Бизнес‑аналитик в эпоху AI‑агентов

ИИ может менее чем за минуту подготовить схему сценария использования, за час превратить простую идею в базовый прототип и составить документацию по требованиям за небольшую долю прежнего времени. Эти перемены уже заметны в повседневном бизнес-анализе: специалисты используют ИИ для подготовки встреч по выявлению потребностей, составления требований и поиска пробелов перед проверкой. Если смотреть только на эти результаты работы, вывод кажется очевидным: бизнес-аналитик исчезает.

Я не разделяю этот вывод. Я много лет занимаюсь бизнес- и ИТ-анализом, проектированием решений и цифровой трансформацией, наблюдая непрерывные изменения и разные этапы адаптации. Исчезает не сама роль, а её периферия. И это совсем другое.

Что делает аналитик

Когда вы спрашиваете заказчика, что ему нужно, он рассказывает, чего хочет. Это не всегда одно и то же. Не потому, что он не понимает собственную работу: просто ему не всегда удаётся достаточно чётко сформулировать потребности. Рутинные действия часто остаются неупомянутыми, поскольку заказчик выполняет их автоматически каждый день. Нестандартные случаи легко упустить, потому что люди обычно вспоминают о них лишь тогда, когда они возникают.

Связи между подразделениями воспринимаются с личной точки зрения, не обязательно с позиции организации в целом. А решив одновременно изменить несколько систем, заказчик часто не замечает, что изменение одной системы почти всегда меняет и какой-либо процесс.

Работа аналитика — не записать сказанное заказчиком, а выяснить то, чего он не сказал, и продолжать задавать вопросы, пока всё не станет явным. Аналитик прослеживает связи, зависимости и последствия между системами, данными и бизнес-процессами.

Это способность к диагностике, а не административная деятельность.

Три направления для бизнес-аналитиков

Границы бизнес-анализа никогда не были неподвижными. Аналитики давно переходят к обязанностям владельца продукта, управлению проектами и более техническим ролям. ИИ лишь ускоряет это движение, сокращая время подготовки типовых результатов работы.

Недавний опрос Gartner показал, что более половины организаций уже изменили или переопределили роли из-за ИИ, а 78% руководителей кадровых служб согласились, что для получения отдачи от инвестиций в ИИ потребуется менять рабочие процессы и роли.

По моим наблюдениям и непосредственному опыту, складываются три основные траектории.

1. В сторону продукта и бизнеса

Аналитики, которым нравится формировать продукт, могут переходить к более широким ролям, объединяющим обязанности владельца продукта, бизнес-анализ и координацию реализации. Такие сочетания уже существуют, особенно в небольших командах. По мере того как ИИ сокращает время на подготовку типовых материалов, границы между этими обязанностями, вероятно, будут становиться гибче.

Это не должно означать передачу четырёх работ одному человеку лишь потому, что ИИ умеет писать документы. Возможность заключается в объединении обязанностей, которые уже опираются на общее понимание потребностей заказчика, приоритетов продукта и бизнес-результатов.

Это направление также требует более глубокого понимания данных. Аналитическая работа часто сосредоточивалась на процессах, функциональности и требованиях, оставляя данные на втором плане. Системы ИИ всё сильнее затрудняют такое разделение.

Аналитик, понимающий и бизнес-контекст, и данные, способен заметить, когда модель правильно отвечает на неправильный вопрос. Это может происходить потому, что имеющиеся данные неточно отражают ситуацию, бизнес-определение показателя изменилось или исходный вопрос был плохо сформулирован.

ИИ может помочь почти любому создать дашборд или отчёт. Но чтобы понять, что результат означает для конкретного бизнеса в конкретный момент, по-прежнему нужны контекст и суждение. Forrester описывает сходные изменения в ролях, связанных с разработкой ПО: ИИ позволяет тратить меньше времени на повторяющееся создание материалов и больше — на проверку, координацию процессов и контроль.

2. В сторону технического прототипирования

Аналитики с выраженным интересом к разработке могут после разговора с заказчиком создавать работающий прототип — не просто макет, а нечто, что заказчик способен испытать и проверить.

