Forretningsanalytikeren i AI‑agentenes tidsalder

AI kan generere et brukstilfelle‑skjema på under ett minutt, gjøre en enkel idé om til en grunnleggende prototype innen en time og produsere kravdokumentasjon på en brøkdel av den tiden det tidligere tok. Dette skiftet er allerede synlig i den daglige forretningsanalysen, med praktikere som bruker AI til å forberede innhentingssesjoner, utforme krav og identifisere hull før validering. Se kun på disse leveransene, og konklusjonen virker åpenbar: forretningsanalytikeren forsvinner.

Jeg deler ikke den konklusjonen. Jeg har jobbet med forretnings- og IT‑analyse, løsningsdesign og digital transformasjon i flere år, og har vært vitne til kontinuerlig endring og ulike tilpasningsstadier. Det som forsvinner er ikke rollen. Det som forsvinner er dens periferi. Og det er noe helt annet.

Hva en analytiker gjør

Når du spør en kunde hva de trenger, forteller de deg hva de ønsker. Dette er ikke alltid det samme. Ikke fordi de ikke forstår sitt eget arbeid – de klarer bare ikke alltid å formulere behovene sine tydelig nok. Rutineaktiviteter blir ofte ikke nevnt fordi kundene utfører dem automatisk hver dag. Kanttilfeller blir lett oversett fordi folk husker dem kun når de oppstår.

Forbindelser mellom avdelinger forstås fra et personlig ståsted, ikke nødvendigvis fra helhetsperspektivet. Når en kunde bestemmer seg for å endre flere systemer samtidig, ser de ofte ikke at endring av ett system nesten alltid også endrer en prosess.

Analytikerens oppgave er ikke å skrive ned hva kunden sa. Oppgaven er å finne ut hva kunden ikke sa, og fortsette å stille spørsmål til alt kommer frem. Analytikeren sporer forbindelser, avhengigheter og konsekvenser på tvers av systemer, data og forretningsprosesser.

Det er en diagnostisk evne, ikke en administrativ aktivitet.

Tre retninger for forretningsanalytikere

Grensene for forretningsanalyse har aldri vært faste. Analytikere har lenge beveget seg inn i produktansvar, prosjektledelse og mer tekniske roller. AI akselererer bare denne bevegelsen ved å redusere tiden som kreves for rutinemessige leveranser.

En nylig Gartner‑undersøkelse viste at mer enn halvparten av organisasjonene hadde redesignet eller redefinert roller på grunn av AI, mens 78 % av HR‑ledere var enige om at arbeidsflyter og roller måtte realisere verdien av sine AI‑investeringer.

Basert på mine observasjoner og direkte erfaring, tar tre hovedretninger form.

1. Mot produkt og forretning

Analytikere som liker å forme produkter kan gå inn i bredere roller som omfatter produktansvar, forretningsanalyse og leveringskoordinering. Slike kombinasjoner finnes allerede, spesielt i mindre team. Etter hvert som AI reduserer tiden som brukes på å produsere rutinemessige artefakter, vil grensene mellom disse ansvarsområdene sannsynligvis bli mer flytende.

Dette skal ikke bety at fire jobber legges på én person bare fordi AI kan skrive dokumentene. Muligheten ligger i å samle ansvar som allerede avhenger av samme forståelse av kundebehov, produktprioriteringer og forretningsresultater.

Dette retning krever også en sterkere forståelse av data. Analytisk arbeid har ofte fokusert på prosesser, funksjonalitet og krav, mens datalaget har blitt holdt i bakgrunnen. AI‑systemer gjør denne adskillelsen stadig vanskeligere.

En analytiker som forstår både forretningskonteksten og dataene, kan gjenkjenne når en modell svarer riktig på feil spørsmål. Det kan skje fordi tilgjengelige data ikke representerer situasjonen nøyaktig, forretningsdefinisjonen bak en metrikk har endret seg, eller det opprinnelige spørsmålet var dårlig formulert.

AI kan hjelpe nesten hvem som helst med å lage et dashbord eller en rapport. Å tolke hva resultatet betyr for en bestemt virksomhet, på et bestemt tidspunkt, krever fortsatt kontekst og skjønn. Forrester beskriver en lignende endring på tvers av programvareroller, der AI flytter tid bort fra repeterende artefaktproduksjon og mot aktiviteter som validering, orkestrering og kontroll.

2. Mot teknisk prototyping

Analytikere med sterk forkjærlighet for utvikling kan kunne snakke med en kunde og deretter bygge en fungerende prototype – ikke bare en mock‑up, men noe kunden kan teste og validere.

