Зачем аналитику ИИ, если и так работы выше крыши?
Типичная картина: утром — митинг, днем — интервью с заказчиком, вечером — выгрузка требований в Confluence. В перерывах — правки документации, которые никто не читает. Звучит знакомо? ИИ не заберет вашу работу. Он заберет ту часть, которую вы ненавидите.
Разговор с двумя практиками из разных компаний (одна — крупный банк, другая — продуктовый стартап) показал одно: те, кто интегрировал ИИ в workflow, не стали работать меньше. Они стали делать больше важного и меньше рутины. Разница в 3-4 часа в день. В неделю — почти два рабочих дня.
Предупреждение: ИИ не думает за вас. Он думает вместо вас, но только о том, что вы ему поручили. Если поручите ерунду — получите ерунду.
Три уровня делегирования: от копипасты до стратегии
Все задачи аналитика можно разложить на три слоя:
- Механика — преобразование форматов, поиск противоречий, генерация шаблонов
- Логика — анализ сценариев, построение диаграмм, декомпозиция
- Стратегия — приоритизация, переговоры, архитектурные решения
Первый слой можно отдавать ИИ уже сегодня. Второй — с осторожностью. Третий — пока нет. Но границы смещаются каждый месяц.
1 Механика: то, что ИИ делает лучше человека
Сюда попадает все, что требует обработки текста по четким правилам. То, от чего мозг засыпает на третьей минуте.
| Задача | ИИ справляется | Промпт-пример |
|---|---|---|
| Конвертация требований из Excel в User Stories | 95% | "Преобразуй эти строки из таблицы в формат: Как [роль], я хочу [действие], чтобы [ценность]. Используй шаблон: Given-When-Then." |
| Поиск противоречий в документации | 80% | "Сравни разделы 3.1 и 5.2 этой SRS. Найди все противоречия в требованиях к полю 'статус заказа'." |
| Генерация тест-кейсов из use case | 85% | "Создай 10 тест-кейсов для этого сценария оплаты. Включи позитивные, негативные и edge cases." |
Архитектор из банка рассказывает: "Раньше junior-аналитик тратил день на вычитку 50-страничного ТЗ. Теперь GPT-4 делает это за 15 минут. Но! Он находит только очевидные противоречия. Логические дыры в бизнес-процессах — пока нет."
2 Логика: зона осторожного экспериментирования
Здесь ИИ начинает "думать". Строит диаграммы, предлагает архитектурные решения, декомпозирует процессы. Звучит впечатляюще, но есть нюанс.
Аналитик из стартапа: "Я дал Claude 3 описание нашего микросервиса для платежей и попросил нарисовать sequence diagram. Диаграмма получилась технически корректной, но абсолютно бесполезной. Она показывала очевидные шаги и пропускала все нетривиальные сценарии отказов."
Что работает:
- Генерация первых версий BPMN/UML диаграмм (потом нужно править)
- Предложение альтернативных сценариев ("А что если пользователь нажмет назад в середине процесса?")
- Декомпозиция эпиков на фичи (но приоритизация — нет)
Что не работает:
- Понимание доменной специфики (финансовые регуляции, медицинские стандарты)
- Учет legacy-ограничений ("У нас база на Oracle 11g, и миграция стоит миллион")
- Предсказание человеческого поведения (пользователи всегда нажимают не туда)
3 Стратегия: здесь ИИ пока только советчик
Приоритизация backlog, переговоры с заказчиком, принятие архитектурных решений — это пока территория человека. Почему?
ИИ не чувствует политику. Не понимает, что "фича от директора" всегда имеет приоритет 1, даже если технически бессмысленна. Не видит, что заказчик вчера поссорился с PM и теперь будет против всех предложений.
Но! ИИ может подготовить вас к этим битвам. Попросите его: "Сгенерируй 5 аргументов за и против внедрения этой фичи с точки зрения бизнеса, техдолга и UX". Получите готовую карту для дискуссии.
Конкретные инструменты и промпты, которые работают сегодня
Недостаточно сказать "используй ChatGPT". Нужно знать, как именно.
Для анализа требований
Плохой промпт: "Проанализируй эти требования"
Хороший промпт:
Ты — senior системный аналитик с 10-летним опытом.
