Affärsanalytikern i AI‑agenternas era

AI kan skapa en översikt över ett användningsfall på mindre än en minut, omvandla en enkel idé till en grundläggande prototyp inom en timme och producera kravdokumentation på en bråkdel av den tid det tidigare tog. Den här förändringen syns redan i det dagliga arbetet med verksamhetsanalys. Yrkesutövare använder AI för att förbereda behovsinsamling, skriva krav och identifiera luckor före validering. Om man bara ser till dessa leveranser verkar slutsatsen självklar: verksamhetsanalytikern håller på att försvinna.

Jag delar inte den slutsatsen. Jag har i många år arbetat med verksamhets- och IT-analys, lösningsdesign och digital transformation och sett ständig förändring och olika faser av anpassning. Det som försvinner är inte rollen. Det är dess periferi. Och det är något helt annat.

Vad en analytiker gör

När man frågar en kund vad den behöver berättar kunden vad den vill ha. Det är inte alltid samma sak. Inte för att kunden inte förstår sitt eget arbete, utan för att behoven inte alltid går att formulera tillräckligt tydligt. Rutinuppgifter nämns ofta inte eftersom kunderna utför dem automatiskt varje dag. Undantagsfall missas lätt, eftersom människor tenderar att komma ihåg dem först när de inträffar.

Samband mellan avdelningar förstås utifrån ett personligt perspektiv, inte nödvändigtvis utifrån helheten. Och när en kund bestämmer sig för att förändra flera system samtidigt ser den ofta inte att en systemförändring nästan alltid också förändrar en process.

Analytikerns uppgift är inte att skriva ned vad kunden sade. Uppgiften är att ta reda på vad kunden inte sade och fortsätta ställa frågor tills allt kommer fram. Analytikern följer samband, beroenden och konsekvenser mellan system, data och verksamhetsprocesser.

Det är en diagnostisk förmåga, inte en administrativ aktivitet.

Tre riktningar för verksamhetsanalytiker

Verksamhetsanalysens gränser har aldrig varit fasta. Analytiker har länge gått vidare till produktägaransvar, projektledning och mer tekniska roller. AI påskyndar bara den rörelsen genom att minska tiden för rutinmässiga leveranser.

En aktuell undersökning från Gartner visade att mer än hälften av organisationerna hade omformat eller omdefinierat roller på grund av AI. Samtidigt höll 78 procent av HR-cheferna med om att arbetsflöden och roller skulle behöva förändras för att realisera värdet av AI-investeringarna.

Utifrån mina observationer och direkta erfarenheter tar tre huvudsakliga utvecklingsvägar form.

1. Mot produkt och verksamhet

Analytiker som tycker om att forma produkter kan gå mot bredare roller som omfattar produktägaransvar, verksamhetsanalys och samordning av leveransen. Sådana kombinationer finns redan, särskilt i mindre team. När AI minskar tiden för att producera rutinmässiga underlag blir gränserna mellan dessa ansvarsområden sannolikt mer flytande.

Det ska inte innebära att fyra jobb läggs på en person bara för att AI kan skriva dokumenten. Möjligheten ligger i att samla ansvar som redan bygger på samma förståelse för kundbehov, produktprioriteringar och verksamhetsresultat.

Den här inriktningen kräver också en djupare förståelse för data. Analysarbete har ofta fokuserat på processer, funktionalitet och krav och låtit datalagret hamna i bakgrunden. AI-system gör den uppdelningen allt svårare.

En analytiker som förstår både verksamhetens sammanhang och dess data kan upptäcka när en modell ger ett korrekt svar på fel fråga. Det kan bero på att tillgängliga data inte beskriver situationen rätt, att verksamhetens definition av ett mått har förändrats eller att den ursprungliga frågan formulerades fel.

AI kan hjälpa nästan vem som helst att skapa en instrumentpanel eller rapport. Att tolka vad resultatet betyder för en viss verksamhet vid en viss tidpunkt kräver fortfarande sammanhang och omdöme. Forrester beskriver en liknande förändring inom mjukvaruyrken, där AI flyttar tid från repetitiv produktion av underlag till aktiviteter som validering, samordning och kontroll.

2. Mot teknisk prototypframtagning

Analytiker med starkt intresse för utveckling kan kanske tala med en kund och sedan bygga en fungerande prototyp – inte bara en skiss, utan något kunden kan testa och validera.

