Analis Bisnis di Era Agen AI

AI dapat menghasilkan kerangka kasus penggunaan dalam kurang dari satu menit, mengubah ide sederhana menjadi prototipe dasar dalam satu jam, dan menghasilkan dokumentasi kebutuhan dalam sebagian kecil waktu yang dulu diperlukan. Perubahan ini sudah terlihat dalam analisis bisnis sehari-hari, dengan praktisi menggunakan AI untuk menyiapkan sesi elisitasi, menyusun kebutuhan, dan mengidentifikasi kesenjangan sebelum validasi. Lihat saja hasil-hasil tersebut, dan kesimpulannya tampak jelas: analis bisnis menghilang.

Saya tidak setuju dengan kesimpulan itu. Saya telah bekerja dalam analisis bisnis dan TI, perancangan solusi, serta transformasi digital selama bertahun‑tahun, menyaksikan perubahan terus‑menerus dan berbagai tahap adaptasi. Yang menghilang bukanlah peran itu. Yang menghilang adalah pinggirannya. Dan itu sesuatu yang sepenuhnya berbeda.

Apa yang Dilakukan Seorang Analis

Ketika Anda menanyakan kepada pelanggan apa yang mereka butuhkan, mereka memberi tahu apa yang mereka inginkan. Kedua hal itu tidak selalu sama. Bukan karena mereka tidak memahami pekerjaan mereka – mereka hanya tidak selalu dapat mengungkapkan kebutuhan mereka dengan jelas. Aktivitas rutin sering tidak disebutkan karena pelanggan melakukannya secara otomatis setiap hari. Kasus pinggiran mudah terlewat karena orang cenderung mengingatnya hanya ketika terjadi.

Koneksi antar departemen dipahami dari sudut pandang pribadi, tidak selalu dari perspektif keseluruhan. Dan ketika seorang pelanggan memutuskan mengubah beberapa sistem sekaligus, mereka sering tidak menyadari bahwa mengubah satu sistem hampir selalu mengubah sebuah proses juga.

Tugas analis bukan menuliskan apa yang dikatakan pelanggan. Tugasnya adalah menemukan apa yang tidak dikatakan pelanggan, dan terus mengajukan pertanyaan hingga semua terungkap. Analis melacak koneksi, ketergantungan, dan konsekuensi di seluruh sistem, data, dan proses bisnis.

Itu adalah kemampuan diagnostik, bukan aktivitas administratif.

Tiga Arah untuk Analis Bisnis

Batasan analisis bisnis tidak pernah bersifat tetap. Analis telah lama beralih ke kepemilikan produk, manajemen proyek, dan peran yang lebih teknis. AI hanya mempercepat pergerakan tersebut dengan mengurangi waktu yang dibutuhkan untuk hasil rutin.

Sebuah survei Gartner baru-baru ini menemukan bahwa lebih dari setengah organisasi telah merancang ulang atau mendefinisikan kembali peran karena AI, sementara 78% pemimpin HR setuju bahwa alur kerja dan peran perlu merealisasikan nilai investasi AI mereka.

Dari pengamatan dan pengalaman langsung saya, tiga lintasan utama sedang terbentuk.

1. Menuju Produk dan Bisnis

Analis yang menikmati merancang produk dapat beralih ke peran yang lebih luas mencakup kepemilikan produk, analisis bisnis, dan koordinasi pengiriman. Kombinasi semacam itu sudah ada, terutama di tim kecil. Karena AI mengurangi waktu yang dihabiskan untuk menghasilkan artefak rutin, batas antara tanggung jawab ini kemungkinan akan menjadi lebih cair.

Ini tidak berarti memberikan empat pekerjaan kepada satu orang hanya karena AI dapat menulis dokumen. Kesempatan terletak pada menggabungkan tanggung jawab yang sudah bergantung pada pemahaman yang sama tentang kebutuhan pelanggan, prioritas produk, dan hasil bisnis.

Arah ini juga memerlukan pemahaman data yang lebih kuat. Pekerjaan analitis sering berfokus pada proses, fungsionalitas, dan kebutuhan sementara lapisan data dibiarkan di latar belakang. Sistem AI membuat pemisahan itu semakin sulit.

Seorang analis yang memahami konteks bisnis dan data dapat mengenali ketika sebuah model menjawab pertanyaan yang salah dengan benar. Hal ini dapat terjadi karena data yang tersedia tidak merepresentasikan situasi secara akurat, definisi bisnis di balik metrik telah berubah, atau pertanyaan asli dirumuskan dengan buruk.

AI dapat membantu hampir siapa saja membuat dasbor atau laporan. Menafsirkan apa arti hasil tersebut bagi bisnis tertentu pada saat tertentu masih memerlukan konteks dan penilaian. Forrester menggambarkan perubahan serupa di seluruh peran perangkat lunak, dengan AI memindahkan waktu dari produksi artefak berulang ke aktivitas seperti validasi, orkestrasi, dan kontrol.

2. Menuju Prototipe Teknis

Analis yang memiliki kecenderungan kuat terhadap pengembangan dapat berbicara dengan pelanggan dan kemudian membangun prototipe yang berfungsi – bukan sekadar mock-up, melainkan sesuatu yang dapat diuji dan divalidasi oleh pelanggan.

