Развитие генеративного ИИ совпало с периодом, когда компании начали активно искать способы ускорить цифровую трансформацию. Бизнесу необходимо быстрее запускать продукты, сокращать расходы и принимать решения на основе данных, а значит — автоматизировать не только рутинные операции, но и интеллектуальную работу.

Одними из первых под этот тренд попали бизнес-аналитики. Многие их ежедневные задачи связаны с обработкой информации: изучением документов, анализом процессов, подготовкой требований, описанием сценариев работы системы. Именно такие задачи современные языковые модели выполняют особенно эффективно.

За последние два года инструменты на базе больших языковых моделей научились:

• анализировать сотни страниц документации;
• обрабатывать записи интервью и деловых встреч;
• выявлять противоречия в требованиях;
• формировать черновики технической документации;
• генерировать User Story, Use Case и Acceptance Criteria;
• находить закономерности в больших массивах данных;
• готовить аналитические отчеты и презентации.

Многие из этих задач действительно выполняются в разы быстрее, чем несколько лет назад. Но они охватывают лишь часть работы бизнес-аналитика.

Многие представляют бизнес-аналитика как человека, который пишет требования для разработчиков. На практике его зона ответственности значительно шире.

Хороший аналитик не просто фиксирует пожелания заказчика. Он помогает бизнесу понять, какую проблему необходимо решить и каким способом это лучше сделать.

Типичный проект начинается задолго до появления технического задания.

Сначала специалист изучает текущие процессы компании, проводит интервью с сотрудниками, анализирует существующие ограничения, выявляет узкие места и только после этого приступает к формализации требований.

Во время проекта бизнес-аналитик постоянно взаимодействует с разными участниками: руководителями подразделений, владельцами продукта, разработчиками, тестировщиками и конечными пользователями. Нередко именно он становится связующим звеном между бизнесом и IT-командой.

Условно работу бизнес-аналитика можно разделить на две части. Первая связана с обработкой информации: анализом документов, подготовкой требований, работой с данными и отчетностью. Вторая — с коммуникацией и принятием решений: интервью с заказчиками, согласованием требований, поиском компромиссов и сопровождением проекта. Именно первая группа задач сегодня активнее всего автоматизируется.

Главное преимущество современных моделей — скорость работы с информацией.

Например, после серии встреч аналитик получает несколько часов записей интервью, десятки документов, корпоративные регламенты, переписку сотрудников и выгрузки из внутренних систем.

Еще недавно на обработку такого объема информации уходили дни.

Сегодня языковые модели способны за считанные минуты:

• расшифровать аудиозаписи встреч;
• выделить функциональные и нефункциональные требования;
• сгруппировать повторяющиеся замечания;
• обнаружить противоречия между документами;
• подготовить первый вариант BRD (Business Requirements Document);
• сформировать User Story и Acceptance Criteria;
• предложить вопросы, которые стоит уточнить у заказчика.

На практике ИИ готовит качественный черновик, а аналитик проверяет его, уточняет детали и адаптирует под конкретный проект. За счет этого специалист тратит меньше времени на рутинную обработку информации и больше — на поиск решений.

Когда говорят, что искусственный интеллект способен заменить бизнес-аналитика, чаще всего имеют в виду большие языковые модели — ChatGPT, Claude, Gemini и другие аналогичные сервисы. Они действительно помогают анализировать информацию и создавать качественные черновики документов.

Но в корпоративной среде их возможности быстро достигают предела.

Представим компанию, где данные распределены между CRM, ERP, системой электронного документооборота, корпоративным порталом, базой знаний, почтой и десятками Excel-файлов. У каждого подразделения — собственные отчеты, терминология и правила работы. Одни и те же показатели могут рассчитываться по-разному, а документы — содержать противоречивую информацию.

Публичная языковая модель не имеет доступа к этим данным. Даже если загрузить отдельные документы вручную, она увидит лишь небольшой фрагмент общей картины и не сможет учитывать изменения, происходящие в компании каждый день.

