Практический разбор применения ИИ в работе системного аналитика: сбор требований, моделирование процессов, создание Use Cases и технических заданий. Плюсы, минусы и типичные ошибки. Промт-чеклист для эффективной работы.

ИИ-инструменты, такие как GPT, Claude и Qwen, всё чаще используются в повседневной работе системного аналитика. Но насколько они полезны? Могут ли они заменить специалиста?

В этой статье — разбор трёх ключевых сценариев использования ИИ:

• Сбор и уточнение требований.
• Моделирование процессов и генерация диаграмм.
• Описание пользовательских сценариев (Use Cases).

Для каждого сценария приведены:

• Примеры промтов разного уровня детализации.
• Результаты от разных моделей (ChatGPT, Qwen, DeepSeek).
• Оценка качества: что сработало, а что — нет.
• Оценка времени, сэкономленного с помощью ИИ.

ИИ не заменит системного аналитика, но может сократить время на рутинные задачи до 70%. Главное — уметь с ним работать.

1. Сбор требований: как получать уточняющие вопросы, даже если вы сами не знаете, что спросить

Задача: Стейкхолдер говорит: «Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных». Цель — подготовить список уточняющих вопросов.

Промт (базовый):
Ты — опытный системный аналитик. Сформируй список уточняющих вопросов для стейкхолдера по описанию: «Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных».

Результат: ИИ выдал общие вопросы, но много «шума» — например, про интеграции, безопасность, мобильную версию, хотя контекст не задан.

Промт (структурированный):
Ты выступаешь в роли опытного системного аналитика. На вход ты получаешь краткое описание функционала. Твоя задача — сформировать список уточняющих вопросов для стейкхолдера, которые помогут подготовить детальные функциональные требования. Вопросы должны быть конкретными, сфокусированными на бизнес-логике. Учитывай роли пользователей, ограничения, альтернативные сценарии, зависимости и интеграции. Группируй вопросы по блокам: Бизнес-логика, Роли пользователей, Ограничения, Альтернативные сценарии, Зависимости. Описание функционала: «Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных».

Сравнение результатов: базовый vs. структурированный промт

Конкретность

❌ Базовый: Вопросы общие — «Какие данные обязательны?», «Нужны ли уведомления?»

✅ Структурированный: Вопросы детализированные — «Какие именно контактные данные можно изменять?», «Какие статусы заказа должны отображаться?»

Структура

❌ Базовый: Список без группировки, хаотичный порядок.

✅ Структурированный: Вопросы сгруппированы по тематическим блокам.

Пригодность для стейкхолдера

❌ Базовый: Сложно отвечать — вопросы размытые.

✅ Структурированный: Удобно для ответа — чёткие, конкретные формулировки.

Эффективность

❌ Базовый: Требует переработки аналитиком.

✅ Структурированный: Готов к использованию после минимальной правки.

Примеры вопросов

Базовый: «Планируется ли интеграция с другими системами?» (без уточнений)

Структурированный: «Нужно ли показывать историю заказов полностью или только актуальные/последние?»

🏆 Результат: Структурированный промт дал качественные, пригодные для использования списки во всех моделях — ChatGPT, Qwen, DeepSeek.

Что сработало:

• Группировка по блокам помогла систематизировать вопросы.
• Требование «без общих фраз» снизило количество «воды».
• Разные модели дополняют друг друга — например, Qwen добавил вопрос про скрытие отменённых заказов.

Что не сработало:

• Некоторые вопросы всё ещё слишком абстрактны.
• ИИ не знает внутренний контекст — например, про существующие интеграции.

Вывод: ИИ может сгенерировать 80% вопросов за 5 минут вместо 40 минут ручной работы. Финальная правка, переформулировка и адаптация под контекст — задача аналитика.

2. Моделирование процессов: как получить диаграмму, которую можно показать архитектору

Задача: Описать процесс регистрации пользователя в интернет-магазине в виде диаграммы последовательности на PlantUML.

Промт (базовый):
Сгенерируй код для диаграммы последовательности в PlantUML для процесса регистрации пользователя.

Результат: Диаграмма с низкой детализацией. Пришлось делать несколько итераций, чтобы получить приемлемый результат.

Промт (детальный):
Сгенерируй код для диаграммы последовательности в PlantUML, описывающий процесс регистрации пользователя в интернет-магазине. Участники: Пользователь, Front-end, Сервис регистрации, БД «Пользователи». Обязательные поля: Фамилия, Имя, Номер телефона. Учти альтернативные сценарии: пользователь уже существует, невалидные данные, таймаут соединения. Добавь HTTP-статусы и сообщения об ошибках. Требования: используй разделители, автонумерацию, разные типы стрелок, примечания. Верни только код PlantUML.