Это меняет проверку требований: заказчик взаимодействует с воплощённой идеей вместо того, чтобы пытаться понять её по документу. Недопонимание обнаруживается раньше, пока изменения ещё сравнительно недороги.

Но прототип — не производственная система.

Безопасность, интеграция, масштабирование и производительность под нагрузкой не решаются утверждением «ИИ помогает мне писать код». Создание корпоративного ПО для промышленной эксплуатации требует другого уровня инженерной компетенции. Некоторые аналитики могут постепенно освоить эти навыки и приблизиться к разработке производственных систем. Это значительно более сложный путь, чем кажется по быстрому прототипированию, но он реалистичен.

3. В сторону управления проектами и реализацией

Аналитики уже координируют обсуждения с заказчиками, участвуют в оценках и решают вопросы объёма работ, требований и изменений. Это создаёт естественное пересечение с управлением проектами.

В небольших проектах один человек может совмещать аналитические и координационные обязанности, поскольку обе опираются на понимание объёма работ, заинтересованных сторон и зависимостей. Это сокращает коммуникационные цепочки и облегчает связь повседневных решений по реализации с исходной потребностью бизнеса.

Это не делает руководителя проекта ненужным. В крупных проектах, где координация людей, рисков и зависимостей действительно сложна, управление проектами остаётся отдельной специализацией. Совмещение имеет смысл только там, где его допускает масштаб работ.

Это различие важно. ИИ может уменьшить трудозатраты на планы, протоколы встреч и отчёты о состоянии проекта, но создание этих материалов никогда не составляло всей ценности управления проектами.

Что отличает тех, кто успешно проходит через перемены

Все три направления требуют от аналитиков выйти за привычные границы роли. Любознательность даёт готовность испытывать новые инструменты и подходы. Непрерывное обучение предотвращает то, что я называю долгом знаний: постепенное накопление устаревших предположений и навыков, подобно техническому долгу в старой системе.

Но, пожалуй, самое важное — способность проверять. Аналитики привыкли спрашивать «Это действительно верно?» прежде, чем «Это готово?». В среде, наполненной гладкими, профессионально оформленными результатами ИИ, эта привычка становится ещё ценнее.

ИИ способен уверенно и убедительно давать неверные ответы. Именно эту закономерность исследователи MIT Sloan отмечают как одну из ключевых причин, по которым человеческий надзор остаётся необходимым. Ответы ИИ могут быть структурированными, связными и отточенными.

Ошибка начинается не с использования ИИ, а с принятия правдоподобного результата без проверки.

Вопрос не в том, исчезнут ли бизнес-аналитики

Многие статьи о будущем роли аналитика написаны в форме прогнозов. Это не прогноз, а наблюдение: роль меняется, как менялась всегда. На этот раз отличаются скорость и то, что её периферийные задачи становятся доступны практически каждому.

Разработчик может использовать ИИ для анализа требований, а менеджер — для создания пользовательских историй. Возможно, ни тот ни другой не справится особенно хорошо, но аналитику, чья ценность заключается исключительно в подготовке материалов, придётся трудно.

В центре роли остаётся способность выявлять невысказанные потребности, связывать бизнес- и технический контекст, проверять результаты и замечать связи, которых не видит заказчик. Согласно отчёту IIBA «Глобальное состояние бизнес-анализа — 2025», 74% специалистов считают, что ИИ положительно влияет на их карьеру, а такие человеческие навыки, как коммуникация, стратегическое мышление и адаптивность, становятся важнее.

Вопрос не в том, исчезнет ли бизнес-анализ, а в том, что останется, когда его периферийные задачи станут доступны всем.

Ответ — профессиональное суждение, для формирования которого нужны годы практики, разнообразные проекты и опыт неудач. Это способность распознать, что задокументированное требование неполно, работающий прототип решает не ту проблему, а отточенный ответ основан на ложном предположении.

Именно эту часть бизнес-анализа нельзя освоить быстро.