Dette endrer kravvalidering: kundene kan samhandle med en idé i stedet for å prøve å tolke den fra et dokument. Misforståelser kan komme frem tidligere, mens endringer fortsatt er relativt rimelige å gjennomføre.

Men en prototype er ikke et produksjonssystem.

Sikkerhet, integrasjon, skalering og ytelse under belastning løses ikke av «AI hjelper meg med kode». Å bygge bedriftsprogramvare for produksjon krever et annet nivå av ingeniørekspertise. Noen analytikere kan gradvis utvikle disse ferdighetene og bevege seg nærmere utvikling på produksjonsnivå. Det er en betydelig mer krevende vei enn rask prototyping antyder, men den er realistisk.

3. Mot prosjekt‑ og leveranseledelse

Analytikere koordinerer allerede kundediskusjoner, bidrar til estimater og håndterer spørsmål rundt omfang, krav og endringer. Dette skaper et naturlig overlapp med prosjektledelse.

I mindre prosjekter kan én person kunne kombinere analytiske og koordinerende ansvarsområder fordi begge avhenger av forståelse av omfang, interessenter og avhengigheter. Dette kan forkorte kommunikasjonsveier og gjøre det enklere å knytte daglige leveringsbeslutninger til det opprinnelige forretningsbehovet.

Dette gjør ikke prosjektlederen overflødig. I større prosjekter, hvor koordinering av personer, risikoer og avhengigheter er genuint kompleks, forblir prosjektledelse en spesialistdisiplin. Den kombinerte tilnærmingen gir mening kun der omfanget tillater det.

Skillet er viktig. AI kan redusere innsatsen som kreves for å lage planer, møtesammendrag eller statusrapporter, men å produsere disse artefaktene har aldri vært den fulle verdien av prosjektledelse.

Hva som skiller de som navigerer dette godt

Alle tre retninger krever at analytikere beveger seg utover kjente rollegrenser. Nysgjerrighet gir dem viljen til å teste nye verktøy og tilnærminger. Kontinuerlig læring forhindrer det jeg kaller kunnskapsgjeld: den gradvise opphopningen av utdaterte antakelser og ferdigheter, på samme måte som teknisk gjeld i et eldre system.

Kanskje viktigst er imidlertid evnen til å verifisere. Analytikere er vant til å spørre «Er dette egentlig korrekt?» før de spør «Er dette ferdig?» I et miljø fullt av flytende, profesjonelt presenterte AI‑resultater blir denne vanen enda mer verdifull.

AI kan produsere feil svar i en selvsikker og overbevisende form – et mønster fremhevet av MIT Sloan‑forskerne som en av hovedgrunnene til at menneskelig tilsyn fortsatt er avgjørende. Resultatene kan være strukturerte, flytende og polerte.

Feil oppstår ikke i øyeblikket AI brukes. Det begynner når et plausibelt resultat aksepteres uten verifisering.

Spørsmålet er ikke om BA‑ene vil forsvinne

Mange artikler om fremtiden til analytikerrollen er skrevet som spådommer. Dette er ikke en spådom. Det er en observasjon: rollen endrer seg som den alltid har gjort. Det som er annerledes denne gangen, er hastigheten – og det faktum at dens periferi blir tilgjengelig for nesten alle.

En utvikler kan bruke AI til å utføre kravanalyse. En leder kan bruke den til å generere brukerhistorier. De gjør kanskje ikke noen av delene særlig bra, men en analytiker hvis verdi kun hviler på å levere leveranser vil få en vanskelig tid.

Det som forblir i kjernen av rollen, er evnen til å avdekke uuttalte behov, knytte sammen forretnings‑ og teknisk kontekst, verifisere resultater og se forbindelser som kunden ikke kan. Ifølge IIBA’s 2025 Global State of Business Analysis Report sier 74 % av praktikere at AI påvirker karrieren deres positivt, mens menneskelige ferdigheter som kommunikasjon, strategisk tenkning og tilpasningsevne blir stadig viktigere.

Spørsmålet er ikke om forretningsanalyse vil forsvinne. Det er hva som forblir når dens periferi blir tilgjengelig for alle.

Svaret er den dømmekraften som krever år med praksis, varierte prosjekter og erfaring med feil for å utvikle. Det er evnen til å innse at et dokumentert krav er ufullstendig, at en fungerende prototype løser feil problem, eller at et polert svar hviler på en falsk antakelse.

Det er den delen av forretningsanalyse som ikke kan tilegnes raskt.