Ο Αναλυτής Επιχειρήσεων στην Εποχή των Πρακτόρων AI

Η AI μπορεί να δημιουργήσει το περίγραμμα μιας περίπτωσης χρήσης σε λιγότερο από ένα λεπτό, να μετατρέψει μια απλή ιδέα σε βασικό πρωτότυπο μέσα σε μία ώρα και να συντάξει την τεκμηρίωση απαιτήσεων σε ένα κλάσμα του χρόνου που χρειαζόταν παλαιότερα. Αυτή η αλλαγή είναι ήδη ορατή στην καθημερινή επιχειρησιακή ανάλυση: οι επαγγελματίες χρησιμοποιούν AI για να προετοιμάζουν συναντήσεις διερεύνησης αναγκών, να συντάσσουν απαιτήσεις και να εντοπίζουν κενά πριν από την επικύρωση. Αν κοιτάξει κανείς μόνο αυτά τα παραδοτέα, το συμπέρασμα μοιάζει προφανές: ο επιχειρησιακός αναλυτής εξαφανίζεται.

Δεν συμμερίζομαι αυτό το συμπέρασμα. Εργάζομαι εδώ και χρόνια στην επιχειρησιακή ανάλυση και την ανάλυση συστημάτων πληροφορικής, στον σχεδιασμό λύσεων και στον ψηφιακό μετασχηματισμό, παρακολουθώντας συνεχείς αλλαγές και διαφορετικά στάδια προσαρμογής. Αυτό που εξαφανίζεται δεν είναι ο ρόλος, αλλά οι περιφερειακές του εργασίες. Και αυτό είναι κάτι εντελώς διαφορετικό.

Τι κάνει ένας αναλυτής

Όταν ρωτάτε έναν πελάτη τι χρειάζεται, σας λέει τι θέλει. Τα δύο δεν ταυτίζονται πάντα. Όχι επειδή δεν κατανοεί τη δουλειά του, αλλά επειδή δεν μπορεί πάντοτε να διατυπώσει τις ανάγκες του με αρκετή σαφήνεια. Οι εργασίες ρουτίνας συχνά δεν αναφέρονται, επειδή οι πελάτες τις εκτελούν αυτόματα κάθε μέρα. Οι οριακές περιπτώσεις παραλείπονται εύκολα, καθώς οι άνθρωποι συνήθως τις θυμούνται μόνο όταν προκύπτουν.

Οι συνδέσεις μεταξύ τμημάτων γίνονται αντιληπτές από προσωπική σκοπιά και όχι απαραίτητα από τη σκοπιά του συνόλου. Όταν ένας πελάτης αποφασίζει να αλλάξει πολλά συστήματα ταυτόχρονα, συχνά δεν αντιλαμβάνεται ότι η αλλαγή ενός συστήματος σχεδόν πάντα αλλάζει και κάποια διαδικασία.

Η δουλειά του αναλυτή δεν είναι να καταγράψει όσα είπε ο πελάτης. Είναι να ανακαλύψει όσα δεν είπε και να συνεχίσει να ρωτά μέχρι να έρθουν όλα στην επιφάνεια. Ο αναλυτής εντοπίζει συνδέσεις, εξαρτήσεις και συνέπειες μεταξύ συστημάτων, δεδομένων και επιχειρησιακών διαδικασιών.

Πρόκειται για διαγνωστική ικανότητα, όχι για διοικητική εργασία.

Τρεις κατευθύνσεις για τους επιχειρησιακούς αναλυτές

Τα όρια της επιχειρησιακής ανάλυσης δεν ήταν ποτέ σταθερά. Οι αναλυτές εδώ και καιρό μετακινούνται προς την ευθύνη προϊόντος, τη διαχείριση έργων και πιο τεχνικούς ρόλους. Η AI απλώς επιταχύνει αυτή την κίνηση, μειώνοντας τον χρόνο που απαιτείται για τα συνηθισμένα παραδοτέα.

Μια πρόσφατη έρευνα της Gartner διαπίστωσε ότι περισσότεροι από τους μισούς οργανισμούς είχαν επανασχεδιάσει ή επαναπροσδιορίσει ρόλους λόγω της AI. Παράλληλα, το 78% των επικεφαλής ανθρώπινου δυναμικού συμφωνούσε ότι οι ροές εργασίας και οι ρόλοι θα πρέπει να αλλάξουν για να αποδώσουν οι επενδύσεις τους στην AI.

Από τις παρατηρήσεις και την άμεση εμπειρία μου, διαμορφώνονται τρεις βασικές πορείες.

1. Προς το προϊόν και την επιχειρησιακή πλευρά

Οι αναλυτές που απολαμβάνουν να διαμορφώνουν προϊόντα μπορούν να αναλάβουν ευρύτερους ρόλους που συνδυάζουν την ευθύνη προϊόντος, την επιχειρησιακή ανάλυση και τον συντονισμό της υλοποίησης. Τέτοιοι συνδυασμοί υπάρχουν ήδη, ιδιαίτερα σε μικρότερες ομάδες. Καθώς η AI μειώνει τον χρόνο παραγωγής υλικού ρουτίνας, τα όρια μεταξύ αυτών των ευθυνών πιθανότατα θα γίνουν πιο ευέλικτα.