🏆 Результат: Диаграмма стала детальной — с блоками условий, ошибками, нумерацией и пояснениями.

Что сработало:

• Чем детальнее промт — тем качественнее результат.
• Поддержка PlantUML позволяет быстро вносить правки и отлаживать.

Что не сработало:

• ИИ не учитывает бизнес-нюансы — например, подтверждение телефона через SMS.
• Требуется ручная корректировка порядка шагов и названий.

Вывод: ИИ создаёт каркас диаграммы за 10–15 минут вместо 30. Но логику исключений и бизнес-правила определяет только человек.

3. Use Cases: от шаблонов до технических спецификаций

Задача: Описать Use Case «Сортировка отзывов в карточке товара».

Промт (базовый):
Ты — опытный системный аналитик. Подготовь подробный Use Case по описанию: система — сайт интернет-магазина, Use Case — сортировка отзывов, акторы — покупатель и веб-сайт.

Результат: Формулировки размытые, технических деталей нет.

Промт (детализированный, с требованиями к структуре):
Роль: Ты — опытный системный аналитик, эксперт по описанию требований через Use Case. Задача — подготовить структурированный и технически корректный сценарий для веб-приложения. Контекст: система — сайт интернет-магазина, Use Case — сортировка отзывов, акторы — Пользователь, Веб-сайт (фронтенд + бэкенд). Формат: Название, Краткое описание, Акторы, Предусловия, Постусловия, Основной сценарий (пошагово), Альтернативные сценарии (с привязкой к шагам). Учитывай клиентскую и серверную логику. Используй профессиональную терминологию без абстракций.

🏆 Результат: Чёткие шаги, API-эндпоинты, HTTP-статусы, альтернативные сценарии с привязкой к шагам.

Пример основного сценария (ChatGPT):

1. Покупатель открывает карточку товара.
2. Фронтенд запрашивает отзывы: GET /api/products/{id}/reviews?page=1&sort=date_desc.
3. Отзывы отображаются по умолчанию (от новых к старым).
4. Покупатель выбирает сортировку «По рейтингу: от высокого к низкому».
5. Фронтенд отправляет новый запрос: GET /api/products/{id}/reviews?sort=rating_desc.
6. Бэкенд валидирует параметр, сортирует данные, возвращает результат.
7. Фронтенд обновляет список отзывов.
8. Покупатель видит отсортированные отзывы.

Примеры альтернативных сценариев:

• Нет отзывов: Бэкенд возвращает пустой массив. Фронтенд показывает: «Отзывов пока нет. Будьте первым!». Элемент сортировки скрыт.
• Ошибка API: При статусе 5xx/4xx фронтенд показывает уведомление. Список остаётся прежним.
• Недопустимый параметр: Бэкенд игнорирует неизвестный параметр, применяет сортировку по умолчанию. URL корректируется.

Что сработало:

• Чёткая структура: предусловия, постусловия, основной и альтернативные сценарии.
• Технические детали: эндпоинты, статусы, параметры.

Что не сработало:

• ИИ может «галлюцинировать» — добавлять несуществующие поля или API.
• Бизнес-правила (например, «показывать только отзывы с рейтингом > 3») нужно прописывать вручную.

Вывод: ИИ помогает быстро создать каркас Use Case. Но детализация и валидация — за аналитиком.

Темная сторона ИИ: о чём не говорят в рекламе

• Галлюцинации: ИИ может выдумать несуществующие сущности, поля, API.
• Качество входных данных: «Мусор на входе — мусор на выходе». Качество результата зависит от промта.
• Безопасность: Загрузка конфиденциальных данных в облачные ИИ-сервисы рискованна. Лучше использовать локальные или корпоративные решения.
• Ответственность: Окончательное решение, проверка и подписание ТЗ — всегда за аналитиком.

Заключение: ИИ — ассистент, а не замена

ИИ не заменяет системного аналитика. Но он может стать его мощным помощником:

• Ускоряет рутину на 60–70%.
• Помогает структурировать мысли.
• Генерирует каркасы документов.

Благодаря ИИ аналитик может сосредоточиться на главном: понимании бизнеса, принятии решений, формулировании чётких требований.

