นักวิเคราะห์ธุรกิจในยุคของเอเจนต์ AI

AI สามารถสร้างโครงร่างกรณีการใช้งานได้ภายในไม่กี่วินาที, แปลงแนวคิดง่าย ๆ ให้เป็นต้นแบบพื้นฐานภายในหนึ่งชั่วโมง และผลิตเอกสารความต้องการในส่วนที่เหลือน้อยกว่าที่เคยใช้เวลาอย่างมาก การเปลี่ยนแปลงนี้มองเห็นได้แล้ว ในการวิเคราะห์ธุรกิจประจำวัน, โดยผู้ปฏิบัติกำลังใช้ AI เพื่อเตรียมการประชุมสอบถาม, ร่างความต้องการและระบุช่องว่างก่อนการตรวจสอบ. หากมองแค่ผลลัพธ์เหล่านี้, สรุปดูเหมือนชัดเจน: นักวิเคราะห์ธุรกิจกำลังหายไป

ฉันไม่เห็นด้วยกับสรุปนั้น. ฉันทำงานด้านการวิเคราะห์ธุรกิจและไอที, การออกแบบโซลูชันและการเปลี่ยนแปลงดิจิทัลมาหลายปี, เฝ้าดูการเปลี่ยนแปลงอย่างต่อเนื่องและขั้นตอนการปรับตัวที่แตกต่างกัน. สิ่งที่หายไปไม่ใช่บทบาท, แต่เป็นขอบเขตของบทบาทนั้น. และนั่นเป็นสิ่งที่แตกต่างอย่างสิ้นเชิง.

สิ่งที่นักวิเคราะห์ทำ

เมื่อคุณถามลูกค้าว่าต้องการอะไร, พวกเขามักบอกว่าต้องการอะไร. สิ่งเหล่านั้นไม่จำเป็นต้องเหมือนกันเสมอ. ไม่ได้เพราะพวกเขาไม่เข้าใจงานของตนเอง – เพียงแต่บางครั้งพวกเขาอาจไม่สามารถอธิบายความต้องการได้อย่างชัดเจน. กิจกรรมประจำวันมักไม่ได้ถูกกล่าวถึงเพราะลูกค้าทำมันโดยอัตโนมัติทุกวัน. กรณีขอบเขตมักพลาดเพราะคนมักจำได้เฉพาะเมื่อเหตุการณ์เกิดขึ้น.

การเชื่อมโยงระหว่างแผนกต่าง ๆ มักเข้าใจจากมุมมองส่วนบุคคล, ไม่ได้มองจากมุมมองของระบบทั้งหมด. และเมื่อผู้ใช้ตัดสินใจเปลี่ยนหลายระบบพร้อมกัน, พวกเขามักมองไม่เห็นว่าการเปลี่ยนแปลงหนึ่งระบบมักทำให้กระบวนการหนึ่งเปลี่ยนแปลงตามด้วย.

งานของนักวิเคราะห์ไม่ใช่การเขียนสิ่งที่ลูกค้าพูดออกมา. งานคือการค้นหาสิ่งที่ลูกค้าไม่ได้บอก, และตั้งคำถามต่อเนื่องจนกว่าทุกอย่างจะปรากฏ. นักวิเคราะห์จะติดตามการเชื่อมโยง, ความขึ้นต่อกันและผลกระทบข้ามระบบ, ข้อมูลและกระบวนการธุรกิจ.

นั่นคือความสามารถในการวินิจฉัย ไม่ใช่งานด้านการบริหาร

สามทิศทางสำหรับนักวิเคราะห์ธุรกิจ

ขอบเขตของการวิเคราะห์ธุรกิจไม่เคยเป็นคงที่. นักวิเคราะห์ได้ย้ายเข้าสู่การเป็นเจ้าของผลิตภัณฑ์, การจัดการโครงการและบทบาทเชิงเทคนิคอื่น ๆ มานานแล้ว. AI เพียงแค่เร่งการเคลื่อนที่นั้นโดยลดเวลาที่ต้องใช้ในการสร้างผลลัพธ์ที่ทำซ้ำได้.

