Как изменится системный анализ и работа аналитика, когда ИИ «победит»

Без системного аналитика многие проекты заходят в тупик. Ведь некачественно проработанные требования или слабо продуманная архитектура ведут к дорогим ошибкам на этапе разработки и внедрения. 

При этом есть мнение, что искусственный интеллект ^[1] (ИИ) вот-вот научится делать всё то, что делает системный аналитик, и в итоге заменит его. ИИ стремительно развивается и проникает во все возможные сферы, поэтому «победа» машин в будущем уже не выглядит фантастикой.

Где-то ИИ может облегчить рутинные задачи, а где-то вообще изменить классический подход к работе. Вопрос не в том, перестанут ли быть нужны системные аналитики, а скорее — какими компетенциями они должны обладать, чтобы оставаться востребованными при автоматизированных процессах.

Привет! Я – Герман, аналитик IТ-компании SimbirSoft. В этой статье я хочу поделиться наблюдениями, как уже сегодня меняется роль системного аналитика, а также предположить, к чему в итоге это приведет. Поговорим о том, какие задачи можно «передать» машинам, что останется за людьми, и как «победа ИИ» повлияет на требования к специалистам.

Роль системного аналитика сегодня

В классическом понимании системный аналитик — это «мост» между бизнесом и командой разработки. В большинстве компаний ключевыми задачами системного аналитика являются:

1. Сбор и формализация требований. Аналитик встречается со стейкхолдерами, определяет бизнес-цели, выявляет проблемы, формирует функциональные и нефункциональные требования к системе.

2. Проектирование архитектурных решений. Понимание существующих систем, их связей и ограничений позволяет аналитикам участвовать в выборе технологий, проектировании баз данных, определении интерфейсов и сценариев взаимодействия.

3. Документирование. Важная задача, которую часто недооценивают. Четкое и понятное описание системы помогает всем участникам проекта говорить на одном языке.

4. Коммуникация с командой. Аналитик не только собирает информацию, но и доносит ее до разработчиков, тестировщиков, менеджеров и других заинтересованных сторон. Часто именно он отвечает за согласование и корректировку требований на всех этапах.

5. Управление изменениями. В процессе разработки бизнес-требования могут меняться. Аналитик следит за тем, чтобы эти изменения корректно отображались в спецификациях и планах.

Однако давайте посмотрим более детально, какие конкретные задачи аналитика уже можно автоматизировать и где роль человека все еще незаменима.

Какие задачи поддаются автоматизации

ИИ отлично подходит для решения простых, рутинных задач практически во всех отраслях и специальностях. Список того, что системный аналитик уже может автоматизировать:

Подготовка визуальных материалов

ИИ-модели уже сегодня могут переводить текстовые описания в диаграммы различных типов (UML, ERD и др). Существуют решения, где аналитик описывает сущности и связи на естественном языке, а алгоритм генерирует визуальные схемы.

Практический кейс: сервисы типа PlantUML, интегрированные с ChatGPT или другими языковыми моделями, принимают на вход список сущностей и их связи в текстовом формате и выдают готовую UML-диаграмму. Это упрощает процесс моделирования и ускоряет работу над проектом.

Помощь в формировании спецификации OpenAPI

Благодаря обработке естественного языка ИИ может анализировать описания функциональности, требования к входным и выходным данным сервисов и автоматически создавать спецификации OpenAPI. Аналитику достаточно сформулировать точный запрос (промт), после чего алгоритм генерирует шаблон спецификации.

В реальной практике такой подход работает при проектировании микросервисов: аналитик формирует тезисные описания эндпоинтов, а специальный плагин генерирует черновик спецификации для дальнейшего уточнения.

На самом деле подобных повседневных задач гораздо больше, и они становятся полем для применения ИИ. Однако важно помнить, что при подготовке запросов к ИИ важно обезличивать конфиденциальные данные, чтобы не допустить утечек. Системный аналитик несет ответственность за корректную обработку и передачу информации, соблюдая корпоративные политики и другие правовые нормы. Здесь роль человека особенно велика.

Какой стек можно использовать

Чтобы оставаться на рынке, системному аналитику уже недостаточно классических инструментов (базовый SQL или BPMN). Сегодня классический стек тесно связан с технологиями анализа данных и автоматизации.

Инструменты анализа данных

• Python. Можно сказать, что сейчас этот язык стал стандартом для быстрого анализа данных (библиотеки pandas, NumPy и др).

• SQL. Работа с базами данных, умение быстро делать сложные выборки и связывать данные из разных источников по-прежнему остаются востребованными.

• BI-системы. Tableau, Power BI, Qlik и другие помогают визуализировать данные и строить интерактивные дашборды. Аналитику не обязательно глубоко погружаться в программирование, чтобы находить закономерности.

Средства управления требованиями и документацией

• Docs-as-Code (Markdown, Asciidoc + Git). Популярный подход, когда документация хранится в репозиториях, что позволяет контролировать версии и видеть разницу между изменениями.

• Atlassian Confluence/Jira. Одни из самых распространенных инструментов для ведения документации, управления проектами и постановки задач. Например, я работаю в связке Jira+Confluence уже много лет, и для меня это практически стандарт по настройке процессов и хранению проектной информации.

• Draw.io ^[2], PlantUML, DbDiagram. Инструменты для моделирования и построения диаграмм (UML, ERD и тд.). При интеграции с ИИ могут автоматически генерировать схемы из текстовых описаний на лету.

Интеграция с AI-сервисами

• GPT-модели. Предоставляют большие языковые модели, позволяющие анализировать текст и изображения, понимать контекст, предлагать варианты улучшения кода или документации.