Важно использовать ИИ не как замену, а как инструмент для ускорения работы. Ключ к успеху — грамотный промт.

Промт-чеклист для системного аналитика

1. Определи цель и ожидаемый результат (что нужно и для кого).
2. Назначь ИИ роль (например, «опытный системный аналитик в e-commerce»).
3. Опиши контекст: система, пользователи, ограничения.
4. Укажи формат ответа (список, таблица, Use Case, диаграмма и т.д.).
5. Задай критерии качества: без общих фраз, технически точно, с пометкой допущений.
6. Попроси ИИ задавать уточняющие вопросы при нехватке данных.
7. Проверь результат на соответствие проекту и при необходимости доработай вручную.

Практический разбор на примерах: сбор требований, диаграммы, Use Cases и ТЗ. Плюсы, минусы,подводные камни и промт-чеклист для системного аналитика.

ИИ-инструменты, вроде GPT, Claude или Qwen, активно внедряются в ежедневную работу системного аналитика. Но насколько они действительно полезны? Могут ли они заменить аналитика?

В этой статье я разберу 3 сценария использования ИИ в работе системного аналитика:

1. Сбор требований и уточнение деталей.
2. Моделирование процессов и генерация диаграмм.
3. Написание пользовательских историй и Use Cases.

Для каждого сценария покажу:

• Промты разного уровня детализации.
• Результаты от разных моделей (ChatGPT, Qwen, DeepSeek).
• Что получилось хорошо, а что — нет.
• Сколько времени удалось сэкономить.

ИИ не заменит аналитика, но может сэкономить ему до 70% времени на рутине. Если, конечно, уметь с ним работать.

1. Сбор требований: как задавать правильные вопросы, даже если вы их ещё не знаете

Задача: Стейкхолдер говорит: «Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных». Надо подготовить список уточняющих вопросов.

Промт (базовый):Ты — опытный системный аналитик. Сформируй список уточняющих вопросов для стейкхолдера по описанию: «Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных».

Результат: ИИ выдал общие вопросы, но много «шума» — вопросы про интеграции, безопасность, мобильную версию, хотя контекст не ясен.

Промт (структурированный):Ты выступаешь в роли опытного системного аналитика. На вход ты получаешь краткое описание функционала. Твоя задача - сформировать список уточняющих вопросов для стейкхолдера, которые помогут подготовить детальные функциональные требования. Требования к вопросам: Они должны быть конкретными, а не общими. Сфокусируйся на бизнес‑логике. Определи роли пользователей (кто и как взаимодействует с системой). Выяви ограничения (регуляторные, технические, временные, доступность данных). Обрати внимание на альтернативные сценарии (исключения, нештатные ситуации). Укажи зависимости и интеграции с другим функционалом или внешними системами. Старайся формулировать вопросы так, чтобы стейкхолдеру было легко дать чёткий и недвусмысленный ответ. В конце сгруппируй вопросы по блокам: Бизнес-логика, Роли пользователей, Ограничения, Альтернативные сценарии, Зависимости. Будь краток и задавай вопросы только по существу. Описание функционала:"Нужен личный кабинет с возможностью просмотра заказов и изменения контактных данных."

Сравнительная таблица «Результаты промтов: Базовый vs. Структурированный»

Промт 1 (Базовый)

Промт 2 (Структурированный)

Конкретность

❌ Вопросы общие, много абстракций: «Какие данные обязательны?», «Нужны ли уведомления?»

✅ Вопросы сфокусированы на деталях: «Какие именно контактные данные можно изменять?», «Какие статусы заказа должны отображаться?»

❌ Список вопросов без группировки, хаотичный порядок

✅ Вопросы сгруппированы по блокам: «Бизнес-логика», «Роли», «Ограничения», «Альтернативные сценарии», «Зависимости»

Пригодность для стейкхолдера

❌ Сложно отвечать — вопросы размытые, требуют дополнительных уточнений

✅ Удобно для ответа — вопросы конкретные, сфокусированы на бизнес-логике, стейкхолдер может дать чёткие ответы

Эффективность

Требует последующей переработки аналитиком

✅ Готов к использованию после минимальной правки

Пример вопроса

«Планируется ли интеграция с другими системами?» (без уточнений)

«Нужно ли показывать историю заказов полностью или только актуальные/последние?»

🏆Результат: Гораздо лучше. ChatGPT, Qwen и DeepSeek выдали структурированные списки.

Что сработало:

✅ Группировка по блокам помогает систематизировать вопросы.

✅ Уточнение «без общих фраз» снизило уровень «воды».