การสำรวจ Gartner ล่าสุดพบว่า มากกว่าครึ่งหนึ่งขององค์กรได้ออกแบบใหม่หรือกำหนดบทบาทใหม่เนื่องจาก AI, ในขณะที่ 78% ของผู้นำ HR เห็นว่ากระบวนการทำงานและบทบาทต้องปรับเพื่อให้คุ้มค่าการลงทุน AI.

จากการสังเกตและประสบการณ์โดยตรงของฉัน, มีสามแนวทางหลักที่กำลังก่อตัวขึ้น.

1. สู่ผลิตภัณฑ์และธุรกิจ

นักวิเคราะห์ที่ชอบกำหนดรูปแบบผลิตภัณฑ์อาจย้ายเข้าสู่บทบาทที่กว้างขึ้นครอบคลุมการเป็นเจ้าของผลิตภัณฑ์, การวิเคราะห์ธุรกิจและการประสานงานการส่งมอบ. การผสมผสานเช่นนี้มีอยู่แล้ว, โดยเฉพาะในทีมขนาดเล็ก. เมื่อ AI ลดเวลาที่ใช้ในการสร้างผลลัพธ์ที่ทำซ้ำได้, ขอบเขตระหว่างความรับผิดชอบเหล่านี้จะยืดหยุ่นมากขึ้น.

นี่ไม่ได้หมายความว่าจะให้คนคนเดียวทำสี่งานเพียงเพราะ AI สามารถเขียนเอกสารได้. โอกาสอยู่ที่การรวมความรับผิดชอบที่ต้องอาศัยความเข้าใจเดียวกันเกี่ยวกับความต้องการของลูกค้า, ลำดับความสำคัญของผลิตภัณฑ์และผลลัพธ์ทางธุรกิจ.

แนวทางนี้ยังต้องการความเข้าใจข้อมูลที่แข็งแกร่งยิ่งขึ้น. งานวิเคราะห์มักมุ่งเน้นที่กระบวนการ, ฟังก์ชันและความต้องการโดยทิ้งชั้นข้อมูลไว้ด้านหลัง. ระบบ AI ทำให้การแยกแยะนี้ยากขึ้นเรื่อย ๆ.

นักวิเคราะห์ที่เข้าใจทั้งบริบทธุรกิจและข้อมูลสามารถระบุได้ว่าโมเดลตอบคำถามที่ผิดแม้จะให้คำตอบที่ถูกต้อง. สาเหตุอาจมาจากข้อมูลที่มีไม่สะท้อนสถานการณ์อย่างแม่นยำ, นิยามธุรกิจของเมตริกเปลี่ยนแปลง หรือคำถามต้นฉบับตั้งไม่ชัดเจน.

AI สามารถช่วยให้เกือบทุกคนสร้างแดชบอร์ดหรือรายงานได้. การตีความว่าผลลัพธ์หมายถึงอะไรสำหรับธุรกิจเฉพาะในช่วงเวลานั้นยังคงต้องอาศัยบริบทและการตัดสินใจ. Forrester อธิบายการเปลี่ยนแปลงที่คล้ายคลึงกันในบทบาทซอฟต์แวร์, โดย AI ย้ายเวลาจากการผลิตผลลัพธ์ที่ทำซ้ำไปสู่กิจกรรมเช่นการตรวจสอบ, การจัดระเบียบและการควบคุม.

2. สู่การสร้างต้นแบบเชิงเทคนิค

นักวิเคราะห์ที่มีความสนใจด้านการพัฒนามากอาจพูดคุยกับลูกค้าแล้วสร้างต้นแบบทำงานได้ – ไม่ใช่แค่โมเก็ตอัพ, แต่เป็นสิ่งที่ลูกค้าสามารถทดสอบและตรวจสอบได้.