Контекст:
- Система: интернет-банк для физических лиц
- Текущая архитектура: монолит на Java 8, БД — PostgreSQL 12
- Команда: 5 backend, 2 frontend, 1 тестировщик
Задача:
1. Извлеки из текста ниже все функциональные требования
2. Сгруппируй их по модулям (авторизация, платежи, отчеты)
3. Для каждого требования оцени сложность по шкале S/M/L/XL
4. Найди требования, которые конфликтуют с текущей архитектурой
5. Предложи упрощения для требований с оценкой XL
Текст требований:
[вставь сюда текст]Для создания документации
Вместо того чтобы писать с нуля, дайте ИИ структуру и контекст. Аналитик из банка делится техникой:
"Я создал шаблон промпта, который использует для всех новых фич. В нем: 1. История изменений (что было раньше) 2. Бизнес-драйвер (зачем это нужно) 3. Ограничения (технические и регуляторные) 4. Стейкхолдеры (кто должен согласовать) ИИ заполняет 80% документа. Остальные 20% — мои правки и нюансы, которые знаю только я."
Важно: никогда не копируйте выход ИИ прямо в прод. Всегда проверяйте. ИИ галлюцинирует. Особенно с числами, датами и специфичными терминами.
Ошибки, которые все совершают (и как их избежать)
Ошибка 1: Доверять без проверки
ИИ сказал, что интеграция с платёжным шлюсом займет 3 дня? Скорее всего, он не учёл: - Юридическое согласование - Сертификацию PCI DSS - Нагрузочное тестирование - Резервирование каналов
Ошибка 2: Использовать общие промпты
"Напиши ТЗ для CRM" — получите generic-текст, бесполезный в реальности. Специфицируйте: - Целевую аудиторию - Существующие системы - Бюджет и сроки - Компетенции команды
Ошибка 3: Пытаться автоматизировать всё сразу
Начните с одного типа задач. Например, с генерации тест-кейсов. Отточите промпты, создайте чек-лист проверки. Только потом беритесь за следующее.
Что будет через год? Прогноз от практиков
Архитектор из банка: "ИИ станет стандартным участником команд. Не заменит аналитика, но станет его расширением. Представьте: вы обсуждаете с заказчиком требования, а ИИ в реальном времени: - Строит прототип интерфейса - Оценивает сложность - Ищет аналогичные решения в базе знаний компании - Предупреждает о регуляторных рисках"
Аналитик из стартапа менее оптимистичен: "Большие компании внедрят корпоративные ИИ-ассистенты, обученные на внутренних данных. Но они будут дорогими и закрытыми. Маленькие команды продолжат использовать ChatGPT с риском утечек."
Оба сходятся в одном: аналитик будущего — не тот, кто пишет больше документов. А тот, кто лучше ставит задачи ИИ и проверяет их выполнение. Это как разница между программистом, который пишет весь код вручную, и тем, кто пишет тесты и ревьюит код джуниоров.
План внедрения на следующей неделе
- Выберите одну рутинную задачу — ту, что отнимает больше всего времени и меньше всего удовольствия
- Запишите, как вы её делаете сейчас — шаг за шагом, со всеми нюансами
- Создайте детальный промпт — с контекстом, примерами, ограничениями
- Протестируйте на 3-5 реальных случаях — сравнивайте результат с вашим
- Доработайте промпт — добавьте то, что ИИ упустил
- Внедрите в работу — но с обязательной проверкой первые 2 недели
Не пытайтесь автоматизировать всё. Начните с малого. С того, что раздражает больше всего. Через месяц у вас будет набор проверенных промптов для 20-30% рутины. Вы не станете работать меньше. Вы станете делать больше того, что действительно важно.
И последнее: ИИ развивается так быстро, что через полгода этот гайд устареет. Единственный навык, который останется актуальным — умение учить ИИ и учиться у него. Как в той статье про ИИ — не волшебник, а быстрый джун. Там всё правильно написано.
А если хотите увидеть, как ИИ справляется с реальной инфраструктурой — посмотрите кейс про DevOps для ИИ. Там нейросеть чинит продакшен. Пока под присмотром, но уже работает.