Det förändrar kravvalideringen: kunder kan interagera med en idé i stället för att försöka tolka den utifrån ett dokument. Missförstånd kan upptäckas tidigare, medan ändringar fortfarande är relativt billiga att göra.

Men en prototyp är inte ett produktionssystem.

Säkerhet, integration, skalning och prestanda under belastning löses inte av att ”AI hjälper mig att koda”. Att bygga företagsprogramvara för produktion kräver en annan nivå av teknisk expertis. Vissa analytiker kan gradvis utveckla dessa färdigheter och närma sig utveckling på produktionsnivå. Det är en betydligt mer krävande väg än snabb prototypframtagning antyder, men den är realistisk.

3. Mot projekt- och leveransledning

Analytiker samordnar redan kunddiskussioner, bidrar till uppskattningar och hanterar frågor om omfattning, krav och förändringar. Det skapar en naturlig överlappning med projektledning.

I mindre projekt kan en person ibland kombinera analys och samordning, eftersom båda uppgifterna kräver förståelse för omfattning, intressenter och beroenden. Det kan korta kommunikationsvägarna och göra det lättare att koppla dagliga leveransbeslut till det ursprungliga verksamhetsbehovet.

Det gör inte projektledaren överflödig. I större projekt, där samordning av människor, risker och beroenden verkligen är komplex, förblir projektledning en specialistdisciplin. Den kombinerade rollen är rimlig bara där omfattningen tillåter det.

Skillnaden är viktig. AI kan minska arbetet med planer, mötessammanfattningar och lägesrapporter, men produktionen av dessa underlag har aldrig utgjort projektledningens hela värde.

Vad som utmärker dem som hanterar förändringen väl

Alla tre riktningar kräver att analytiker går utanför välbekanta rollgränser. Nyfikenhet ger viljan att pröva nya verktyg och arbetssätt. Kontinuerligt lärande motverkar det jag ser som kunskapsskuld: en gradvis ansamling av föråldrade antaganden och färdigheter, ungefär som teknisk skuld i ett äldre system.

Förmågan att verifiera är dock kanske viktigast. Analytiker är vana vid att fråga ”Är det här faktiskt korrekt?” innan de frågar ”Är det klart?”. I en miljö fylld av välformulerade och professionellt presenterade AI-resultat blir den vanan mer värdefull.

AI kan ge felaktiga svar i en självsäker och övertygande form – ett mönster som lyfts fram av forskare vid MIT Sloan som ett av de viktigaste skälen till att mänsklig tillsyn förblir nödvändig. Resultaten kan vara strukturerade, välformulerade och polerade.

Misslyckandet uppstår inte i själva användningen av AI. Det börjar när ett rimligt klingande resultat godtas utan kontroll.

Frågan är inte om verksamhetsanalytiker kommer att försvinna

Många artiklar om analytikerrollens framtid skrivs som förutsägelser. Det här är ingen förutsägelse. Det är en observation: rollen förändras, precis som den alltid har gjort. Skillnaden den här gången är hastigheten – och att dess periferi blir tillgänglig för nästan vem som helst.

En utvecklare kan använda AI för att analysera krav. En chef kan använda den för att skapa användarberättelser. De kanske inte gör någotdera särskilt bra, men en analytiker vars värde enbart bygger på att producera leveranser får det svårt.

I rollens centrum finns fortfarande förmågan att upptäcka outtalade behov, knyta ihop verksamhetens och teknikens sammanhang, verifiera resultat och se samband som kunden inte ser. Enligt IIBA:s rapport Global State of Business Analysis 2025 säger 74 procent av yrkesutövarna att AI påverkar deras karriärer positivt, samtidigt som mänskliga färdigheter som kommunikation, strategiskt tänkande och anpassningsförmåga blir viktigare.

Frågan är inte om verksamhetsanalysen kommer att försvinna. Frågan är vad som finns kvar när dess periferi blir tillgänglig för alla.

Svaret är det omdöme som kräver år av praktik, varierade projekt och erfarenhet av misslyckanden att utveckla. Det är förmågan att inse att ett dokumenterat krav är ofullständigt, att en fungerande prototyp löser fel problem eller att ett polerat svar bygger på ett felaktigt antagande.

Det är den del av verksamhetsanalysen som inte går att skaffa sig snabbt.