✅ Разные модели дополняют друг друга — Qwen, например, спросил про скрытие заказов со статусом «Отменён».

Что не сработало:

❌ Часть вопросов всё ещё слишком абстрактна.

❌ ИИ не знает контекста компании — например, про внутренние интеграции.

Вывод:ИИ может сгенерировать 80% вопросов за 5 минут вместо 40 минут ручной работы. Но финальный отбор, переформулировка и контекстуализация — за аналитиком.

2. Моделирование процессов: как заставить ИИ нарисовать диаграмму, которую не стыдно показать архитектору

Задача: Описать процесс регистрации пользователя в интернет-магазине в виде диаграммы последовательности (PlantUML).

Промт (базовый):Сгенерируй код для диаграммы последовательности в PlantUML для процесса регистрации пользователя.

Результат: Схема с низким уровнем детализации.

Прошло несколько итераций перед тем как я получила устраивающий меня вариант

Промт  (детальный):Сгенерируй код для диаграммы последовательности в PlantUML, описывающий процесс регистрации пользователя в интернет-магазине. Участники системы: Пользователь (Actor), Front-end (Интерфейс), Сервис регистрации, БД "Пользователи". Обязательные поля: Фамилия, Имя, Номер телефона. Важно учесть альтернативные сценарии: Данный пользователь уже существует в системе, Невалидные данные (фамилия, имя, телефон), Таймаут соединения. Добавь требования к указанию HTTP-статусов и сообщений об ошибках. Технические требования: Используй разделители для логических блоков. Добавь автонумерацию сообщений. Примени разные типы стрелок для синхронных и асинхронных операций. Добавь примечания (note) для сложных операций. Верни только код plantuml

🏆Результат: Диаграмма стала детальной, с alt-блоками, сообщениями об ошибках.

Что сработало:

✅ Чем более детализированный промт — тем лучше результат.

✅ Возможность быстрой отладки благодаря поддержке plantuml-кода.

Что не сработало:

❌ ИИ не понимает нюансов бизнес-логики (например, «подтверждение телефона через SMS»).

❌ Требуется ручная доработка названий и порядка шагов.

Вывод: ИИ генерирует каркас диаграммы за 10–15 минут вместо 30 минут. Но логику исключений и бизнес-правила добавляет только человек.

3. Use Cases: от шаблонных текстов до тех. спецификаций

Задача: Описать Use Case «Сортировка отзывов в карточке товара».

Промт (базовый):Ты - опытный системный-аналитик. Твоя задача --- подготовить максимально подробный use case на основе моего описания. Контекст:Система: "Сайт интернет-магазина". Use Case: "Сортировка отзывов в карточке товара". Основной актор: "Покупатель" и "Веб-сайт"

Результат — размытые формулировки, нет технических деталей.

Промт (детализированный, с требованиями к структуре):Роль: Ты — опытный системный аналитик, эксперт по описанию требований через use case. Задача: На основе контекста ниже подготовь максимально подробный, структурированный и технически корректный use case, ориентированный на реализацию в веб-приложении. Контекст:  Система: сайт интернет-магазина. Use Case: сортировка отзывов в карточке товара. Акторы:  Пользователь,  Веб-сайт (фронтенд + бэкенд). Требования к формату use case: 1) Название — краткое и содержательное. 2) Краткое описание — 1–2 предложения, отражающие цель и суть сценария. 3) Акторы — все участники с указанием основного и второстепенных. 4) Предусловия — что должно быть истинно до начала сценария. 5) Постусловия — состояние системы и данных после успешного завершения. 6) Основной сценарий — нумерованный «счастливый путь» (1..N), пошагово, атомарные действия с указанием взаимодействия акторов и системы. 7) Альтернативные сценарии — все значимые ошибки, исключения, граничные случаи и ветвления с отсылкой к шагам основного сценария (например: отсутствие отзывов, ошибка сервера, некорректный параметр сортировки и т.п.). Дополнительно: Используй профессиональную терминологию, но без излишней абстракции. Учитывай как клиентскую (фронтенд), так и серверную (бэкенд) логику.

🏆Результат— конкретные шаги, API-эндпоинты, HTTP-статусы, альтернативные сценарии с привязкой к шагам.

Шаги основного сценария, предложенные ChatGPT:

Основной сценарий

Покупатель открывает страницу карточки товара (например, перейдя по ссылке из каталога).

