AI 代理时代的业务分析师

AI 能在不到一分钟内生成用例提纲，在一小时内把简单想法变成基础原型，还能用过去所需时间的一小部分完成需求文档。 这种变化已经显现 在日常业务分析工作中，从业者正用 AI 准备需求获取会议、起草需求，并在验证前识别遗漏。如果只看这些交付物，结论似乎显而易见：业务分析师正在消失。

我并不认同这一结论。多年来，我一直从事业务与 IT 分析、解决方案设计和数字化转型工作，经历了持续的变化与不同阶段的适应。正在消失的并不是这个角色，而是它的外围工作。这是两回事。

分析师究竟做什么

当你问客户需要什么时，他们会告诉你想要什么。两者并不总是一回事。这并不是因为他们不了解自己的工作，而是他们未必能充分表达需求。例行活动经常没有被提及，因为客户每天都在自动完成这些事。边缘情况也很容易被遗漏，因为人们往往只有在情况发生时才想起它们。

客户对部门间联系的理解通常来自个人视角，未必从全局出发。当客户决定同时改动多个系统时，也经常没有意识到，改变一个系统几乎总会连带改变某个流程。

分析师的工作不是记下客户说了什么，而是找出客户没有说出的内容，并不断追问，直到所有问题浮出水面。分析师要梳理系统、数据和业务流程之间的联系、依赖与后果。

这是一种诊断能力，而不是行政事务。

业务分析师的三条发展方向

业务分析的边界从来不是固定的。分析师长期以来一直在向产品负责人、项目管理以及更技术性的角色发展。AI 通过缩短常规交付物的制作时间，正在加快这种流动。

近期一项 Gartner 调查 发现，超过半数组织已经因 AI 重新设计或定义岗位，而 78% 的人力资源负责人认同，要实现 AI 投资的价值，就需要调整工作流程和岗位。

根据我的观察与亲身经验，三条主要路径正在形成。

1. 向产品和业务发展

喜欢塑造产品的分析师，可以承担涵盖产品负责人、业务分析和交付协调的更广泛职责。这类组合已经存在，尤其是在较小的团队中。随着 AI 减少制作常规文档等成果所需的时间，这些职责之间的边界可能会变得更加灵活。

这不应意味着仅仅因为 AI 能写文档，就把四份工作交给一个人。机会在于整合那些本就依赖同一套认识的职责：理解客户需求、产品优先级和业务成果。

这一方向也要求更深入地理解数据。分析工作过去往往专注于流程、功能和需求，而把数据层放在次要位置。AI 系统使这种分离越来越难以维持。

同时理解业务背景与数据的分析师，能够识别模型何时在正确地回答一个错误的问题。这可能是因为现有数据无法准确反映实际情况，某项指标背后的业务定义已经改变，或者最初的问题就没有设定好。

AI 几乎可以帮助任何人制作仪表板或报告。但要解释结果在特定时点对特定业务意味着什么，仍然需要背景知识与判断力。 Forrester 描述了软件领域岗位中类似的变化：AI 让人们减少重复制作交付物的时间，转而投入验证、编排与控制等活动。

2. 向技术原型开发发展

对开发有浓厚兴趣的分析师，可以在与客户沟通后构建可运行的原型——不只是界面模型，而是客户能够测试和验证的东西。

这会改变需求验证方式：客户可以直接与一个想法的具体实现交互，而不必仅凭文档理解它。误解能够更早暴露，此时修改成本仍然相对较低。

但原型并不等于生产系统。

安全、集成、扩展能力和负载下的性能，都不是一句“AI 帮我写代码”就能解决的。构建用于生产环境的企业软件，需要不同层次的工程专业能力。一些分析师可以逐步掌握这些技能，向生产级开发靠近。这条路径比快速原型开发所呈现的难度高得多，但它确实可行。

3. 向项目与交付管理发展

分析师已经在协调客户讨论、参与估算，并处理范围、需求和变更方面的问题。这与项目管理形成了自然的交集。

在较小的项目中，一个人可能兼顾分析与协调职责，因为二者都依赖对范围、利益相关者及依赖关系的理解。这可以缩短沟通路径，更容易把日常交付决策与最初的业务需求联系起来。

这并不意味着项目经理变得多余。在协调人员、风险和依赖关系确实很复杂的大型项目中，项目管理仍是一门专业。只有在项目范围允许时，融合角色的做法才有意义。

这一点必须分清。AI 可能减少制定计划、整理会议纪要或编写状态报告所需的工作量，但制作这些材料从来就不是项目管理的全部价值。

顺利应对变化的人有什么共同点

这三条方向都要求分析师走出熟悉的岗位边界。好奇心使他们愿意尝试新工具与新方法。持续学习则能防止我所说的“知识债务”：过时的假设与技能逐渐积累，就像遗留系统中的技术债务。

不过，最重要的或许是验证能力。分析师习惯于先问“这真的正确吗？”，再问“这完成了吗？”。在充满流畅、呈现专业的 AI 输出的环境中，这种习惯会变得更有价值。

AI 可能以自信而有说服力的方式给出错误答案。 MIT Sloan 的研究人员 将这种现象列为人类监督仍然不可或缺的关键原因之一。AI 输出可以结构完整、语言流畅、形式精致。

失败并不是从使用 AI 的那一刻开始的，而是从未经验证就接受一个看似可信的输出开始的。

真正的问题并不是业务分析师会不会消失

许多讨论分析师未来的文章都在做预测。这篇文章不是预测，而是观察：这个角色一如既往地在变化。这次不同的是变化速度，以及其外围工作正变得几乎人人可做。

开发者可以用 AI 分析需求，管理者可以用它生成用户故事。他们未必做得特别好，但如果分析师的价值仅仅建立在制作交付物上，就会面临困境。

这个角色的核心仍然是发现未被明说的需求、连接业务与技术背景、验证输出，以及看见客户没有看见的联系。根据 IIBA《2025 年全球业务分析现状报告》，74% 的从业者表示 AI 正在对其职业生涯产生积极影响，同时沟通、战略思维和适应能力等人类技能也变得更加重要。

问题不是业务分析会不会消失，而是当外围工作人人可做时，还剩下什么。

答案是需要多年实践、多样的项目和失败经历才能培养的判断力：能够发现一项已记录的需求并不完整，一个可运行的原型解决了错误的问题，或者一个精致的答案建立在错误假设之上。

这是业务分析中无法速成的部分。