ИИ — это не просто «еще один инструмент» для бизнес-аналитика (БА), как когда-то им были MS Visio или Jira. Это фундаментальный сдвиг, который меняет саму суть работы, ценность специалиста и структуру команд.

В статье рассматриваются:

• Преобразование компетенций и ежедневной работы БА:

• Автоматизация рутины (где ИИ — «гипер-инструмент»).

• Появление новых компетенций (супер-сил).Сокращение численности команд.

• Примеры и тренды в российских IT-компаниях.

• Сложности перехода к новой логике.

Преобразование компетенций и ежедневной работы БА

Роль бизнес-аналитика смещается от исполнителя-документатора к стратегу-верификатору-синтезатору. Ценность смещается с написания текста и рисования схем на глубокий анализ, принятие решений и управление знаниями.

Автоматизация рутины (где ИИ — «гипер-инструмент»)

Кейс 1. Генерация документации из диалогов

Кейс 2. Прототипирование и дизайн

Кейс 3. Анализ и синтез требований

Появление новых компетенций (супер-сил)

Сокращение численности команд

Команды станут меньше, более сфокусированными и опытными. Связка «Сеньор + Мидл» становится новой нормой для многих проектов.

Разработка нового модуля «Онлайн-оплаты» для интернет-магазина

В классической команде (до ИИ) сеньор тратит время на проверку работы джуна. Мидл тратит время на постановку задач джуну и правку его работы. Общая производительность команды из 3 человек не в 3 раза выше, чем у одного сеньора.

Что произошло с джуном?

Создание черновиков документов -> взял на себя ИИ.

Рисование базовых схем -> взял на себя ИИ.

Заведение простых задач -> автоматизировано через интеграции (например, задача в Jira создается автоматически из комментария в PRD).

Для проекта среднего масштаба теперь достаточно сеньора (стратегия, верификация, управление) и мидла (работа с ИИ-инструментами, детализация, дизайн).

Джун не может конкурировать с эффективностью и скоростью ИИ в выполнении рутинных задач. Его роль либо уходит, либо трансформируется в «оператора ИИ», но для этой роли нужен как минимум мидл-уровень мышления, чтобы проверять выходные данные.

Каким будет бизнес-аналитик будущего?

ИИ не заменяет бизнес-аналитика, при этом заменяет бизнес-аналитиков, которые не хотят или не могут адаптироваться. Он делает профессию сложнее, интереснее и стратегически важнее, вымывая из нее рутину.

Примеры и тренды в российских IT-компаниях

Пример 1. Крупные продуктовые компании (Яндекс, Ozon, Тинькофф, VK)

ИИ-инструменты внедряются точечно, но массово.

Не публикуется пресс-релизов «Мы заменили джунов на ИИ».

Команда разработки нового функционала в одном из банков действительно обходится без джунов-аналитиков.

Вместо этого мидл-аналитик использует внутренние LLM-модели (на базе GPT или аналогичных), обученные на документации банка.

Это позволяет:

• Быстро получать справки: «Какие сейчас в системе есть статусы карты?».

• Генерировать шаблоны пользовательских историй на основе проведенного воркшопа.

• Осуществлять поиск связанных требований в огромной базе знаний.

В результате команда становится более мобильной и меньше тратит времени на рутину. Вакансии для джунов в такие команды практически не открываются. Берут сразу мидлов, которые умеют работать с этими инструментами.

Пример 2. Крупные интеграторы и консалтинговые компании (КРОК, Ланит, Газпромнефть-Цифровые решения и др.)

Фокус смещается на скорость подготовки коммерческих предложений и проектной документации.

Например, Аналитик в интеграторе получает задание быстро оценить возможность интеграции системы заказчика с 1С. Раньше ему нужно было изучать документацию 1С несколько дней.

Теперь он:

• Загружает API-документацию 1С в ИИ.

• Задает промпт: «Проанализируй документацию и выдели 3 ключевых метода для обмена данными по номенклатуре, их ограничения и форматы запросов».

