Привет, я Арина, системный аналитик ЮMoney. ИИ уже прочно вошёл в нашу профессию: с ним собирают информацию, анализируют код, готовят техническую документацию и проверяют решения. Но как встроить его в работу так, чтобы не тратить время на бесконечные правки и не терять собственную экспертизу?

Мы пошли дальше экспериментов с промптами и начали выстраивать систему автоматизации на основе ИИ-агентов. Они помогают на разных этапах: от сбора контекста до актуализации документации. Решения при этом по-прежнему принимает аналитик, и отвечает за результат тоже он. 

В статье поделюсь опытом и практиками применения ИИ-агентов в повседневных задачах системного аналитика. Материал будет полезен прежде всего коллегам по профессии: тем, кто уже использует ИИ или только ищет сценарии для автоматизации. Хотя речь пойдёт о задачах системного аналитика, многие из описанных практик пригодятся также тимлидам и бизнес-аналитикам. Расскажу, какие задачи мы делегируем агентам, как выстраиваем их работу и почему иногда лучше попросить ИИ поспорить с тобой, а не придумать решение за тебя.

Не начинайте с промпта. Начните с процесса

Работа системного аналитика редко сводится к последовательному выполнению чётко поставленных задач. Обычно все начинается с задачи в Jira с продуктовыми требованиями. Иногда их хватает, чтобы понять направление работы, но чаще приходится уточнять детали, искать контекст, общаться со смежными командами и проверять, все ли сценарии учтены.

 У нас рабочий цикл аналитика состоит из нескольких этапов:

На каждом этапе есть задачи, требующие экспертизы, и задачи, которые можно формализовать. Принять архитектурное решение за аналитика нельзя, а вот проверить документ на соответствие внутренним соглашениям, найти похожие решения в истории проекта или подготовить черновик технического описания — вполне реалистичные сценарии для автоматизации. Поэтому мы начали с конкретных повторяющихся задач, а не с идеи внедрить ИИ во все процессы сразу.

От чатика к рабочему инструменту

Мы используем корпоративный инструмент OpenCode. В нем можно не только отправлять отдельные запросы к модели, но и выстраивать устойчивые сценарии работы с агентом. Сначала о ключевых понятиях:

  • Агент — помощник, который получает задачу, обращается к источникам, обрабатывает информацию и выдает результат. Например, изучает кодовую базу и документацию, сравнивает их и готовит черновик изменений.

  • Skill — инструкция для конкретной задачи. Если мы регулярно актуализируем техническое решение, достаточно один раз описать порядок действий и источники, а затем агенту остается указать, какой документ проверить.

  • Команда — быстрый запуск заранее подготовленного сценария. Например, проанализировать изменения в коммите и кратко их описать.

  • Agents.md — файл с базовыми инструкциями и контекстом проекта: устройством системы, доступными ресурсами и правилами работы. Агенту не нужно собирать эту информацию заново при каждом обращении.

В итоге вместо бесконечного диалога с нейросетью мы получаем повторяемый процесс, который запускается по необходимости. Остается понять, какие задачи стоит автоматизировать.

Где ИИ действительно помогает аналитику

Мы создаем скиллы для разных этапов работы: часть уже доступна команде, часть тестируется. Лучше всего автоматизируются задачи с понятными правилами и небольшим контекстом.

1. Найти исторический контекст задачи: то, что мы уже знаем, но забыли

Перед новой задачей полезно проверить, не делали ли мы что-то похожее раньше. Иногда проект возвращается через несколько лет. За это время код мог измениться, процессы — отключиться, а решения — остаться только в истории обсуждений.

Искать вручную по Jira, документации и репозиториям долго. Поэтому мы разрабатываем скилл, который собирает исторический контекст: прошлые задачи, обсуждения и текущую реализацию в коде. Аналитик получает не готовое решение, а отправную точку: что уже делали, какие есть ограничения и что стоит проверить.

2. Использовать ИИ как оппонента, а не автора решения

Этот принцип кажется мне особенно важным. На этапе проектирования мы не просим агента придумать решение с нуля: сначала аналитик формирует гипотезу, опираясь на знание системы и бизнес-контекста, а затем проверяет ее на прочность с помощью ИИ.

Агент выступает ревьюером и задает вопросы, которые легко упустить в одиночку:

  • Что, если внешняя система недоступна?

  • Что будет при превышении таймаута?

  • Какие альтернативы мы не рассмотрели?

  • Какие граничные сценарии остались вне основного потока?

