Analityk Biznesowy w Erze Agentów AI

AI może wygenerować zarys przypadku użycia w mniej niż minutę, przekształcić prostą koncepcję w podstawowy prototyp w ciągu godziny i stworzyć dokumentację wymagań w ułamku czasu, który kiedyś był potrzebny. Ta zmiana jest już widoczna w codziennej analizie biznesowej, gdy praktycy używają AI do przygotowywania sesji elicytacji, opracowywania wymagań i identyfikowania luk przed walidacją. Patrząc tylko na te rezultaty, wniosek wydaje się oczywisty: analityk biznesowy znika.

Nie podzielam tego wniosku. Pracowałem w analizie biznesowej i IT, projektowaniu rozwiązań oraz transformacji cyfrowej przez lata, obserwując ciągłe zmiany i różne etapy adaptacji. To, co znika, nie jest rolą. To, co znika, to jej peryferie. A to jest zupełnie coś innego.

Co robi analityk

Kiedy pytasz klienta, czego potrzebuje, mówi ci, czego chce. To nie zawsze to samo. Nie dlatego, że nie rozumie swojej pracy – po prostu nie zawsze potrafi wystarczająco jasno wyrazić swoje potrzeby. Rutynowe czynności często nie są wymieniane, ponieważ klienci wykonują je automatycznie, codziennie. Przypadki brzegowe łatwo przeoczyć, ponieważ ludzie pamiętają je tylko wtedy, gdy się zdarzają.

Powiązania między działami są rozumiane z perspektywy jednostkowej, niekoniecznie z punktu widzenia całości. Gdy klient decyduje się jednocześnie zmienić wiele systemów, często nie dostrzega, że zmiana jednego systemu prawie zawsze wpływa również na proces.

Zadaniem analityka nie jest spisanie tego, co klient powiedział. Zadaniem jest odkrycie tego, czego klient nie powiedział, i zadawanie pytań, aż wszystko wyjdzie na jaw. Analityk śledzi powiązania, zależności i konsekwencje w systemach, danych i procesach biznesowych.

That is a diagnostic capability, not an administrative activity.

Trzy kierunki dla analityków biznesowych

Granice analizy biznesowej nigdy nie były stałe. Analitycy od dawna przechodzą do roli właściciela produktu, zarządzania projektami i bardziej technicznych ról. AI po prostu przyspiesza ten ruch, skracając czas potrzebny na rutynowe dostawy.

Niedawny ankiet Gartner wykazał, że ponad połowa organizacji przedefiniowała lub przeprojektowała role z powodu AI, podczas gdy 78 % liderów HR zgodziło się, że przepływy pracy i role będą musiały wykorzystać wartość ich inwestycji w AI.

Z moich obserwacji i bezpośredniego doświadczenia wynika, że kształtują się trzy główne trajektorie.

1. W kierunku produktu i biznesu

Analitycy, którzy lubią kształtować produkty, mogą przejść do szerszych ról obejmujących własność produktu, analizę biznesową i koordynację dostaw. Takie kombinacje już istnieją, szczególnie w mniejszych zespołach. W miarę jak AI skraca czas poświęcany na tworzenie rutynowych artefaktów, granice między tymi obowiązkami prawdopodobnie staną się bardziej płynne.

To nie powinno oznaczać przydzielenia czterech zadań jednej osobie tylko dlatego, że AI potrafi pisać dokumenty. Szansa polega na połączeniu obowiązków, które już opierają się na tym samym zrozumieniu potrzeb klienta, priorytetów produktu i rezultatów biznesowych.

Ten kierunek wymaga również lepszego zrozumienia danych. Praca analityczna często koncentrowała się na procesach, funkcjonalności i wymaganiach, pozostawiając warstwę danych w tle. Systemy AI coraz trudniej utrzymują to rozdzielenie.

Analityk, który rozumie zarówno kontekst biznesowy, jak i dane, może rozpoznać, kiedy model prawidłowo odpowiada na niewłaściwe pytanie. Może się to zdarzyć, ponieważ dostępne dane nie odzwierciedlają sytuacji dokładnie, definicja biznesowa stojąca za miarą uległa zmianie lub pierwotne pytanie było źle sformułowane.

AI może pomóc prawie każdemu w stworzeniu pulpitu nawigacyjnego lub raportu. Interpretacja, co wynik oznacza dla konkretnego biznesu, w konkretnym momencie, nadal wymaga kontekstu i osądu. Forrester opisuje podobną zmianę w rolach związanych z oprogramowaniem, gdzie AI przenosi czas z produkcji powtarzalnych artefaktów na działania takie jak walidacja, orkiestracja i kontrola.

2. W kierunku prototypowania technicznego

Analitycy z dużą skłonnością do programowania mogą rozmawiać z klientem, a następnie stworzyć działający prototyp – nie tylko makietę, ale coś, co klient może przetestować i zwalidować.

