Системный аналитик в эпоху ChatGPT: эволюция или революция

Привет, Хабр! Меня зовут Руслан Каллагов, я системный аналитик в Лаборатории Globus — партнёре Нетологии по стажировкам на курсах ИТ-профессий. Уже 4,5 года я работаю в проектировании программного обеспечения и верю в силу синергии человеческой экспертизы и ИИ. В этой статье расскажу, как именно меняется рабочий процесс, инструментарий и зона ответственности системного аналитика под влиянием технологий вроде ChatGPT.

Это не паническое эссе, а руководство по переходу от роли добытчика и писателя требований к позиции архитектора AI-процессов в команде. Мы не будем гадать о далёком будущем, а сделаем практический разбор сегодняшней реальности. Вы получите конкретные промпты, чек-листы и схемы, которые сможете применить в своей работе уже завтра, чтобы не просто адаптироваться к изменениям, а использовать ИИ как мощный леверидж для роста своей экспертизы и ценности.

За последний год ChatGPT и подобные большие языковые модели (LLM) перестали быть диковинкой и превратились в рабочий инструмент. Вокруг — море прогнозов: одни пророчат исчезновение множества «белых воротничков» профессий, другие видят в ИИ лишь продвинутую автодополнялку. Системные аналитики оказались на передовой этих дискуссий. Ведь если ИИ может писать технические задания, пользовательские истории и даже код, то чем тогда заниматься аналитику.

Что GPT-4 действительно умеет делать за аналитика (и делает это хорошо)

Первый шаг к эффективному использованию любого инструмента — трезвая оценка его возможностей. В случае с LLM это особенно важно, чтобы не разочароваться и не наломать дров. ChatGPT — это мощный силовой усилитель для рутинных и шаблонных операций.

Генерация типовых артефактов

ИИ отлично справляется с созданием первичных версий документов на основе чётко заданного контекста. Это экономит часы рутинной работы.

• Пользовательские истории и сценарии: дайте модели роли, цель и контекст — получите структурированный список.

• Шаблоны ТЗ/спецификаций: ИИ может быстро набросать структуру документа по вашему запросу, заполнив известные разделы.

• Мокапы интерфейсов (в текстовом виде): простое описание «Хочу форму обратной связи с полями: имя, email, тема, сообщение» может превратиться в детализированное текстовое описание всех элементов и их состояний.

Практический пример промпта для ChatGPT:

Ты — опытный продакт-оунер. На основе контекста ниже сгенерируй 5 пользовательских историй для модуля «Личный кабинет курса» в образовательной платформе. Контекст: 1. Пользователи: студенты, которые купили онлайн-курс. 2. Цели модуля: дать доступ к материалам, отслеживать прогресс, общаться с преподавателем. 3. Технические ограничения: нет встроенного видеочата, есть система комментариев под уроками. Используй формат: «Как [роль], я хочу [цель], чтобы [причина/ценность]». Добавь по 2–3 критерия приёмки (Acceptance Criteria) к каждой истории.

Результат такой работы — не финальный артефакт, а отличный черновик для старта, который нужно будет уточнять и валидировать.

Первичный анализ и структурирование

ChatGPT может быть вашим первым помощником в разборе сырых данных.

• Выделение сущностей и связей: загрузите расшифровку интервью с заказчиком — модель сможет выделить основные объекты (пользователи, заказы, счета), их атрибуты и зависимости.

• Составление глоссария: автоматически извлечёт и объяснит ключевые термины из документации.

• Поиск противоречий: может указать на явные логические нестыковки в тексте требований.

Быстрое прототипирование идей

Это одна из самых сильных сторон. За минуты можно смоделировать то, на что раньше уходили часы.

• Наброски UML-диаграмм (Mermaid): попросите нарисовать диаграмму последовательностей для процесса «Оформление заказа», и вы получите готовый код для Mermaid, который можно сразу визуализировать.

• Прототипы SQL-запросов: опишите логику — получите пример SELECT.

• Черновики API-спецификаций в формате OpenAPI/Swagger: это мощный способ быстро договориться о контрактах с разработчиками.

Ограничения и риски: почему без человека не обойтись

Здесь кроется главная ловушка. LLM — не искусственный интеллект в полном смысле, а сложная статистическая модель, предсказывающая следующее слово.