Веб-сайт загружает данные о товаре и список опубликованных отзывов через API (например, GET /api/products/{id}/reviews?page=1&sort=date_desc).

Фронтенд отображает отзывы в порядке по умолчанию (date_desc — от новых к старым).

Покупатель замечает элемент управления сортировкой (выпадающий список с опциями).

Покупатель выбирает критерий сортировки, например «По рейтингу: от высокого к низкому» (rating_desc).

Фронтенд формирует новый запрос к бэкенду: GET /api/products/{id}/reviews?page=1&sort=rating_desc

Бэкенд валидирует параметр sort, проверяет его на соответствие списку допустимых значений.

Бэкенд извлекает из базы данных отзывы по product_id, применяет сортиров и возвращает результат в теле ответа на запрос.

Фронтенд получает ответ, очищает текущий блок отзывов и рендерит обновлённый список.

Покупатель видит отсортированные отзывы и может продолжить взаимодействие с сайтом.

Шаги альтернативного сценария, предложенные ChatGPT:

Альтернативный сценарий 1 –  У товара нет отзывов

(отклонение от 2 шага основного сценария)

Бэкенд возвращает пустой массив отзывов.

Фронтенд отображает сообщение: «Отзывов пока нет. Будьте первым!»

Элемент сортировки скрыт или неактивен.

Use Case завершается — сортировка недоступна.

Альтернативный сценарий 2 - Ошибка при выполнении API-запроса (отклонение от шага 8)

Бэкенд возвращает HTTP-статус 5xx или 4xx

Фронтенд отображает уведомление: «Не удалось загрузить отсортированные отзывы. Повторите попытку позже.»

Блок отзывов остаётся в предыдущем состоянии.

URL не изменяется.

Элемент сортировки возвращается к предыдущему значению.

Альтернативный сценарий 3 - Недопустимый параметр сортировки (отклонение от шага 7)

Покупатель вручную подменил URL: ?review_sort=unknown_value.

Бэкенд отклоняет параметр как недопустимый и применяет сортировку по умолчанию (date_desc).

Фронтенд корректирует URL заменяя параметр на корректный.

Покупатель видит отзывы в порядке по умолчанию без ошибок.

Что сработало:

✅ Чёткая структура (Предусловия, Постусловия, Основной сценарий, Альтернативы).

✅ Технические детали — эндпоинты, статусы, параметры.

Что не сработало:

❌ ИИ может «галлюцинировать» — например, добавить несуществующие поля.

❌ Бизнес-контекст (например, «показывать только отзывы с рейтингом > 3») нужно добавлять вручную.

Вывод:ИИ помогает быстро набросать каркас Use Case, но детализацию и валидацию должен делать аналитик.

Темная сторона ИИ: о чём молчат в маркетинговых статьях

1. Галлюцинации — ИИ может придумать несуществующие сущности, поля, API.
2. Качество входных данных — «мусор на входеплохой промт → мусор на выходе». Промт надо уметь составлять.
3. Безопасность — загрузка конфиденциальных данных в облачные ИИ-сервисы рискованна. Лучше использовать локальные решения (например, корпоративный GPT).
4. Ответственность — итоговое решение, валидация и подписание ТЗ остаются за аналитиком.

Заключение: ИИ как ассистент, а не замена аналитика

ИИ-инструменты не заменяют системного аналитика, но становятся его ассистентом, который:

• Ускоряет рутину на 60–70%.
• Помогает структурировать мысли.
• Генерирует каркасы документов.

ИИ позволяет аналитику сосредоточиться на главном: глубоком понимании бизнеса, принятии решений, формировании четких требований для разработки. Важно использовать GPT с умом, не как замену аналитика, а как решение позволяющее ускорить его работу.

Грамотный промт — залог качественного результата. Поэтому, для работы с ИИ необходимо учиться промт-инжинирингу, ну а если времени для глубокого погружения в тему сейчас нет, то можно пользоваться чеклистом ниже

Промт-чеклист для системного аналитика:

1. Сформулируй конкретную цель и ожидаемый результат (что нужно и для кого).
2. Задай роль ИИ и уровень детализации («ты — опытный системный аналитик в области …»).
3. Опиши контекст: система, пользователи, ключевые ограничения.
4. Укажи формат и структуру ответа (список требований, Use Case, таблица и т.п.).
5. Задай критерии качества: без общих фраз, технически точно, помечать допущения.
6. Попроси ИИ при нехватке данных задавать уточняющие вопросы.
7. После ответа проверь применимость к проекту и при необходимости доработай вручную.