• Получает структурированный ответ за минуты.

В результате аналитик выступает верификатором и дорабатывает ответ. Его экспертиза нужна, чтобы задать правильный вопрос и проверить ответ, но не для монотонного изучения тысяч страниц.

Пример 3. Аутсорс-разработка

Давление конкуренции заставляет внедрять ИИ для снижения себестоимости и ускорения циклов.

Например, ведущий аналитик на проекте для зарубежного заказчика использует ИИ для:

• Перевода и адаптации требований. Промпт: «Переведи этот пользовательский сценарий с русского на английский, используя термины из предметной области fintech».

• Быстрого прототипирования. Чтобы сразу на ранней итерации показать заказчику «как это может выглядеть», не дожидаясь дизайнера.

В результате команда проекта может быть меньше, а стоимость часа аналитика выше, но за счет его возросшей производительности общая стоимость проекта для клиента может не вырасти, а качество и скорость — улучшиться.

Массовых увольнений нет. Есть естественное обновление команды. Когда джун уходит с проекта, на его место не ищут нового джуна, а перераспределяют нагрузку на мидла, усиливая его ИИ-инструментами.

Сложности перехода к новой логике

Внедрение этой парадигмы упирается не в технологии, а в мышление и процессы.

1.    Сопротивление команды.

• «Я 20 лет рисовал схемы в Visio, и они были идеальными! Зачем мне этот ваш ИИ?». Специалисты с большим опытом часто не видят ценности в новых инструментах, считают их игрушками или не доверяют им.

• Страх показаться некомпетентным. Сеньору-аналитику психологически сложно начать использовать инструмент, в котором он чувствует себя джуном. Проще сделать по-старому.

2. Проблема «мусор на входе — мусор на выходе».

• ИИ требует качественных входных данных. Если в компании хаос с документацией, нет единого словаря терминов, требования размазаны по почте, задачам в Jira и устным договоренностям, то и результат работы ИИ будет бесполезен.

Допустим, загружаете в ИИ 1000 устаревших документов и просите сгенерировать новые требования. ИИ сделает красивый, но бессмысленный документ на основе устаревших данных.

Без сильного аналитика, который знает, «как должно быть на самом деле», это приведет к катастрофе.

3. Вопросы конфиденциальности и безопасности.

Это ключевой барьер, особенно в госсекторе и финтехе. Компании боятся загружать свои внутренние требования, архитектуру и данные в публичные ИИ-сервисы (ChatGPT, Midjourney), так как это утечка коммерческой тайны.

В качестве решения разворачивают корпоративные он-премиум версии моделей (например, на базе GigaChat или YandexGPT). Это требует больших затрат и экспертизы, поэтому пока доступно не всем.

4. Необходимость перестройки процессов.

Мало дать аналитикам доступ к ChatGPT. Нужно изменить сам процесс работы.

Раньше процесс был: «Провели воркшоп -> аналитик 2 дня писал документ -> отдал на проверку». Новый процесс: «Провели воркшоп с включенной транскрипцией -> сразу сгенерировали черновик -> аналитик провел верификацию и отправил стейкхолдерам на проверку в тот же день».

Такая скорость требует и от стейкхолдеров большей вовлеченности и оперативности, к чему они часто не готовы.

5. Иллюзия экономии и завышенные ожидания.

Руководство может решить: «Купим ИИ — уволим половину аналитиков». Это приводит к катастрофе.

ИИ не работает сам по себе. Он усилитель компетенций. Он повысит продуктивность хорошего аналитика в 2-3 раза, но слабому аналитику он не поможет, а скорее создаст еще больше проблем, которые потом придется разгребать.

Пионерами являются крупные tech-компании и передовые интеграторы.

Массовый рынок (средний и мелкий аутсорс, внутренние IT-отделы предприятий) только начинает присматриваться и экспериментировать.

Главный барьер — не технология, а культура работы и готовность команды и руководства меняться.

Самый востребованный навык сейчас — не столько умение писать промпты, а гибкость ума и готовность постоянно учиться новому.