Галлюцинации. Модель может с абсолютной уверенностью выдумывать несуществующие функциональности, библиотеки или бизнес-правила. Проверка фактов — на вас.

Отсутствие глубокого контекста. ИИ не знает истории вашего проекта, политических игр в компании, невысказанных ожиданий ключевого стейкхолдера.

Поверхностность. Модель даёт усреднённый, шаблонный ответ, основанный на обучении. Глубокий анализ крайних случаев (edge cases), нестандартных бизнес-процессов или поиск инновационного решения часто лежит за её пределами.

Нулевая ответственность. За ошибку в ТЗ, которую пропустил ИИ, отвечать будет аналитик, а не нейросеть.

Новые суперспособности аналитика, усиленного ИИ

Сдвиг фокуса с писанины на валидацию и синтез

Аналитик теперь не столько писатель, сколько редактор-шеф. Его ключевая задача — критически оценить сгенерированный ИИ материал, отсеять галлюцинации, дополнить глубоким контекстом, проверить на непротиворечивость и состыковать с общей архитектурой продукта.

Управление знаний (Knowledge Management) в масштабе

Представьте, что вы можете допросить всю внутреннюю wiki, тысячи тикетов поддержки и записи прошлых митингов. С помощью LLM это становится почти реальностью. Навык аналитика — правильно сформулировать запрос к этой коллективной памяти и интерпретировать результат для решения текущей задачи.

Мгновенное прототипирование и тестирование гипотез

Раньше для проверки идеи нужно было долго готовить презентацию. Теперь можно за секунды создать несколько сценариев и тут же их прогнать.

Пример промпта для тестирования гипотезы:

Представь, что ты пожилой пользователь, плохо знакомый со смартфоном. Ты пытаешься оплатить счёт в нашем мобильном приложении через новый сценарий взаимодействия с экранным диктором. Опиши по шагам, с какими трудностями ты столкнёшься и какие эмоции будешь испытывать.

Работа с неструктурированными данными для выявления скрытых требований

Аналитик может поручить ИИ проанализировать сотни отзывов в App Store, комментариев в соцсетях или записей разговоров с поддержкой, чтобы выявить повторяющиеся боли, неочевидные паттерны использования и сформулировать на их основе новые фичи или требования к доработке.

Прежде чем использовать вывод ChatGPT, проверьте его по этим пунктам:

1. Контекстная согласованность. Все ли термины используются в том же смысле, что и в нашем проекте? Учтены ли уже принятые архитектурные решения? 2. Полнота. Нет ли пропущенных, очевидных для эксперта шагов, альтернативных потоков (happy/unhappy path)? 3. Техническая реализуемость. Не предлагает ли ИИ использовать устаревшую библиотеку или технологию, которую у нас не используют (требует консультации с разработчиком)? 4. Бизнес-логика. Соответствует ли описанный процесс реальным бизнес-правилам компании? Не противоречит ли он законодательству? 5. Крайние случаи (edge cases). Рассмотрены ли граничные условия (пустые значения, таймауты, отмена действий)?

Только после прохождения этого фильтра артефакт можно отправлять на согласование команде и стейкхолдерам.

Выше мы обсудили, что ChatGPT может делать для аналитика. Теперь самое важное — как это делать эффективно. Разница между посредственным и выдающимся результатом работы с ИИ часто заключается в одном: качестве промпта.

Продвинутый промпт с фокусом на бизнес-метрики:

