Как ИИ меняет работу аналитика: где ускоряет процессы, почему не заменяет эксперта и какие правила нужны бизнесу для контроля качества
На конференции «Синтез | Merge» в Иннополисе рассказал, как команда ARTW постепенно перестраивала работу аналитиков с использованием ИИ: от разовых запросов в чат до включения ИИ в повторяемые рабочие процессы.
Главный вывод: ИИ не заменяет аналитика и не снимает с бизнеса ответственность за качество решений. Но он помогает быстрее проходить отдельные этапы аналитической работы: собирать контекст, разбирать большие объемы информации, готовить черновики документов, проверять противоречия и формировать вопросы для заказчика.
Это важно не как технологический тренд, а как способ повысить управляемость проектов. Чем быстрее команда понимает задачу, видит риски и готовит проверяемые материалы, тем меньше времени уходит на переделки, согласования и работу с неверно понятыми требованиями.
От чата к рабочему инструменту
Первый этап использования ИИ был простым: аналитик задавал вопрос в чат и получал ответ. Такой формат не требует сложной настройки. Можно быстро попросить модель подготовить структуру документа, резюме встречи, список вопросов, описание сценария или черновик требований.
На этом этапе результат уже был полезным, но нестабильным. ИИ мог ускорить старт, предложить формулировки и собрать первичную структуру документов, но итоговый материал все равно требовал существенной ручной доработки.
Со временем изменились две вещи. Во-первых, сами модели стали лучше удерживать формат, работать с большим объемом контекста и меньше уходить в сторону от задачи. Во-вторых, команда начала точнее ставить задачи, используя правила промпт-инжиниринга: задавать роль, описывать контекст, указывать ожидаемый результат, добавлять критерии проверки и фиксировать формат ответа.
Это позволило перейти к более устойчивым практикам. Хорошие подходы перестали зависеть только от личного опыта конкретного аналитика и начали превращаться в стабильные процессы и регламенты.
Почему одних хороших запросов недостаточно
На раннем этапе может показаться, что успех зависит только от умения правильно сформулировать запрос к ИИ. Это действительно важно, но этого недостаточно.
Если аналитик плохо понимает предметную область, бизнес-цель, ограничения проекта и логику процесса, ИИ не исправит эту проблему. Он может подготовить аккуратный текст, но аккуратный текст не равен качественному решению.
Поэтому основной сдвиг произошел не в технике написания запросов, а в подходе к работе. ИИ начали рассматривать не как отдельный сервис для генерации текста, а как инструмент внутри аналитического процесса.
У каждой задачи должны быть понятные входные данные, ожидаемый результат, правила проверки и человек, который принимает итоговое решение. Без этого ИИ может не ускорить работу, а увеличить объем материалов, которые потом придется перепроверять.
Диаграммы помогают точнее передавать логику
В аналитике много информации удобнее передавать не текстом, а структурой: процессами, схемами данных, последовательностями действий, связями между системами и пользователями.
Когда команда начала использовать диаграммы в работе с ИИ, качество взаимодействия выросло. Диаграмма стала не только способом оформить результат для заказчика или разработки, но и способом точнее объяснить ИИ бизнес-логику.
Например, в текстовом описании легко потерять условие, роль участника или порядок действий. В схеме видно, кто инициирует действие, какая система выполняет проверку, где появляется внешний сервис, какой результат должен вернуться и что происходит дальше.
Для бизнеса это снижает риск неверной интерпретации требований. Чем точнее аналитик передает структуру процесса, тем меньше вероятность, что команда будет проектировать решение на основе неполного или разрозненного описания.
ИИ ускоряет вход в новую предметную область
В заказной разработке команда часто начинает проект в новой для себя отрасли. Нужно быстро понять, чем занимается компания, как устроен рынок, какие есть типовые процессы, какие системы используются, какие ограничения важны и какие вопросы нужно задать на первых встречах.
ИИ оказался полезен именно на этом этапе. Он помогает собрать первичный контекст: информацию о компании, рынке, конкурентах, целевой аудитории, типовых процессах, сущностях, интеграциях и возможных рисках.
Например, при работе с интернет-магазином одежды аналитик должен быстро разобраться в омниканальной продаже, остатках, заказах, оплате, доставке, возвратах, розничных магазинах, учетных системах и клиентских данных. ИИ помогает быстрее собрать такую предварительную картину и подготовить гипотезы для обсуждения.
Важно понимать ограничение: ИИ не знает конкретный бизнес заказчика так, как его знают сотрудники компании. Поэтому результат исследования нельзя принимать как готовую истину. Его ценность в другом: аналитик быстрее понимает, что уже известно, что остается под вопросом и какие вопросы нужно подсветить на встрече.
Повторяемые задачи можно передавать ИИ-агентам
Следующий этап — переход от разовых запросов к повторяемым сценариям.
Если аналитик регулярно выполняет один и тот же тип работы, его можно описать как процесс. Например: получить вводные по клиенту, собрать контекст, подготовить гипотезы, сформировать вопросы, выделить риски, предложить черновую структуру решения и передать результат человеку на проверку.