To zmienia walidację wymagań: klienci mogą wchodzić w interakcję z pomysłem zamiast próbować interpretować go z dokumentu. Nieporozumienia mogą pojawić się wcześniej, gdy zmiany są jeszcze stosunkowo tanie.

Jednak prototyp nie jest systemem produkcyjnym.

Bezpieczeństwo, integracja, skalowanie i wydajność pod obciążeniem nie zostaną rozwiązane przez „AI pomaga mi kodować”. Tworzenie oprogramowania korporacyjnego do produkcji wymaga innego poziomu wiedzy inżynierskiej. Niektórzy analitycy mogą stopniowo rozwijać te umiejętności i zbliżać się do rozwoju na poziomie produkcyjnym. To znacznie bardziej wymagająca ścieżka niż sugeruje szybkie prototypowanie, ale jest realistyczna.

3. W kierunku zarządzania projektami i dostawą

Analitycy już koordynują dyskusje z klientem, przyczyniają się do szacowań i zarządzają pytaniami dotyczącymi zakresu, wymagań i zmian. To tworzy naturalne pokrycie z zarządzaniem projektami.

W mniejszych projektach jedna osoba może połączyć obowiązki analityczne i koordynacyjne, ponieważ oba zależą od zrozumienia zakresu, interesariuszy i zależności. To może skrócić ścieżki komunikacji i ułatwić powiązanie codziennych decyzji dostawczych z pierwotną potrzebą biznesową.

To nie czyni kierownika projektu zbędnym. W większych projektach, gdzie koordynowanie ludzi, ryzyk i zależności jest naprawdę złożone, zarządzanie projektami pozostaje specjalistyczną dyscypliną. Połączone podejście ma sens tylko wtedy, gdy zakres na to pozwala.

The distinction matters. AI may reduce the effort required to create plans, meeting summaries or status reports, but producing those artifacts was never the full value of project management either.

Co odróżnia tych, którzy radzą sobie w tym dobrze

Wszystkie trzy kierunki wymagają od analityków wyjścia poza znane granice ról. Ciekawość daje im chęć testowania nowych narzędzi i podejść. Ciągłe uczenie się zapobiega temu, co nazywam długiem wiedzy: stopniowemu gromadzeniu przestarzałych założeń i umiejętności, podobnie jak dług techniczny w systemie legacy.

Być może najważniejsza jest jednak zdolność weryfikacji. Analitycy są przyzwyczajeni pytać „Czy to jest naprawdę poprawne?” zanim zapytają „Czy to jest gotowe?”. W środowisku pełnym płynnych, profesjonalnie przedstawionych wyników AI, ten nawyk staje się cenniejszy.

AI może generować nieprawidłowe odpowiedzi w pewnej i przekonującej formie – wzorzec podkreślony przez badaczy MIT Sloan jako jeden z kluczowych powodów, dla których nadzór człowieka pozostaje niezbędny. Jego wyniki mogą być strukturalne, płynne i dopracowane.

Failure does not happen at the point of using AI. It begins when a plausible output is accepted without verification.

Pytanie nie brzmi, czy analitycy biznesowi znikną

Wiele artykułów o przyszłości roli analityka jest napisanych jako prognozy. To nie jest prognoza. To obserwacja: rola zmienia się, tak jak zawsze. To, co różni się tym razem, to tempo – oraz fakt, że jej peryferie stają się dostępne prawie dla każdego.

Programista może używać AI do przeprowadzania analizy wymagań. Menedżer może używać jej do generowania historii użytkowników. Mogą nie robić tego szczególnie dobrze, ale analityk, którego wartość opiera się wyłącznie na dostarczaniu rezultatów, będzie miał trudności.

To, co pozostaje w centrum roli, to zdolność odkrywania nieujawnionych potrzeb, łączenia kontekstów biznesowych i technicznych, weryfikacji wyników oraz dostrzegania powiązań, których klient nie widzi. Według raportu IIBA Global State of Business Analysis 2025 74 % praktyków twierdzi, że AI pozytywnie wpływa na ich kariery, podczas gdy umiejętności ludzkie, takie jak komunikacja, myślenie strategiczne i zdolność adaptacji, stają się coraz ważniejsze.

Pytanie nie brzmi, czy analiza biznesowa zniknie. Pytanie brzmi, co pozostanie, gdy jej peryferie staną się dostępne dla wszystkich.

Odpowiedź to osąd, który wymaga lat praktyki, różnorodnych projektów i doświadczenia z porażkami, aby się rozwinąć. To zdolność rozpoznania, że udokumentowane wymaganie jest niekompletne, działający prototyp rozwiązuje niewłaściwy problem lub dopracowana odpowiedź opiera się na fałszywym założeniu.

To jest część analizy biznesowej, której nie da się szybko nabyć.