Ты — principal data scientist, эксперт по продуктовой аналитике. Проведи комплексный анализ данных для продуктовой команды. **Бизнес-контекст:** - Продукт: [описание продукта] - Бизнес-модель: [B2C/B2B/SaaS и так далее] - Ключевые метрики: [LTV, CAC, Retention, Conversion и так далее] - Проблема: [конкретная бизнес-проблема] **Датасет структура:** - Таблица users: user_id, reg_date, country, device, acquisition_channel - Таблица events: event_id, user_id, event_name, event_time, properties - Таблица transactions: transaction_id, user_id, amount, status, created_at - Таблица sessions: session_id, user_id, start_time, duration, pages_viewed **Задачи:** ### **1. Когортный анализ:** - Рассчитай Retention Rate по недельным когортам - Построй кривые удержания (survival curves) - Определи момент «провала» (drop-off point) для каждой когорты - Сравни когорты по acquisition channel ### **2. Funnel Analysis:** - Определи этапы воронки: [Visit → Signup → Activation → Purchase → Retention] - Рассчитай конверсию на каждом этапе - Найди bottleneck этапы - Проанализируй time-to-convert между этапами ### **3. Сегментация пользователей:** - Используй RFM-анализ (Recency, Frequency, Monetary) - Проведи кластеризацию K-means или DBSCAN - Опиши профили каждого сегмента - Рассчитай LTV для каждого сегмента ### **4. Временные ряды и прогнозирование:** - Построй SARIMA/Prophet модель для прогноза DAU/MAU - Выяви сезонность и тренды - Спрогнозируй метрики на следующий квартал - Рассчитай prediction intervals ### **5. Корреляционный и причинно-следственный анализ:** - Построй correlation matrix для ключевых метрик - Используй методы causal inference (Difference-in-Differences, Regression Discontinuity) - Проверь причинно-следственные связи (например, между feature launch и retention) **Технические требования:** - Язык анализа: Python (pandas, numpy, scikit-learn, statsmodels) - Визуализация: plotly/seaborn/ggplot2 - Статистическая значимость: α=0.05, power=0.8 - Валидация: train/test split 80/20, cross-validation k=5 **Формат вывода:** 1. Business Insights (на русском): - Топ-3 инсайта для продакт-менеджера - Рекомендации по A/B тестам - Оценка потенциального impact (в $) 2. Technical Report: - Код анализа в Jupyter-ноутбуке формате - SQL-запросы для подготовки данных - Data pipeline рекомендации 3. Dashboard Specifications: - 5 ключевых KPI для дашборда - Алерт-правила для аномалий - Автоматизация отчётности 4. Next Steps: - Гипотезы для проверки - Данные для сбора в будущем - Риски и ограничения анализа **Важные указания:** - Все выводы должны быть статистически обоснованы - Учитывай практическую реализуемость рекомендаций - Предоставляй альтернативные сценарии (best/worst case) - Указывай доверительные интервалы для всех оценок

Изменение процесса: новая схема работы

Классический процесс «поговорил с заказчиком → сел писать ТЗ → согласовал» трансформируется. Вот как может выглядеть новая схема работы аналитика с интеграцией ИИ:

A[Получение входных данных<br>Интервью, письма, мозговой штурм] --> B[Этап 1: Брейншторм с ИИ<br>Расширение горизонта: <br>"Какие ещё сценарии возможны?"]; B --> C[Этап 2: Быстрый прототип артефакта<br>Генерация черновика ТЗ/историй/диаграммы]; C --> D[Этап 3: Критический анализ и углубление<br>Человеческая работа: проверка чек-листом, <br>глубокий контекст, политика, инновации]; D --> E[Этап 4: Верификация и социализация<br>Обсуждение с командой и стейкхолдерами]; E --> F[Утверждённый артефакт]; D --> B[Итерация: уточнение промпта<br>и перегенерация];

Этап 1: Брейншторм с ИИ — расширение горизонта

Вместо того чтобы сразу писать, вы дискутируете с моделью: «Я думаю сделать так. Какие альтернативы ты видишь? Какие риски можем упустить?». Это помогает выйти за рамки шаблонного мышления.

Этап 2: Быстрый прототип артефакта

На основе итогов брейншторма вы даёте точный промпт на генерацию первого варианта документа или диаграммы.

Этап 3: Критический анализ и углубление — зона ответственности человека

Здесь применяется чек-лист валидации, добавляется знание подковёрной истории проекта, неочевидные технические нюансы от архитектора и креативные решения, до которых ИИ сам не додумается.

Этап 4: Верификация и социализация

Ничто не заменит живого обсуждения с разработчиком, тестировщиком и продакт-оунером. Здесь артефакт окончательно шлифуется.

Новые хард- и софт-скиллы системного аналитика: что учить уже сегодня

Профессия требует обновления навыков. Вот на чём стоит сфокусироваться.

Хард-скиллы или технические навыки

Инженерия промптов (Prompt Engineering). Это не просто искусство задавать вопросы. Это навык структурирования контекста, использования ролей (persona), цепочек размышлений (chain-of-thought) и шаблонов few-shot обучения. По сути, это программирование на естественном языке для получения предсказуемого результата.

Основы работы LLM и ML. Понимание, что такое токенизация, контекстное окно, тонкая настройка (fine-tuning). Это нужно, чтобы осознанно работать с ограничениями моделей и не требовать от них невозможного.

Работа с API и инструментами автоматизации. Умение интегрировать ChatGPT API или аналоги (например, через Python) в свои рабочие процессы для автоматической обработки данных, ведения баз знаний.

Софт-скиллы или гибкие навыки (выходят на первый план)

Критическое мышление и скептицизм высшей пробы. Безоговорочное доверие к выводу ИИ — путь к катастрофе. Навык постоянной перепроверки, поиска первоисточника и здравого смысла становится ключевым.

Системное мышление более высокого порядка. Освободив время от рутины, аналитик должен тратить его на понимание системы в целом: как новые требования повлияют на другие модули, бизнес-метрики и пользовательский опыт в долгосрочной перспективе.

Фасилитация и коммуникация. Вы становитесь переводчиком между ИИ и командой. Нужно уметь объяснить: «Вот что предложил ИИ, вот как я это проверил и дополнил, давайте обсудим, почему итоговое решение выглядит именно так».

Будущее роли: от системного аналитика к архитектору AI-процессов в команде

Профессия системного аналитика не упраздняется, а эволюционирует в более стратегическую и высокоуровневую роль. Можно провести аналогию с появлением автопилотов в авиации. Пилот не перестал быть нужен — он перестал выполнять рутинную работу с рычагами, но его роль как лица, принимающего конечное решение, несущего ответственность и действующего в нештатных ситуациях, только возросла.

Аналитик будущего — это архитектор AI-процессов в рамках своей команды или продукта. Он:

• знает, какой ИИ-инструмент (ChatGPT для текста, DALL-E для прототипов интерфейсов, специализированные ML-модели для аналитики) и когда применить;

• проектирует процессы работы команды с интеграцией этих инструментов;

• отвечает за качество входных данных (промптов, контекста) и интерпретацию выходных;

• формирует и поддерживает цифровую базу знаний продукта — живую, постоянно обновляемую систему, с которой может общаться через ИИ любой член команды, чтобы получить актуальную информацию.

Вывод

ChatGPT — не конкурент, а мощный леверидж. Это всё равно что иметь в подчинении стажёра-гения, который мгновенно пишет черновики, но требует постоянного контроля и наставничества.

Ценность аналитика смещается от скорости написания текстов к качеству мышления. Ключевыми становятся навыки постановки задач ИИ, синтеза информации, принятия решений в условиях неопределённости и, как всегда, коммуникации.

Главный навык новой эпохи — умение работать в синергии с ИИ. Умение построить эффективный симбиоз, где машина выполняет объёмную работу по шаблону, а человек фокусируется на том, что пока недоступно машине: на глубоком понимании, творчестве, стратегии и ответственности.

ChatGPT не отменяет системный анализ. Он делает его сложнее, интереснее и, в конечном счёте, — значительно более ценным для бизнеса. Время паниковать прошло. Настало время учиться и адаптироваться.

Чтобы расти в своей сфере и поменять качество жизни, нужно сделать шаг к переменам. Если не знаете, с чего начать, попробуйте что-то бесплатное и небольшое, например:

• курс «Нейросети для работы: пошаговый план применения»;

• вебинар «Не софт, а хард: как коммуникации помогают в карьере»;

• вводный курс магистратуры УрФУ «Прикладной искусственный интеллект»;

• воркшоп «1C-аналитик: погружение в профессию на практике»;

• мастер-класс «Искусственный интеллект в разработке».

Или станьте востребованным специалистом и откройте бóльшие перспективы в карьере с профессиональным обучением:

• на расширенном курсе «Системный аналитик» с изучением ИИ и программой трудоустройства;

• на курсе «Нейросети для анализа данных» с практикой на реальных бизнес-задачах;

• на совместной с МТУСИ программе «ИИ-разработчик: от API до агентов»;

• на практическом курсе «Вайб-кодинг» с новой программой 2026;

• на курсе «Python для анализа данных», где есть тариф с AI.