Так мы получаем взгляд на задачу под другим углом: агент не ограничен нашим опытом.

3. Снять рутину с оформления и первичной проверки технической документации

Здесь автоматизация особенно заметна. Мы работаем по Docs-as-Code: решения хранятся в репозиториях, правки идут через pull request, а оформление подчиняется соглашениям и шаблонам.

Агент знает структуру документа, требования к разделам и правила оформления, поэтому может:

  • подготовить черновик решения по накопленному контексту;

  • проверить документ на соответствие соглашениям;

  • найти опечатки, дублирование и логические пробелы;

  • построить диаграмму по описанию или текст — по диаграмме.

Но сгенерированный документ — это не финальный артефакт: его проверяет и дорабатывает аналитик.

4. Упростить ревью

У нас бывают довольно объемные технические решения, которые проходят через несколько этапов обсуждения. Однажды в рамках pull request мы получили 411 комментариев. И хотя это скорее исключительный случай, он хорошо показывает, почему даже небольшие улучшения процесса могут иметь значение.

Мы создали скилл, который сортирует комментарии ревьюеров. На одни вопросы ответ уже есть в документе, другие требуют сверки с кодом, третьи действительно открыты и могут изменить решение. Агент готовит черновики ответов, но публикует их и принимает решения аналитик.

5. Поддерживать документацию в актуальном состоянии

Знакомая аналитикам ситуация: решение согласовано, разработка завершена, а документация расходится с фактической реализацией. В ходе реализации появляются уточнения и меняются названия, а команда уже переключается на следующий проект. 

Мы автоматизировали весь процесс актуализации документации, оставив последнее слово за аналитиком. Агент сравнивает техническое решение с кодом и задачами, выявляет расхождения и передаёт их список аналитику. Аналитик подтверждает, какие правки действительно нужно внести, после чего агент обновляет документ. Так документация отражает текущее состояние системы.

Если агент может делать так много, зачем нужен аналитик?

Вопрос закономерный, когда автоматизируешь все больше задач. ИИ создает документы, строит диаграммы, анализирует код и находит несоответствия. В чем тогда ценность системного аналитика?

Для меня — в ответственности за результат. Агент предложит варианты решения, но выбирает подходящий аналитик: он знает контекст системы, неявные договоренности и ограничения бизнеса. Еще аналитик отвечает за качество входных данных и проверку результата. Чем больше задач мы делегируем ИИ, тем важнее умение оценить его работу.

Есть и обратная сторона: если часто полагаться на готовые ответы, можно перестать разбираться в деталях. Поэтому мы используем ИИ не вместо мышления, а для его усиления. Наша основная практика: сначала формируем свою гипотезу, потом проверяем ее с помощью агента. Так сохраняется экспертиза, а рутины становится меньше. Это помогает сохранять экспертизу, одновременно сокращая рутинную нагрузку.

Как не превратить автоматизацию в еще одну работу

Создать агента — полдела. Важно, чтобы он упрощал работу, а не добавлял сложностей. За время экспериментов мы выделили несколько принципов.

  • Дробить задачи на небольшие итерации. Один скилл — одна задача. Если он разрастается и выполняет несколько операций без промежуточной проверки, его лучше разделить на отдельные сценарии.

  • Фиксировать промежуточные результаты. Проект может длиться неделями, договоренности за это время меняются. Ключевые решения, обсуждения и текущий статус мы храним во внешней памяти проекта. Так не приходится восстанавливать контекст из бесконечного чата при каждой новой сессии.

  • Не изобретать автоматизацию заново. Если коллеги решают похожие задачи, их подходы стоит объединить. Скиллы, команды и инструкции мы храним в общем репозитории, разделенном по направлениям.

Изначально каждый создавал инструменты под себя. Но оказалось, что эффективнее тестировать общие сценарии на однотипных задачах, проводить ревью и делиться проверенными решениями. Так локальные эксперименты становятся общей практикой команды.

Что дальше?

ИИ в системном анализе — не замена человека, а повод понять, где нужна экспертиза, а что можно ускорить. Без качественных источников, понятных правил, контекста и ручной проверки автоматизация не работает.

Главное — не сколько задач автоматизировано, а как сделать практики доступными всей команде. Об этом, системе скиллов, работе с контекстом и совместной автоматизации расскажу на ЮMoneyDay — бесплатной двухдневной конференции ЮMoney. Регистрация — на сайте.

А какую рутинную задачу вы бы автоматизировали первой?