Ini mengubah validasi kebutuhan: pelanggan dapat berinteraksi dengan sebuah ide alih-alih mencoba menafsirkannya dari dokumen. Kesalahpahaman dapat muncul lebih awal, sementara perubahan masih relatif murah untuk dilakukan.

Namun prototipe bukanlah sistem produksi.

Keamanan, integrasi, skalabilitas, dan kinerja di bawah beban tidak dapat diselesaikan dengan “AI membantu saya menulis kode”. Membangun perangkat lunak perusahaan untuk produksi memerlukan tingkat keahlian rekayasa yang berbeda. Beberapa analis mungkin secara bertahap mengembangkan keterampilan tersebut dan mendekati pengembangan tingkat produksi. Ini merupakan jalur yang jauh lebih menuntut daripada yang disiratkan oleh prototipe cepat, namun tetap realistis.

3. Menuju Manajemen Proyek dan Pengiriman

Analis sudah mengoordinasikan diskusi dengan pelanggan, berkontribusi pada perkiraan, dan mengelola pertanyaan seputar ruang lingkup, kebutuhan, dan perubahan. Hal ini menciptakan tumpang tindih alami dengan manajemen proyek.

Pada proyek kecil, satu orang mungkin dapat menggabungkan tanggung jawab analitis dan koordinasi karena keduanya bergantung pada pemahaman ruang lingkup, pemangku kepentingan, dan ketergantungan. Hal ini dapat memendekkan jalur komunikasi dan memudahkan menghubungkan keputusan pengiriman harian dengan kebutuhan bisnis asli.

Ini tidak membuat manajer proyek menjadi tidak diperlukan. Pada proyek besar, di mana koordinasi orang, risiko, dan ketergantungan memang kompleks, manajemen proyek tetap menjadi disiplin khusus. Pendekatan gabungan hanya masuk akal bila ruang lingkup memungkinkan.

Perbedaan ini penting. AI dapat mengurangi upaya yang diperlukan untuk membuat rencana, ringkasan rapat, atau laporan status, tetapi menghasilkan artefak tersebut tidak pernah menjadi nilai penuh dari manajemen proyek.

Apa yang Membedakan Mereka yang Menavigasi Ini dengan Baik

Ketiga arah tersebut menuntut analis melampaui batas peran yang familiar. Rasa ingin tahu memberi mereka kemauan untuk menguji alat dan pendekatan baru. Pembelajaran berkelanjutan mencegah apa yang saya sebut sebagai hutang pengetahuan: akumulasi bertahap asumsi dan keterampilan usang, mirip dengan hutang teknis dalam sistem warisan.

Mungkin yang paling penting, bagaimanapun, adalah kemampuan untuk memverifikasi. Analis terbiasa menanyakan “Apakah ini benar-benar tepat?” sebelum menanyakan “Apakah ini selesai?” Dalam lingkungan yang penuh dengan output AI yang fasih dan profesional, kebiasaan itu menjadi lebih berharga.

AI dapat menghasilkan jawaban yang salah dengan cara yang percaya diri dan meyakinkan – pola yang disorot oleh peneliti MIT Sloan sebagai salah satu alasan utama mengapa pengawasan manusia tetap penting. Outputnya dapat terstruktur, fasih, dan halus.

Kegagalan tidak terjadi pada saat menggunakan AI. Kegagalan dimulai ketika output yang tampak masuk akal diterima tanpa verifikasi.

Pertanyaannya Bukan Apakah Analis Bisnis Akan Menghilang

Banyak artikel tentang masa depan peran analis ditulis sebagai prediksi. Ini bukan prediksi. Ini adalah observasi: peran tersebut berubah seperti biasa. Yang berbeda kali ini adalah kecepatan – dan fakta bahwa pinggirannya menjadi dapat diakses oleh hampir siapa saja.

Seorang pengembang dapat menggunakan AI untuk melakukan analisis kebutuhan. Seorang manajer dapat menggunakannya untuk menghasilkan user story. Mereka mungkin tidak melakukannya dengan baik, tetapi analis yang nilai tambahnya semata‑mata terletak pada menghasilkan deliverable akan mengalami kesulitan.

Apa yang tetap di pusat peran adalah kemampuan mengungkap kebutuhan yang tidak diungkapkan, menghubungkan konteks bisnis dan teknis, memverifikasi output, dan melihat hubungan yang tidak dapat dilihat pelanggan. Menurut Laporan Global State of Business Analysis 2025 dari IIBA, 74% praktisi mengatakan AI berdampak positif pada karier mereka, sementara keterampilan manusia seperti komunikasi, berpikir strategis, dan adaptabilitas menjadi semakin penting.

Pertanyaannya bukan apakah analisis bisnis akan menghilang. Pertanyaannya adalah apa yang tetap ada ketika pinggirannya menjadi tersedia bagi semua orang.

Jawabannya adalah penilaian yang memerlukan bertahun‑tahun praktik, proyek yang beragam, dan pengalaman dengan kegagalan untuk mengembangkannya. Itu adalah kemampuan mengenali bahwa sebuah kebutuhan yang terdokumentasi tidak lengkap, sebuah prototipe yang berfungsi menyelesaikan masalah yang salah, atau sebuah jawaban yang halus berlandaskan asumsi yang keliru.

Itulah bagian dari analisis bisnis yang tidak dapat diperoleh dengan cepat.