Такой подход позволяет использовать ИИ-агентов для первичной обработки информации. Они не принимают решения за команду, но помогают быстрее подготовить материал, с которым уже может работать аналитик, руководитель проекта или владелец направления.
Для бизнеса ценность здесь понятна: меньше времени уходит на первичный разбор, быстрее появляются вопросы к заказчику, раньше выявляются риски, а специалисты тратят больше времени не на механическую подготовку текста, а на проверку смысла и принятие решений.
Но здесь важно сохранить контроль. ИИ-агент должен работать в рамках понятного сценария, а его результат должен проверяться человеком. Особенно если речь идет о требованиях, коммерческих решениях, сроках, бюджете или обязательствах перед клиентом.
Черновые прототипы повышают качество постановки задач
ИИ начал использоваться не только для текстов, но и для подготовки черновых прототипов интерфейсов. Это полезно на раннем этапе, когда все требования можно обсудить с бизнесом на уже рабочих экранных формах.
Например, вместо абстрактного описания «нужен экран заказа с полями имя, телефон, адрес и кнопкой подтверждения» аналитик может быстро подготовить черновой вариант экрана. Такой прототип помогает заказчику визуально посмотреть, какие блоки действительно нужны, где возможны лишние действия, что будет непонятно пользователю и какие данные нужно уточнить до передачи задачи дизайнеру.
Это не замена работе дизайнера. Черновой прототип не должен восприниматься как финальный интерфейс. Его задача — улучшить обсуждение и снизить риск того, что команда начнет отрисовывать решение, логика которого еще не проверена.
Роль аналитика становится сложнее
Главное изменение в нашем процессе состоит в том, что аналитик перестает быть только исполнителем, который собирает информацию и оформляет документы. Его роль смещается в сторону управления процессом анализа.
Аналитик определяет, какую задачу нужно решить, какие данные дать на вход, где и в каком объеме можно подключить ИИ, какой результат должен получиться, как проверить качество и когда передать материал дальше.
Он не просто «пишет требования» и не просто «проверяет ответ ИИ». Он управляет цепочкой работы: от бизнес-запроса до проверяемого результата. Составляет процесс работы с клиентом из кубиков.
Это повышает требования к профессии. Если раньше значительная часть времени уходила на ручную подготовку материалов, то теперь больше внимания требуется к постановке задачи, пониманию предметной области, оценке качества, выявлению противоречий и коммуникации с заказчиком.
ИИ ускоряет отдельные этапы, но не берет на себя ответственность за смысл.
Что оказалось ожиданием, а что — реальностью
На старте внедрения многие ожидали, что ИИ сможет почти полностью заменить ручную аналитику, самостоятельно понять бизнес-контекст, снять сложность с подготовки требований и выдавать результат, который заказчик сразу примет.
На практике этого не произошло.
ИИ хорошо ускоряет отдельные блоки работы, но не заменяет весь процесс. Он помогает быстрее собрать материал, подготовить черновик, найти возможные противоречия и предложить варианты. Но требования к аналитику выросли: теперь он должен лучше понимать, что именно поручать ИИ, как проверять результат и где ошибка модели может привести к ошибке в проекте.
Сложность не исчезла. Она сместилась из ручной подготовки документов в управление качеством мышления и процесса. Нужно понимать, какие данные важны, какие выводы допустимы, какие вопросы обязательно задать заказчику и какой результат действительно имеет ценность для бизнеса.
Коммуникация также остается на человеке. ИИ может помочь подготовить вопросы, резюме встречи или структуру требований. Но понять интересы сторон, согласовать спорные моменты, защитить решение и взять ответственность за итог должен специалист.
Что это дает бизнесу
Для владельцев бизнеса и руководителей ИИ в аналитике имеет смысл не как отдельный инструмент, а как часть системы управления проектами.
Если внедрять его точечно и без правил, эффект будет случайным. Один сотрудник станет работать быстрее, другой получит нестабильные результаты, третий будет тратить время на исправление ошибок модели. В итоге компания может получить больше текста, но не больше качества.
Если же ИИ внедряется через комплексный подход к процессному управлению, эффект становится управляемым. Команда быстрее входит в предметную область, лучше прогнозирует результаты, раньше выявляет риски, быстрее собирает черновики документов и лучше проверяет варианты решений до начала дорогой разработки.
Это особенно важно для компаний, которые работают со сложными системами: CRM, личными кабинетами, порталами, внутренними сервисами, интеграциями, учетными системами и автоматизацией бизнес-процессов. В таких проектах ошибка в понимании требований может стоить дороже, чем сама разработка отдельной функции.
Поэтому главный вопрос для бизнеса — не «может ли ИИ заменить аналитика». Более практичный вопрос звучит иначе: какие участки аналитической работы можно ускорить без потери качества и какие правила контроля для этого нужны.
ИИ дает наибольшую пользу там, где есть понятный процесс, качественные входные данные, критерии результата и ответственный специалист. В такой модели он не подменяет аналитика, а усиливает его работу и помогает компании быстрее принимать более обоснованные решения.
Выбор редакции
Публикации, которые получают больше внимания и попадают в Сюжеты РБК
Рекомендации партнеров: