Привет, Хабр! Я руковожу командой бизнес-аналитиков в финтехе. Несколько месяцев назад один из аналитиков моей команды задал мне вопрос:
«А какой теперь вообще смысл в грейдах? Джуниор ты или сеньор?»
Он прозвучал во время очередного обсуждения нашей работы с AI. Мы говорили о качестве требований, странных вопросах агента, о том, где ему не хватает контекста. Но в этой фразе внезапно проявилось то, что до этого существовало скорее фоном. Людей беспокоил уже не инструмент. Их беспокоило, что происходит с самой профессией, если часть привычной работы начинает выполнять система. И это оказалось гораздо сложнее, чем научить команду пользоваться ещё одним сервисом.
С чего всё началось
К этому моменту мы уже давно вышли из режима «иногда попросить AI что-то суммаризировать». Мы начали встраивать агентов непосредственно в жизненный цикл задачи.
Бизнес прорабатывает исходную идею в отдельном агенте и через диалог формирует Story. В ней фиксируется, что хотим изменить, зачем, какой результат ожидаем и какой есть контекст. Затем Story получает BA-агент. Он анализирует постановку и историю её создания, ищет информацию в доступных источниках, формирует предварительные вопросы, собирает корпус требований и оценивает, сколько работы ещё останется аналитику.
После этого подключается БА. Но уже не с пустого листа. Он работает с подготовленным контекстом, отвечает на несколько раундов вопросов, отсекает лишнее, уточняет спорное, вычитывает требования и черновик спецификации. Дальше задача уходит в следующий контур - к разработке и другим агентам.
Сама последовательность выглядит логично. Но для аналитика есть чувствительный момент. Агент постепенно берёт на себя часть работы, которую мы привыкли выполнять самостоятельно. Он собирает контекст, задаёт вопросы, структурирует требования, готовит черновик спецификации. Поэтому разговор довольно быстро выходит за рамки удобства нового процесса.
«Без AI быстрее?»
Первые возражения были вполне практическими и во многом справедливыми.
«Генерирует килотонны текста, которые невозможно читать».
«Задаёт много ненужных вопросов».
«Не понимает терминологию и контекст проекта».
«В требования подтягивает то, что уже неактуально».
«На простой задаче я трачу больше времени, чем если бы сделал всё сам».
«Работа с агентом похожа не на проработку задачи, а на прохождение тупого квиза».
Если аналитик несколько лет работает с продуктом, он действительно может быстрее решить небольшую задачу привычным способом. Ему не нужно объяснять термины, отдельно передавать контекст, отвечать на вопросы, которые для него очевидны, ждать черновик, находить в нём неверные предположения и возвращаться на второй круг. Поэтому за фразой «мне без AI быстрее» не обязательно стоит страх нового. Иногда всё проще. На текущей версии процесса человек действительно справляется быстрее без агента.
Здесь легко ошибиться и списать любую критику на сопротивление изменениям. Тогда реальные проблемы процесса остаются без внимания, а люди закономерно начинают его обходить. У нас таких проблем было достаточно. Агенту не хватало терминологии, он мог опираться на старые документы, а универсальный сценарий плохо подходил к простым задачам. Здесь требовалась обычная доработка процесса, а не разговор о мотивации.
Когда вопрос уже не про агента
Когда я начала разговаривать с аналитиками отдельно, стало понятно, что дело не только в вопросах агента. За практическими претензиями стояли и более серьёзные опасения.
«Что будет с ролью БА?»
«Что теперь развивать?»
«На что делать ставку в профессиональном росте?»
«Если AI умеет формировать требования и писать спецификацию, чему в этой части должен учиться человек?»
И, конечно, тот самый вопрос.
«А какой теперь смысл в грейдах?»
Здесь разговор уже становится не про удобство инструмента, а про привычную систему координат, по которой специалист оценивает собственный уровень. Человек несколько лет учился разбирать сложные постановки, видеть пробелы, задавать хорошие вопросы, аккуратно оформлять требования. Он рос потому, что делал это глубже, быстрее и надёжнее. А теперь рядом появляется система, которая часть видимого результата выдаёт за минуты. Результат пока далёк от идеального и требует проверки. Но он уже достаточно похож на привычный результат работы БА, чтобы возник вопрос. Если этот навык становится доступнее, что теперь делает меня сильным специалистом?
В Harvard Business Review в этом году описывали похожую реакцию через ощущение компетентности, автономии и принадлежности. Мне эта мысль показалась близкой. Человек может сопротивляться не самой технологии, а ощущению, что привычные признаки его профессиональной состоятельности вдруг стали менее надёжными.
Внутри команды это звучит не как «у меня кризис профессиональной идентичности». Всё гораздо проще.
«Зачем тогда senior?», «Что теперь учить?», «Какой смысл делать это самому?»
Сопротивление оказалось разным
На общих встречах замечания звучали похоже, и было трудно понять, что именно мешает каждому. Поэтому я решила поговорить с аналитиками по отдельности.
Одного раздражал объём текста, другого не устраивало качество вопросов. Кто-то пока не понимал, как вести задачу по новому процессу, а кому-то агент на его типе задач только добавлял работы. И были те, кого больше беспокоило не сегодняшнее неудобство, а собственное профессиональное будущее.
Со стороны всё это легко назвать нежеланием пользоваться новым инструментом. Но мне было важно услышать каждого. Что мешает прямо сейчас? Что тревожит в самих изменениях? Где-то нужно было исправлять работу агента, где-то объяснять новый процесс. А где-то разговор вообще уходил в вопросы о роли и развитии профессии.
Когда команда начала менять процесс сама
Самый заметный сдвиг случился, когда аналитики начали сами менять то, с чем работают. Мы перестали ограничиваться обратной связью в формате «нравится / не нравится». Для разных типов задач команда начала описывать свои skills, менять правила, уточнять терминологию, пересобирать структуру вопросов и спецификаций.
Постепенно вместо
«почему агент делает ерунду?»
всё чаще звучало
«какого знания ему здесь не хватает?».
Аналитики начали не только проверять результаты, но и разбирать собственный способ работы. Они сами решали, какие правила, вопросы и нюансы нужно передать агенту.
В одном случае проблема была в терминологии, в другом агент опирался на неактуальные источники. Для некоторых типов задач не хватало отдельного сценария. После доработок часть ошибок удалось устранить. Команда увидела, что может влиять на работу агента и постепенно делать его полезнее для своих задач.
BCG в материалах об AI-трансформациях отдельно подчёркивает agency, то есть возможность людей влиять на изменения в своей работе, а не просто наблюдать за внедрением. У нас я увидела похожую вещь. Отношение к процессу стало меняться, когда аналитики начали участвовать в его создании.
А что тогда отличает senior?
После этого я стала иначе смотреть и на вопрос про грейды. Разницу в опыте аналитиков никогда нельзя было измерить одним лишь качеством спецификаций. Но теперь это особенно заметно. AI уже умеет структурировать информацию, предлагать вопросы, собирать черновики и раскладывать сценарии.
При этом убедительно оформить результат и понять, что он действительно правильный, всё ещё не одно и то же.
AI может предложить десять вопросов. Опытный аналитик может заметить, что большинство не относится к делу, пара основана на неверных предположениях, а один, которого не хватало в начале, меняет постановку задачи.
AI может написать двадцать требований. Senior увидит, что часть из них описывает конкретную реализацию, хотя бизнес-потребность ещё не определена.
AI может найти пять документов. Человек с контекстом знает, что два давно устарели, один относится к другому процессу, а главное ограничение вообще нигде не зафиксировано.
Здесь и проявляется профессиональное суждение. Нужно отличать важное от правдоподобного, видеть последствия и замечать, когда постановка выглядит законченной только потому, что красиво оформлена.
Мы слишком долго путали анализ с его оформлением
Спецификацию, требования и BPMN легко показать, проверить и посчитать. Поэтому иногда оформленный результат оказывается заметнее самого анализа. Но схема и текст фиксируют его выводы. Вся сложная работа начинается раньше, когда нужно разобраться в задаче и понять, как её правильно поставить.
Когда на оформление результата уходит меньше времени, можно больше внимания уделять тому, где всё ещё много неоднозначности. Разобраться в реальной бизнес-проблеме, отделить потребность от уже придуманного решения, увидеть конфликтующие ожидания, проверить альтернативы, найти зависимости и вовремя заметить, что задача поставлена не с той стороны.
Ценность бизнес-аналитика всегда была шире, чем подготовка спецификации. За требованиями и схемами стоит работа с самой бизнес-потребностью, контекстом, противоречиями и последствиями решений. AI может помочь оформить результат и снять часть рутинных действий. Но понять, что именно нужно бизнесу и достаточно ли мы разобрались в задаче, по-прежнему должен аналитик.
Что происходит с опытом senior
Здесь обнаружился ещё один интересный эффект. Раньше большая часть экспертизы сильного аналитика оставалась в его голове. Он знает, что в задачах такого типа почти всегда всплывает один и тот же риск. Помнит старое ограничение системы. Видит по формулировке бизнеса, что за ней, скорее всего, скрывается другая потребность. Знает, что вопрос надо задать сейчас, хотя в шаблоне его нет. Обычно эта экспертиза проявляется только тогда, когда задача попадает именно к этому человеку.
Когда мы начали писать skills и правила для агентов, пришлось делать непривычную вещь. Разбирать собственный опыт на части и пытаться понять, как именно мы принимаем решения.