Поэтому корпоративный ИИ строится иначе. В его основе лежит не только языковая модель, но и инфраструктура данных, которая обеспечивает доступ к актуальной информации и помогает интерпретировать ее в правильном контексте.

Чтобы ИИ приносил реальную пользу бизнесу, недостаточно выбрать мощную языковую модель. Не менее важно обеспечить ей доступ к качественным корпоративным данным.

Точность выводов ИИ напрямую зависит от качества информации, с которой он работает. В аналитике это особенно заметно: даже самая совершенная модель не сможет подготовить полезные рекомендации, если данные неполные, противоречивые или устаревшие.

Именно поэтому компании, внедряющие ИИ, уделяют большое внимание подготовке данных.
Как правило, такая инфраструктура включает несколько ключевых компонентов.

Каталог данных

Каталог данных — это единый реестр корпоративной информации. Он помогает понять, какие данные существуют в компании, где они находятся, кто отвечает за их качество и как их можно использовать.

Для бизнес-аналитика это означает, что нужную информацию больше не приходится искать вручную в десятках систем и согласовывать с разными подразделениями.

Семантический слой

Даже если данные собраны в одном месте, остается другая проблема — разные отделы могут использовать разные определения одних и тех же показателей.

Например, маркетинг считает клиента активным после регистрации, отдел продаж — после первой сделки, а финансовый департамент — после оплаты счета. Формально речь идет об одном показателе, но его смысл различается.

Семантический слой формирует единый словарь бизнес-терминов и связывает их с корпоративными данными. Благодаря этому искусственный интеллект понимает, какие показатели использовать, и не делает выводы на основе разных трактовок одного и того же понятия.

Еще один важный элемент корпоративной архитектуры — технология Retrieval-Augmented Generation (RAG).

В отличие от обычной языковой модели, которая отвечает на основе знаний, полученных во время обучения, RAG сначала обращается к корпоративной базе знаний, находит релевантные документы и только затем формирует ответ.

Для бизнес-аналитика это особенно важно. Вместо общих рекомендаций ИИ может использовать внутренние регламенты, техническую документацию, описания процессов и стандарты компании. Это снижает риск ошибок и делает ответы привязанными к реальному контексту организации.

Такая архитектура позволяет доверить ИИ обработку информации и подготовку черновых материалов. Однако даже при наличии качественных данных остаются задачи, где решающую роль по-прежнему играет человек.

Несмотря на стремительное развитие технологий, есть области, где искусственный интеллект пока не способен заменить специалиста.

Понимание истинной проблемы

Заказчики далеко не всегда точно формулируют свои потребности.

Например, руководитель может попросить внедрить чат-бота или разработать новую систему согласования заявок. Однако в ходе интервью выясняется, что проблема вовсе не в отсутствии технологии. Причиной может оказаться неэффективный бизнес-процесс, дублирование функций между подразделениями или устаревшие регламенты.

ИИ работает с уже сформулированной задачей. Бизнес-аналитик помогает понять, какую проблему компания действительно пытается решить.

Эта способность отличает консультанта от инструмента.

Бизнес-аналитик работает не только с данными и документами. Значительная часть его ценности заключается в умении взаимодействовать с людьми.

В крупных проектах редко бывает ситуация, когда все участники одинаково понимают задачу. У каждого подразделения свои цели и приоритеты.

Например:

• бизнес хочет быстрее вывести новый продукт на рынок;
• служба безопасности стремится минимизировать риски;
• IT-команда учитывает ограничения существующей инфраструктуры;
• финансовый отдел контролирует бюджет проекта.

Задача аналитика — найти баланс между этими интересами и сформировать решение, которое будет работать для всей компании.

ИИ может помочь сравнить варианты, найти противоречия в документах или предложить возможные сценарии. Однако он не способен полноценно заменить переговоры, учитывать особенности корпоративной культуры и управлять ожиданиями участников проекта.

Чем больше рутинных операций берет на себя ИИ, тем выше становится ценность того, что пока невозможно автоматизировать: переговоров, понимания бизнес-контекста и способности договариваться между разными участниками проекта.