Αυτό δεν πρέπει να σημαίνει ότι φορτώνουμε τέσσερις δουλειές σε ένα άτομο μόνο και μόνο επειδή η AI μπορεί να γράψει τα έγγραφα. Η ευκαιρία βρίσκεται στη συνένωση ευθυνών που ήδη βασίζονται στην ίδια κατανόηση των αναγκών του πελάτη, των προτεραιοτήτων του προϊόντος και των επιχειρηματικών αποτελεσμάτων.

Αυτή η κατεύθυνση απαιτεί επίσης βαθύτερη κατανόηση των δεδομένων. Η αναλυτική εργασία συχνά επικεντρωνόταν σε διαδικασίες, λειτουργικότητα και απαιτήσεις, αφήνοντας τα δεδομένα στο παρασκήνιο. Τα συστήματα AI κάνουν αυτόν τον διαχωρισμό όλο και δυσκολότερο.

Ένας αναλυτής που κατανοεί τόσο το επιχειρησιακό πλαίσιο όσο και τα δεδομένα μπορεί να αναγνωρίσει πότε ένα μοντέλο απαντά σωστά στη λάθος ερώτηση. Αυτό μπορεί να συμβαίνει επειδή τα διαθέσιμα δεδομένα δεν αποτυπώνουν με ακρίβεια την κατάσταση, επειδή έχει αλλάξει ο επιχειρησιακός ορισμός ενός δείκτη ή επειδή το αρχικό ερώτημα διατυπώθηκε ανεπαρκώς.

Η AI μπορεί να βοηθήσει σχεδόν οποιονδήποτε να δημιουργήσει έναν πίνακα ελέγχου ή μια αναφορά. Η ερμηνεία του τι σημαίνει το αποτέλεσμα για μια συγκεκριμένη επιχείρηση σε μια συγκεκριμένη στιγμή εξακολουθεί να απαιτεί γνώση του πλαισίου και κρίση. Η Forrester περιγράφει μια παρόμοια αλλαγή στους ρόλους του λογισμικού: η AI μεταφέρει χρόνο από την επαναλαμβανόμενη παραγωγή παραδοτέων σε δραστηριότητες όπως η επικύρωση, η ενορχήστρωση και ο έλεγχος.

2. Προς την τεχνική ανάπτυξη πρωτοτύπων

Οι αναλυτές με έντονο ενδιαφέρον για την ανάπτυξη λογισμικού μπορούν, αφού μιλήσουν με έναν πελάτη, να κατασκευάσουν ένα λειτουργικό πρωτότυπο — όχι απλώς μια μακέτα, αλλά κάτι που ο πελάτης μπορεί να δοκιμάσει και να επικυρώσει.

Αυτό αλλάζει την επικύρωση απαιτήσεων: οι πελάτες μπορούν να αλληλεπιδράσουν με μια ιδέα αντί να προσπαθούν να την κατανοήσουν μέσα από ένα έγγραφο. Οι παρανοήσεις μπορούν να εμφανιστούν νωρίτερα, όσο οι αλλαγές παραμένουν σχετικά οικονομικές.

Ένα πρωτότυπο, όμως, δεν είναι σύστημα παραγωγής.

Η ασφάλεια, η διασύνδεση, η κλιμάκωση και η απόδοση υπό φορτίο δεν λύνονται με το «η AI με βοηθά να γράφω κώδικα». Η κατασκευή επιχειρησιακού λογισμικού για παραγωγική λειτουργία απαιτεί διαφορετικό επίπεδο τεχνικής εξειδίκευσης. Ορισμένοι αναλυτές μπορεί να αναπτύξουν σταδιακά αυτές τις δεξιότητες και να πλησιάσουν την ανάπτυξη συστημάτων παραγωγής. Είναι μια αισθητά πιο απαιτητική πορεία από ό,τι αφήνει να εννοηθεί η γρήγορη κατασκευή πρωτοτύπων, αλλά είναι ρεαλιστική.

3. Προς τη διαχείριση έργων και υλοποίησης

Οι αναλυτές ήδη συντονίζουν συζητήσεις με πελάτες, συμβάλλουν στις εκτιμήσεις και διαχειρίζονται ερωτήματα γύρω από το αντικείμενο, τις απαιτήσεις και τις αλλαγές. Αυτό δημιουργεί μια φυσική επικάλυψη με τη διαχείριση έργων.

Σε μικρότερα έργα, ένα άτομο μπορεί να συνδυάζει αναλυτικές και συντονιστικές ευθύνες, επειδή και οι δύο βασίζονται στην κατανόηση του αντικειμένου, των ενδιαφερόμενων μερών και των εξαρτήσεων. Αυτό μπορεί να συντομεύσει τις διαδρομές επικοινωνίας και να διευκολύνει τη σύνδεση των καθημερινών αποφάσεων υλοποίησης με την αρχική επιχειρησιακή ανάγκη.

Αυτό δεν καθιστά περιττό τον διαχειριστή έργου. Σε μεγαλύτερα έργα, όπου ο συντονισμός ανθρώπων, κινδύνων και εξαρτήσεων είναι πραγματικά σύνθετος, η διαχείριση έργων παραμένει εξειδικευμένο πεδίο. Η συνδυαστική προσέγγιση έχει νόημα μόνο όπου το επιτρέπει το αντικείμενο του έργου.

Η διάκριση έχει σημασία. Η AI μπορεί να μειώνει την προσπάθεια που απαιτείται για σχέδια, περιλήψεις συναντήσεων και αναφορές προόδου, αλλά η παραγωγή αυτών των παραδοτέων ποτέ δεν αποτελούσε ολόκληρη την αξία της διαχείρισης έργων.

Τι ξεχωρίζει όσους προσαρμόζονται καλά

Και οι τρεις κατευθύνσεις απαιτούν από τους αναλυτές να ξεπεράσουν τα γνώριμα όρια του ρόλου τους. Η περιέργεια τους δίνει τη διάθεση να δοκιμάσουν νέα εργαλεία και προσεγγίσεις. Η συνεχής μάθηση αποτρέπει αυτό που θεωρώ «χρέος γνώσης»: τη σταδιακή συσσώρευση ξεπερασμένων παραδοχών και δεξιοτήτων, όπως συμβαίνει με το τεχνικό χρέος σε ένα παλαιό σύστημα.

Ίσως όμως η σημαντικότερη ικανότητα είναι η επαλήθευση. Οι αναλυτές συνηθίζουν να ρωτούν «Είναι πράγματι σωστό;» πριν ρωτήσουν «Ολοκληρώθηκε;». Σε ένα περιβάλλον γεμάτο καλογραμμένα και επαγγελματικά παρουσιασμένα αποτελέσματα AI, αυτή η συνήθεια γίνεται πιο πολύτιμη.

Η AI μπορεί να δώσει λανθασμένες απαντήσεις με βέβαιο και πειστικό τρόπο — ένα μοτίβο που ερευνητές του MIT Sloan αναδεικνύουν ως έναν από τους βασικούς λόγους για τους οποίους η ανθρώπινη εποπτεία παραμένει απαραίτητη. Τα αποτελέσματά της μπορούν να είναι δομημένα, εύγλωττα και προσεγμένα.

Η αποτυχία δεν αρχίζει με τη χρήση της AI. Αρχίζει όταν ένα εύλογο αποτέλεσμα γίνεται αποδεκτό χωρίς επαλήθευση.

Το ερώτημα δεν είναι αν θα εξαφανιστούν οι επιχειρησιακοί αναλυτές

Πολλά άρθρα για το μέλλον του ρόλου του αναλυτή γράφονται ως προβλέψεις. Αυτό δεν είναι πρόβλεψη, αλλά παρατήρηση: ο ρόλος αλλάζει, όπως άλλαζε πάντα. Αυτό που διαφέρει αυτή τη φορά είναι η ταχύτητα — και το ότι οι περιφερειακές του εργασίες γίνονται προσιτές σχεδόν σε όλους.

Ένας προγραμματιστής μπορεί να χρησιμοποιήσει AI για ανάλυση απαιτήσεων. Ένας μάνατζερ μπορεί να τη χρησιμοποιήσει για τη δημιουργία ιστοριών χρήστη. Μπορεί να μην κάνουν κανένα από τα δύο ιδιαίτερα καλά, αλλά ένας αναλυτής του οποίου η αξία στηρίζεται αποκλειστικά στην παραγωγή παραδοτέων θα δυσκολευτεί.

Στο κέντρο του ρόλου παραμένει η ικανότητα να αποκαλύπτει αδήλωτες ανάγκες, να συνδέει επιχειρησιακό και τεχνικό πλαίσιο, να επαληθεύει αποτελέσματα και να βλέπει συνδέσεις που δεν βλέπει ο πελάτης. Σύμφωνα με την Παγκόσμια Έκθεση για την Κατάσταση της Επιχειρησιακής Ανάλυσης 2025 του IIBA, το 74% των επαγγελματιών δηλώνει ότι η AI επηρεάζει θετικά την καριέρα του, ενώ ανθρώπινες δεξιότητες όπως η επικοινωνία, η στρατηγική σκέψη και η προσαρμοστικότητα γίνονται σημαντικότερες.

Το ερώτημα δεν είναι αν θα εξαφανιστεί η επιχειρησιακή ανάλυση, αλλά τι παραμένει όταν οι περιφερειακές της εργασίες γίνουν διαθέσιμες σε όλους.

Η απάντηση είναι η κρίση που απαιτεί χρόνια πρακτικής, διαφορετικά έργα και εμπειρία αποτυχίας για να αναπτυχθεί. Είναι η ικανότητα να αναγνωρίζεις ότι μια καταγεγραμμένη απαίτηση είναι ελλιπής, ένα λειτουργικό πρωτότυπο λύνει το λάθος πρόβλημα ή μια προσεγμένη απάντηση βασίζεται σε λανθασμένη παραδοχή.

Αυτό είναι το μέρος της επιχειρησιακής ανάλυσης που δεν αποκτάται γρήγορα.