Почему я понимаю, что здесь надо спросить именно это?
По какому признаку?
Что я проверяю автоматически и даже не замечаю этого?
Как отличаю полезное уточнение от лишнего?
Что для меня является сигналом, что задача ещё сырая?
Не всё из этого можно формализовать, и вряд ли всё нужно. Но сам процесс хорошо показывает разницу между опытом и набором готовых ответов.
Если часть такого опыта удаётся превратить в правило или skill, senior начинает масштабировать не только свой результат, но и собственный способ работы. Экспертиза перестаёт срабатывать один раз в конкретной задаче и начинает помогать всей команде.
Поэтому я не думаю, что AI стирает разницу между junior и senior. Скорее меняется то, в чём эта разница проявляется. Менее опытный аналитик с хорошим агентом может быстрее получить качественный черновик по типовой задаче. Но это не означает, что ему автоматически доступны те же решения, что и опытному коллеге. А senior сильнее проявляется там, где нужно определить сам подход, увидеть ограничение, которого ещё нет в правилах, и объяснить системе, а иногда и команде, почему привычный алгоритм здесь не подходит.
Больше задач, но за счёт чего?
Есть ещё один вопрос, который периодически возникает в разговорах об AI.
«Если я стану работать быстрее, значит ли это, что задач просто станет больше?»
В нашем случае ответ довольно прямой. Да, рост эффективности в том числе означает, что команда сможет проводить через себя больший объём задач.
В этом нет противоречия с самой идеей автоматизации. Если часть работы становится быстрее, бизнес естественно рассчитывает получить от этого эффект. Но важно понимать, за счёт чего должна появляться эта скорость.
Если аналитик просто начинает быстрее писать те же спецификации и поэтому получает больше таких же задач, ценность изменения довольно ограничена. Мы хотим убрать часть механической работы. Это первичный сбор контекста, структурирование информации, подготовка черновиков и повторяющиеся проверки. Тогда больший объём задач проходит через команду не потому, что аналитик постоянно работает в ускоренном режиме, а потому, что меньше времени тратит на операции, которые можно передать системе.
На типовой части задачи можно тратить меньше времени. А там, где действительно нужна экспертиза БА, наоборот, идти глубже. Разбирать бизнес-проблему, проверять альтернативы, искать зависимости и риски.
Поэтому я не вижу противоречия между ростом числа задач и развитием роли аналитика. Вопрос в том, сможем ли мы увеличить объём работы и при этом не превратить БА в более быстрый конвейер по выпуску спецификаций. Для меня это один из критериев того, насколько новый процесс действительно работает.
Вопрос изменился
Наш процесс пока нельзя назвать готовым. Агенты ошибаются, некоторые сценарии приходится пересобирать, а спецификации всё ещё требуют внимательной проверки. Есть и задачи, которые опытный аналитик сегодня действительно сделает вручную быстрее. Но главный результат последних месяцев для меня не сводится к тому, что агент стал писать лучше. Сильнее всего изменился разговор внутри команды.
В начале он чаще звучал так.
«Зачем мне вообще делать это через агента?»
Сейчас всё чаще звучат другие замечания.
«Здесь ему не хватает контекста»,
«Для этого типа задач нужен другой skill»,
«Эти вопросы надо убрать, а вот этот он почему-то не задаёт»,
«Если поменять структуру, этим уже можно пользоваться».
Команда постепенно переходит от оценки чужого инструмента к настройке собственного способа работы. И здесь мы снова вернулись к самому первому вопросу про грейды. Сегодня я бы ответила, что смысл в грейдах никуда не исчезает, но критерии профессионального роста придётся пересматривать. Если качество и скорость подготовки артефактов перестают быть главным ориентиром, нужно точнее определить, что мы считаем зрелостью аналитика. Для меня сюда входят работа с неопределённостью, качество профессионального суждения, способность видеть последствия решения и формализовать собственную экспертизу так, чтобы она помогала не только тебе. Плюс умение улучшать сам процесс анализа, а не просто выполнять его.
Пожалуй, именно это сейчас кажется мне самым интересным. Мы начинали с автоматизации отдельных действий БА, а в итоге сами стали внимательнее разбирать, из чего вообще состоит хорошая аналитическая работа. И этот разговор для команды оказался не менее важным, чем сам инструмент.
Что почитать по теме
Harvard Business Review. Why Gen AI Feels So Threatening to Workers, 2026 - о компетентности, автономии и принадлежности как причинах тревоги вокруг GenAI.
BCG. Your AI Change Is Actually a People Change, 2026 - о роли agency, co-creation и человеческих факторов в AI-трансформациях.
Gartner. Your Employees Are Not Competing With AI, 2026 - о кризисе профессиональной идентичности на фоне внедрения AI.
