPN. Sourcecraft, который используется в нашей компании, лишён этого недостатка. Главное его преимущество — он работает внутри корпоративного контура. Это означает, что можно безопасно работать с конфиденциальными данными и кодом, не опасаясь их утечки. Аналогичные закрытые решения есть у Яндекса (Алиса) и Сбера (GigaChat), но важно понимать, что публичные облачные инструменты не обеспечивают такой конфиденциальности.

Как это работает на практике?

Автодополнение (Autocomplete). Например, когда вы рисуете sequence-диаграмму и переносите курсор на новую строку, Sourcecraft анализирует контекст и предлагает завершить следующие шаги. Часто это позволяет одним кликом добавить несколько строк. Они могут быть неидеальными, но почти всегда экономят время: вы рисуете часть схемы, а остальное дорисовывается за вас.
Работа с существующим кодом. Частая ситуация: документации по проекту нет, но есть много кода. Вместо того чтобы вручную разбираться в функциях, можно выделить блок кода и попросить Sourcecraft: «Объясни, что здесь происходит», «Нарисуй схему» или «Добавь комментарии». Это очень сильно упрощает анализ.
Генерация технических спецификаций. Я использую Sourcecraft для написания OpenAPI-спецификаций. Начинаю со схем объектов, потом перехожу к методам — и всё генерируется очень быстро и качественно.

Мой опыт и экономия времени

Написание OpenAPI-спецификаций ускорилось на 30-50%.
Создание sequence-диаграмм стало быстрее на 20%. Может показаться, что это немного, но если всю неделю рисовать диаграммы, выигрывается целый рабочий день.
Анализ кода и написание скриптов также стали занимать меньше времени.

Наглядно это выглядит так: я начинаю писать, появляется подсказка, я нажимаю Tab и принимаю её. За две секунды я пишу две строки, на которые вручную потратил бы десять секунд. Таких подсказок в работе много, и они действительно полезны.

Инструмент 5: FLOOT — визуальный мыслитель для прототипов

Следующий инструмент, который я открыл для себя, — это просто чудо. Он помогает думать визуально. Бывает, получил задачу и тяжеловато с ней работать, потому что не до конца понимаешь, как это может работать. Вот тут на помощь приходит Флот (и его полный клон, встроенный в платную версию Figma).

Как это работает?

Это инструмент, который позволяет быстро создавать кликабельные прототипы по текстовому описанию. Вы пишете текстом, что вам нужно — например, «создай решение для учёта задач с отправкой уведомлений коллегам в Telegram» — и через некоторое время (от 5 до 20 минут) получаете готовый, работающий прототип.

Мой опыт и use case

Визуализация идей для обсуждения. Раньше, чтобы показать заказчику, дизайнеру или продакт-менеджеру свою мысль, я открывал Paint и рисовал квадратики. Теперь я генерирую макет и могу наглядно обсудить: «Смотри, ты про это говорил, ты точно этого хочешь?». Это можно сделать до того, как дизайнер потратит три дня на проработку.
Быстрое прототипирование сложных идей. Я экспериментировал с запросами вроде «определи адрес и отправь его в Telegram». Флот запрашивал API Яндекс.Карт и Telegram и создавал реально работающий прототип, код которого можно было забрать. Это похоже на «вайб-кодинг», но с готовым интерфейсом.
Анализ и сравнение. Сгенерированный макет, даже простой, сразу даёт пищу для размышлений: «Ага, вот хорошая идея, так будем делать, а так — нет, посмотрим, как у конкурентов».

Важные особенности и ограничения

Инструмент бесплатный (деньги берут только за хранение ваших макетов, что для быстрых набросков не нужно).
Можно загружать свои паттерны и элементы дизайн-системы, чтобы получать прототипы в нужном стиле.
Критически важно следить за NDA и не загружать в публичный сервис конфиденциальную информацию.

Экономия времени и ценность

Главная ценность — в возможности мгновенно материализовать мысль в визуальную, интерактивную форму для демонстрации и обсуждения. Это экономит дни на согласование концепции и позволяет быстро валидировать гипотезы до начала дорогостоящей разработки или дизайна.

Инструмент 6: Локальные эксперименты (на примере OLLAMA + DEEPSEEK-R1) — приватный ИИ для анализа данных

Последний блок — самый сложный, но и самый интересный. Речь о локальных экспериментах. Мы можем развернуть нейросеть у себя на компьютере или сервере. Я для этого использую OLLAMA (есть и аналоги, работающие примерно одинаково).

Как это работает?

Вы скачиваете инструмент (например, OLLAMA), который локально разворачивает всё необходимое для работы нейросети. Затем из его библиотеки загружаете саму модель — я, например, использую DeepSeek R1 (уменьшенную локальную копию облачного DeepSeek).

Мой use case: анализ личных данных

У меня есть огромная база заметок в Obsidian, которую я веду несколько лет: мысли, идеи, тексты выступлений, рабочие задачи. Я подключаю к этой базе локальную нейросеть и могу давать ей приватные поручения:

«Проанализируй мои ежедневные заметки и посмотри, какое у меня настроение, вдруг я в депрессии».
«Посмотри, с какими проблемами я сталкивался, и давай найдём решение».
«Проанализируй задачи, которыми я занимался, и составь на их основе матрицу моих компетенций».