สิ่งนี้เปลี่ยนการตรวจสอบความต้องการ: ลูกค้าสามารถโต้ตอบกับแนวคิดแทนการพยายามตีความจากเอกสาร. ความเข้าใจผิดจะแสดงออกเร็วขึ้น, ขณะที่การเปลี่ยนแปลงยังคงมีค่าใช้จ่ายค่อนข้างต่ำ.

แต่ต้นแบบไม่ใช่ระบบการผลิต.

ความปลอดภัย, การบูรณาการ, การขยายขนาดและประสิทธิภาพภายใต้ภาระงานไม่สามารถแก้ไขได้ด้วย “AI ช่วยฉันเขียนโค้ด”. การสร้างซอฟต์แวร์ระดับองค์กรเพื่อการผลิตต้องการความเชี่ยวชาญด้านวิศวกรรมระดับสูง. นักวิเคราะห์บางคนอาจพัฒนาทักษะเหล่านี้อย่างค่อยเป็นค่อยไปและเข้าใกล้การพัฒนาระดับการผลิต. เส้นทางนี้ยากกว่าที่การสร้างต้นแบบอย่างรวดเร็วบ่งบอก, แต่ก็เป็นเส้นทางที่เป็นจริงได้.

3. สู่การจัดการโครงการและการส่งมอบ

นักวิเคราะห์มักประสานการสนทนากับลูกค้า, มีส่วนร่วมในการประมาณค่าและจัดการคำถามเกี่ยวกับขอบเขต, ความต้องการและการเปลี่ยนแปลง. สิ่งนี้สร้างความทับซ้อนโดยธรรมชาติกับการจัดการโครงการ.

ในโครงการขนาดเล็ก, บุคคลหนึ่งอาจรวมความรับผิดชอบด้านการวิเคราะห์และการประสานงานได้ เพราะทั้งสองต้องอาศัยความเข้าใจขอบเขต, ผู้มีส่วนได้ส่วนเสียและความขึ้นต่อกัน. สิ่งนี้สามารถย่อลำดับการสื่อสารและทำให้เชื่อมต่อการตัดสินใจส่งมอบประจำวันกับความต้องการธุรกิจต้นฉบับได้ง่ายขึ้น.

นี่ไม่ได้ทำให้ผู้จัดการโครงการกลายเป็นคนซ้ำซ้อน. ในโครงการขนาดใหญ่, ที่การประสานคน, ความเสี่ยงและความขึ้นต่อกันซับซ้อนจริง, การจัดการโครงการยังคงเป็นสาขาวิชาชีพเฉพาะ. วิธีผสมผสานนี้มีเหตุผลเฉพาะเมื่อขอบเขตอนุญาต.

ความแตกต่างนี้สำคัญ. AI อาจลดความพยายามที่ต้องใช้ในการสร้างแผน, สรุปการประชุมหรือรายงานสถานะ, แต่การผลิตผลลัพธ์เหล่านั้นไม่เคยเป็นคุณค่าหลักของการจัดการโครงการเลย.

สิ่งที่ทำให้ผู้ที่จัดการสิ่งนี้ได้ดีแตกต่างกันอย่างไร

ทั้งสามทิศทางต้องการให้นักวิเคราะห์ก้าวข้ามขอบเขตบทบาทที่คุ้นเคย. ความอยากรู้อยากเห็นทำให้พวกเขายินดีทดลองเครื่องมือและวิธีการใหม่ ๆ. การเรียนรู้อย่างต่อเนื่องช่วยป้องกันสิ่งที่ฉันเรียกว่า “หนี้ความรู้”: การสะสมอย่างค่อยเป็นค่อยไปของสมมติฐานและทักษะที่ล้าสมัย, คล้ายกับ “หนี้เทคนิค” ในระบบเก่า.