Следующий этап развития искусственного интеллекта — переход от моделей, которые отвечают на вопросы, к ИИ-агентам, способным самостоятельно выполнять последовательность действий.

Если обычная языковая модель помогает найти информацию или подготовить текст, то ИИ-агент может работать с корпоративными системами, анализировать данные из разных источников, запускать бизнес-процессы и взаимодействовать с другими сервисами без постоянного участия человека.

Для бизнес-аналитиков это открывает новый уровень автоматизации. Представим ситуацию: руководству необходимо понять, почему снизилась эффективность отдела продаж. Сегодня специалисту приходится собирать данные из CRM, сравнивать показатели за разные периоды, анализировать изменения в процессах и готовить отчет. Значительная часть этого времени уходит не на выводы, а на поиск и обработку информации.

В будущем значительную часть этой работы сможет взять на себя ИИ-агент. Он автоматически соберет данные из корпоративных систем, выявит отклонения, сопоставит их с историей изменений и подготовит предварительный аналитический отчет с возможными причинами проблемы.

Это не означает, что роль аналитика исчезнет. Напротив, по мере развития таких систем его работа сместится от сбора информации к проверке выводов, оценке рисков и выбору оптимального решения. Чем больше технических операций берет на себя ИИ, тем выше становится ценность экспертной оценки и понимания бизнес-контекста.

Одним из важных направлений развития корпоративного ИИ становится возможность безопасного взаимодействия моделей с внешними инструментами и источниками данных.

Здесь особое значение приобретает Model Context Protocol (MCP) — открытый протокол, который позволяет связывать ИИ-модели с различными системами и предоставлять им структурированный доступ к необходимым данным.

Для бизнеса это означает переход от изолированных экспериментов с чат-ботами к полноценным интеллектуальным помощникам, встроенным в рабочие процессы.

Например, бизнес-аналитик сможет взаимодействовать с ИИ не через отдельное окно чата, а внутри привычной корпоративной среды. Агент сможет получать данные из CRM, обращаться к базе знаний, анализировать документы и выполнять связанные действия в информационных системах.

Такой подход особенно важен для крупных компаний, где ценность ИИ определяется не только качеством ответов, но и способностью работать с реальными бизнес-процессами.

Развитие ИИ не снижает роль бизнес-аналитика, а меняет набор компетенций, которые становятся востребованными в профессии. Если раньше значительная часть времени уходила на сбор информации, подготовку документации и описание требований, то теперь эти процессы все чаще становятся задачами для автоматизации.

На первый план выходят навыки, которые позволяют эффективно работать вместе с ИИ. Аналитику важно понимать возможности современных инструментов, уметь проверять результаты их работы, разбираться в качестве данных и видеть взаимосвязи между бизнес-процессами. Не менее значимой остается экспертиза в предметной области, поскольку именно она помогает оценивать выводы модели и принимать решения с учетом специфики компании.

Заменит ли ИИ бизнес-аналитиков? Скорее, изменит требования к профессии.

Уже сегодня ценность специалиста определяется не тем, насколько быстро он оформляет требования или готовит документацию. Эти задачи все чаще автоматизируются. Гораздо важнее способность разобраться в причинах проблемы, сопоставить интересы разных подразделений и предложить решение, которое действительно принесет бизнесу результат.

По мере развития корпоративных ИИ-систем аналитики будут все меньше заниматься механической обработкой информации и все больше — проектированием процессов, проверкой гипотез и принятием решений. Поэтому главный вопрос для компаний уже не в том, сможет ли ИИ заменить бизнес-аналитика, а в том, как выстроить эффективное взаимодействие человека и технологии.

Для компаний это означает, что конкурентное преимущество будет зависеть не столько от выбора языковой модели, сколько от качества данных, зрелости внутренних процессов и умения встроить ИИ в существующую инфраструктуру. Именно сочетание технологий и экспертизы сотрудников позволит получать реальную бизнес-ценность, а не просто автоматизировать отдельные операции.