• RPA-платформы (UiPath, Blue Prism, Automation Anywhere). Всё, что касается автоматизации рутинных задач. Аналитику достаточно продумать логику ^[3] бизнес-процесса и «научить» робота делать повторяющиеся действия.

Что будет со специалистами, если ИИ «победит»?

Попробуем представить, что ИИ сможет выполнять основную часть рутинных процессов и делать это почти без ошибок или с минимальным риском. В этом случае возможны следующие изменения в роли аналитика:

Фокус сместится на творчество ^[4] и стратегию

Когда большую часть технической и рутинной работы будут делать алгоритмы, аналитики смогут сосредоточиться на более креативных и стратегических аспектах:

• Формирование долгосрочного видения продукта и стратегических целей.

• Поиск современных способов решения бизнес-задач.

• Управление коммуникациями и конфликтами внутри команды и со стейкхолдерами.

На мой взгляд, человеческая интуиция ^[5], способность к эмоциональному восприятию ^[6] и пониманию контекста всё ещё остаётся сферой, где машинам сложно нас обойти.

Вырастут требования к компетенциям

По мере того как многие простые задачи становятся автоматизированными, на первый план выйдут сложные и узкоспециализированные задачи. Компании захотят, чтобы аналитики умели:

• Работать с данными на достаточно глубоком уровне (статистика, моделирование, A/B-тестирование).

• Быть «переводчиками» между командой и бизнесом, используя релевантные инструменты для разъяснения сложных технических деталей.

• Оценивать технологические риски и правовые ограничения при использовании ИИ.

По сути, роль аналитика станет шире и сложнее, а не наоборот.

Усиление конкуренции

Никто не захочет платить специалисту, если его работу на 90% можно заменить автоматизированным сервисом. Как следствие, уровень конкуренции вырастет. Победят те, кто умеет «жить на гребне волны»: 

• Быстро адаптироваться к новым инструментам.

• Применять AI там, где это выгодно.

• Сохранять гибкость.

Как развиваться системному аналитику, чтобы остаться в рынке

Понимая, как меняется роль аналитика под влиянием ИИ, я сформулировал несколько рекомендаций, которые, возможно, будут полезны другим.

Освоить основы машинного обучения ^[7] и анализа данных

Необязательно становиться полноценным Data Scientist, но базовые знания о типах моделей (регрессия, классификация, кластеризация, нейронные сети) и процессах подготовки данных дают огромное преимущество. Эти знания можно получить на курсах по машинному обучению.

Развивать Soft Skills

Коммуникации и умение договариваться не будут лишними в любой ситуации. Машина вряд ли подскажет, когда и как нужно презентовать сложную идею. Для аналитика прокаченные Soft Skills становятся Hard Skills, поэтому:

• Тренируйте навыки публичных выступлений и ведения переговоров.

• Учитесь работать с возражениями и управлять конфликтами.

• Развивайте эмоциональный интеллект и понимайте потребности ^[8] людей.

Следить за трендами и стандартами

В ИИ каждый месяц появляются новые библиотеки, фреймворки и нейросети. Всё отследить невозможно, но стоит хотя бы держать руку на пульсе: читать тематические блоги, смотреть презентации с конференций, общаться в телеграм-сообществах инженеров, посещать конференции. Ну и, наконец, взаимодействовать с коллегами и находить новые идеи. Это помогает понимать, куда движется рынок и какие инструменты стоит изучить в первую очередь.

Развиваться в доменной области

Чем лучше аналитик понимает специфику отрасли (финансы, ритейл, телеком, промышленность и т.д.), тем более ценные решения он может предлагать.

• Изучайте особенности рынка.

• Смотрите как подходят к реализации похожих задач конкуренты.

• Погружайтесь в регуляторную базу —  в некоторых отраслях, например, банковской или  медицинской, требования к продуктам и проектам определяются строгими законами и нормами.

Изучать смежные дисциплины

Системный аналитик зачастую является участником продуктовой команды и может работать на стыке нескольких областей, где важно:

• Собирать требования для проектов, а также технических заданий.

• Применять подход CustDev, чтоб глубже понять потребности заказчиков и пользователей.

• Проектировать UI/UX, чтоб повысить качество требований и задавать правильные вопросы дизайнерам и фронтенд-разработчикам.

Уметь правильно применять ИИ в рутине

Грамотное использование ИИ-инструментов при решении рутинных задач помогает освободить время для более сложной, творческой работы аналитика.

• Переводить текстовые описания в диаграммы (BPMN, ERD).

• Генерировать спецификации (OpenAPI или MVP).

• Преобразовывать одни форматы данных в другие (UML в PlantUML).

• Оптимизировать SQL-запросы.

• Распознавать данные из изображений.

К чему приведет «победа» ИИ

Когда говорят, что ИИ «победит» в какой-то сфере, это не обязательно означает вытеснение людей. Скорее мы переходим к новой эре, где рутинные задачи берут на себя алгоритмы, а специалисты сосредотачиваются на более творческих и управленческих аспектах. Для системного анализа это означает, что часть классических задач будет автоматизирована. Ключевая роль, где нужны человеческие мозги и интуиция, останется за людьми.

Главное это вовремя адаптироваться, учиться новому и не бояться пробовать ИИ-инструменты в своей практике. В конечном итоге, «победа» ИИ — это отличный шанс выйти на другой уровень профессионального развития. А как вы думаете, что ждет системный анализ и роль аналитиков в будущем? 

Подписывайся на наши соцсети и блог, где мы публикуем другие полезные материалы:

Telegram ^[9]

ВКонтакте ^[10]

Habr ^[11]

YouTube ^[12]

Дзен ^[13]