อาจสำคัญที่สุดคือความสามารถในการตรวจสอบ. นักวิเคราะห์คุ้นเคยกับการถาม “นี่จริงหรือไม่?” ก่อนถาม “เสร็จแล้วหรือยัง?” ในสภาพแวดล้อมที่เต็มไปด้วยผลลัพธ์ AI ที่ไหลลื่นและนำเสนออย่างมืออาชีพ, นิสัยนี้ยิ่งมีคุณค่ามากขึ้น.

AI สามารถผลิตคำตอบที่ไม่ถูกต้องในรูปแบบที่มั่นใจและโน้มน้าว – รูปแบบที่ นักวิจัย MIT Sloan เน้นว่าเป็นหนึ่งในเหตุผลสำคัญที่การตรวจสอบโดยมนุษย์ยังคงจำเป็น. ผลลัพธ์ของ AI อาจมีโครงสร้าง, ไหลลื่นและขัดเกลา.

ความล้มเหลวไม่ได้เกิดขึ้นในขณะใช้ AI. มันเริ่มต้นเมื่อยอมรับผลลัพธ์ที่ดูสมเหตุสมผลโดยไม่มีการตรวจสอบ.

คำถามไม่ได้อยู่ที่ว่านักวิเคราะห์ธุรกิจจะหายไปหรือไม่

บทความหลายบทเกี่ยวกับอนาคตของบทบาทนักวิเคราะห์มักเขียนเป็นการคาดการณ์. นี่ไม่ใช่การคาดการณ์. นี่เป็นการสังเกต: บทบาทกำลังเปลี่ยนแปลงเช่นเคย. สิ่งที่ต่างออกไปครั้งนี้คือความเร็ว – และความจริงที่ขอบเขตของบทบาทกำลังเปิดให้ใกล้เคียงกับทุกคน.

นักพัฒนาสามารถใช้ AI เพื่อทำการวิเคราะห์ความต้องการ. ผู้จัดการสามารถใช้ AI เพื่อสร้างยูสเซอร์สตอรี. พวกเขาอาจไม่ทำได้ดีมาก, แต่ analyst ที่คุณค่าขึ้นอยู่กับการผลิตผลลัพธ์เท่านั้นจะเผชิญความยากลำบาก.

สิ่งที่ยังคงอยู่ที่ศูนย์กลางของบทบาทคือความสามารถในการค้นพบความต้องการที่ไม่ได้ระบุ, เชื่อมโยงบริบทธุรกิจและเทคนิค, ตรวจสอบผลลัพธ์และมองเห็นการเชื่อมโยงที่ลูกค้าไม่สามารถมองเห็นได้. ตาม รายงาน IIBA Global State of Business Analysis 2025, 74% ของผู้ปฏิบัติงานบอกว่า AI มีผลเชิงบวกต่ออาชีพของพวกเขา, ในขณะที่ทักษะมนุษย์เช่นการสื่อสาร, การคิดเชิงกลยุทธ์และความยืดหยุ่นกำลังมีความสำคัญมากขึ้น.

คำถามไม่ได้อยู่ที่การวิเคราะห์ธุรกิจจะหายไปหรือไม่. มันอยู่ที่สิ่งที่ยังคงอยู่เมื่อขอบเขตของบทบาทเปิดให้ทุกคนเข้าถึง.

คำตอบคือการตัดสินใจที่ต้องใช้หลายปีของการฝึกฝน, โครงการที่หลากหลายและประสบการณ์จากความล้มเหลวเพื่อพัฒนา. มันคือความสามารถในการรับรู้ว่าข้อกำหนดที่บันทึกไว้ยังไม่ครบถ้วน, ต้นแบบทำงานแก้ปัญหาที่ผิด, หรือคำตอบที่ขัดเกลามีสมมติฐานที่ผิด.

นั่นคือส่วนของการวิเคราะห์ธุรกิจที่ไม่สามารถเรียนรู้ได้อย่างรวดเร็ว.