Применение для рабочих задач

Эту же технологию можно развернуть на сервере в офисе. Тогда в локальную, изолированную нейросеть можно безопасно загружать конфиденциальную рабочую информацию (требования, код, документацию), не опасаясь утечки данных в интернет.

Преимущества локального подхода

Работает без интернета — можно пользоваться даже в самолёте.
Бесплатно — после первоначальной настройки.
Конфиденциальность — данные никуда не уходят.
Возможность дообучения — модель можно кастомизировать под свои нужды.

Экономия времени и уникальные возможности

Этот подход экономит время не на рутине, а на глубокой, безопасной аналитике личных и рабочих данных, которую невозможно доверить публичным облачным сервисам. Он открывает door для создания truly приватных AI-ассистентов.

Есть важный и довольно грустный момент: для локальных экспериментов нужны очень мощные ресурсы. Даже по меркам обычного компьютера этого не хватит.

Что нужно для комфортной работы:

Мощный компьютер или сервер. Минимум — 8 ГБ оперативной памяти, но этого в 2025 году уже мало для нормальной работы.
Большой и быстрый диск. Только чтобы скачать большую модель, иногда нужно 150 ГБ места.
Производительность. Локальные модели работают на токенах в секунду. Для комфортной минимальной работы нужна скорость 15-25 токенов в секунду. Без видеокарты, на одном процессоре (CPU), работа будет очень медленной. Наличие видеокарты ускоряет процесс в десятки раз.
Размер модели. Модели бывают разного размера (обозначаются как 4B, 7B, 70B). Чем «проще» (меньше) модель, тем проще задачи она решает и «тупее» рассуждает. Для серьёзных задач нужны большие модели, но они требуют больше ресурсов.

Я, например, использую модель 7B, и для моих задач этого пока хватает. Но нужно понимать: владеть локальной моделью дорого.

Заключение: ИИ — инструмент экономии времени, а не угроза

Подводя итоги, предлагаю подумать о главном: нейросети и искусственный интеллект — это экономия времени. В первую очередь — это автоматизация рутины.

20 лет назад все изучали Excel, чтобы работать быстрее. И, как это ни смешно сейчас звучит, тогда бухгалтеры боялись, что Excel придёт и всех заменит. Сегодня люди боятся, что их заменит ИИ. Но это не произойдёт.

Наша задача — научиться использовать ИИ в работе постоянно, чтобы освободившееся от рутины время посвящать более сложным и интересным задачам. А значит, нужно быть готовым к тому, что такие задачи нам и будут давать. Не отказывайте себе в использовании новых инструментов.

Вспомните: электронная почта тоже не всегда была удобной. Или налоговую отчётность: в начале моей карьеры её сдавали на бумаге, потом — на бумаге с приложенной дискетой, а сейчас всё отправляется электронно, не выходя из кабинета. Всё меняется, всё развивается. Не надо сидеть на одном месте.

1. Используйте разные инструменты для разных задач

ИИ — это не один инструмент. Нельзя сказать: «Я использую DeepSeek, и всё». У каждого решения есть свои сильные стороны для определённых задач. Выбирайте то, что лучше всего решает ваши конкретные проблемы. Даже если вы решите всё делать в ChatGPT — это нормально, главное — пользоваться и ускоряться. Важно не попробовать один раз, а постоянно использовать ИИ в работе, встроить его в свой рабочий процесс.

2. Уделяйте внимание промптам и сохраняйте критичность

Изучайте промпты. Навык написания правильных запросов — ключевой. Не нужно покупать курсы — есть бесплатные материалы от Google и OpenAI. Если они на английском, ваша первая задача — перевести их с помощью нейросети.

Помните об ошибках ИИ. Нейросети стремятся поддержать пользователя и подтвердить его правоту, даже если он говорит ерунду (например, про поедание морковки через нос). Поэтому нельзя слепо доверять результатам, их необходимо проверять.

Экспериментируйте. Только постоянно пробуя новое, вы поймёте, что работает для вас.

3. Будьте предельно осторожны с конфиденциальностью

Чувствительные и секретные данные требуют особой аккуратности. Не отдавайте нейросетям всё подряд. Уже есть множество исследований об утечке коммерческой тайны через ИИ. Думайте о приватности постоянно.

План по внедрению: шаг за шагом

Не нужно бросаться и пытаться автоматизировать всё сразу. Двигайтесь спокойно, по кусочкам.

На следующей неделе: Придите на работу и попробуйте отправить 5-10 запросов в DeepSeek и 5 запросов в Perplexity. В течение недели решайте с их помощью мелкие задачи.
Через пару недель: Подключите ещё один инструмент. Например, пару недель попробуйте писать sequence-диаграммы с помощью SourceCraft.
Ещё через время: Возьмите GigaChat и попробуйте в нём что-то сделать.

Вызов для начала

Возьмите задачу, которая вас больше всего бесит. Засеките по таймеру, сколько времени вы на неё тратите. Затем попробуйте решить её с помощью нейросети. Поделитесь результатом в комментариях: стало ли лучше или хуже, на сколько сократилось время или вообще не удалось решить. Давайте поддержим друг друга в этом начинании.

Больше полезного по системному анализу — в нашем ИТ-сообществе. Мы делимся экспертизой через бесплатные вебинары, организуем конференции, проводим опросы и создаем среду для профессионального общения. Подписывайтесь, чтобы быть в курсе всех событий и не упустить ничего важного. До встречи внутри!

Топ инструментов ИИ для системного аналитика