Российские и мировые компании массово внедряют ИИ для подготовки документации, анализа данных и поиска несоответствий. Нейросети экономят сотни часов, но создают опасную иллюзию качества. Эксперты и участники закрытых дискуссий Международного института бизнес-анализа (IIBA) предупреждают: автоматизация рутины не отменяет необходимости стратегического мышления, а цена управленческой ошибки на входе только возрастает.
Писать требования к системе, собирать протоколы встреч, описывать процессы, приводить документы к единому виду — всё это ИИ делает всё лучше. Для компаний это прежде всего экономия времени. Но у автоматизации есть предел: модель может подготовить материалы для решения, а отвечать за само решение придётся человеку.
Особенно заметно это там, где речь идёт не об отдельном проекте, а о переменах во всей компании: куда двигаться, какие процессы менять, хватит ли ресурсов и чьи интересы затронет реформа. Ошибка в постановке такой задачи делает ненужным весь последующий проект — как бы качественно и быстро он ни был выполнен. Похожие вопросы обсуждали и в международном сообществе, и там же нашлись самые показательные примеры.
В конце сентября прошли две закрытые дискуссии Международного института бизнес-анализа (IIBA), результаты опубликованы в начале октября 2026 года. В одной участвовали практики из разных стран, в другой — специалисты из Австралии: логистика, госсектор, технологический консалтинг. Закрытый формат позволял говорить свободно, без коммерческой повестки.
Время на рутину, по их словам, действительно сокращается. Один из участников превратил объёмный документ с требованиями в один слайд за несколько секунд — на ручную работу ушла бы неделя. Другие используют модели для протоколов, презентаций и недельных отчётов.
Однако существует проблема перегрузки и рассогласования темпов. Чем больше материалов генерирует система, тем больше времени уходит на их проверку; один из руководителей рассказывал, что сотрудники уставали от потока информации и уходили в отпуск. Исполнитель с нейросетью готовит документацию в разы быстрее, но заказчик всё так же должен её читать. Работа не исчезает, а перемещается: узким местом становится проверка.
Другой проблемой является иллюзия контроля, когда одна модель проверяет другую, а человек только запускает процесс. Ошибка кочует из документа в документ в новых формулировках, и заметить её некому.
Есть также и проблема унификации. Специалист по подбору персонала рассказал, что видел более двухсот резюме по одному шаблону ИИ. В корпоративной аналитике эффект тот же: компании с одинаковыми моделями и похожими запросами рискуют получать не только похожие документы, но и похожие решения. Копируется не обязательно лучшая практика, а то, что выглядит убедительно и легко воспроизводится.
Отдельная тема — молодые специалисты. Правдоподобный ответ модели новичок не всегда отличит от ошибочного, поэтому некоторые компании вводят ИИ сначала в работу опытных сотрудников.
«Студенту недостаточно научиться получать готовый ответ от модели. Нужно уметь самостоятельно построить модель проблемы, проверить исходные предпосылки и объяснить, почему решение экономически оправданно. Иначе ИИ будет не усиливать профессиональное суждение, а подменять его», — говорит Роман Чугумбаев, доцент кафедры бизнес-аналитики факультета налогов, аудита и бизнес-анализа Финансового университета при Правительстве Российской Федерации.
По его словам, в подготовке аналитиков поэтому по-прежнему важны бухгалтерский учёт, экономический анализ, контроль и понимание того, как устроено управление компанией. Цифровой инструмент не отменяет вопроса, сходятся ли данные с реальными процессами и выдерживает ли решение проверку на практике. «Модель можно научить красиво оформлять вывод, но она не ответит за то, что этот вывод означает для экономики компании. Разрыв между хорошо подготовленным документом и обоснованным решением как раз и закрывается фундаментальной подготовкой», — добавляет он.
«Главный риск сегодня — не в том, что модель напишет требование быстрее аналитика, а в том, что организация примет скорость за качество анализа, — считает Татьяна Иззука, доцент кафедры бизнес-аналитики факультета налогов, аудита и бизнес-анализа Финансового университета при Правительстве Российской Федерации. — Если неправильно определена потребность или не учтена важная группа заинтересованных лиц, ИИ просто быстрее доведёт компанию до неверного решения».
По её мнению, зрелость аналитической функции будет измеряться не числом сгенерированных документов, а качеством гипотез и прозрачностью оснований. «Аналитик должен уметь построить систему критериев проверки: сходятся ли цифры с данными учёта, не противоречит ли предложение стратегии, какие обязательства перед заинтересованными сторонами затрагивает. Именно связка "данные — экономический смысл — управленческий контекст" становится конкурентным преимуществом», — говорит Татьяна Иззука.
Разговоры о том, что нейросети заменят целые команды, уже доходят до практики: на одной из дискуссий рассказали о попытке генерировать пользовательские истории вместо команды примерно из двадцати человек. Эксперимент разрешили, но тесное общение с командами сохранили.
Возлагать всю ответственность на аналитика было бы неправильно. Кто утверждает решение, кто проверяет данные, кто принимает риск — это должно быть прописано в процедурах, а не решаться по факту после ошибки. «В аналитических задачах модель не должна проверять саму себя. Нужен независимый контур: владелец данных, методолог, бизнес-заказчик и риск-функция», — отмечает директор ООО «Центр анализа данных в цифровом пространстве» Елена Чепеленко. Выигрывают, по её словам, те компании, где уже есть качественные данные, понятные показатели и налаженная проверка.
Компаниям стоит заранее зафиксировать в регламентах, какие материалы можно использовать сразу, а какие требуют ручной верификации и согласования. Чем быстрее модель готовит рекомендации, тем важнее дисциплина проверки и прозрачность цепочки «данные — допущения — вывод — решение».
Как рассказал директор IIBA по глобальным программам и партнёрствам Блейк Хеггестад, участники быстро перестали спорить о том, заменит ли ИИ бизнес-аналитика. Разговор перешёл к тому, как работать с инструментом и не потерять профессиональную компетентность.
Проектная рутина действительно уходит в автоматизацию, и спрос на исполнителей типовых задач будет меняться. Зато растёт значение работы на самом раннем этапе — когда только определяют, что и зачем компании нужно менять. Аналитик здесь объясняет, какие цели стоят за проектом, откуда взялась проблема и чем может закончиться выбранное решение.
В отчёте IIBA Global State of Business Analysis 2025, который приводили участники дискуссий, 76% опрошенных сказали, что роль бизнес-анализа в стратегических решениях выросла. Сам по себе показатель не доказывает влияние ИИ, но показывает направление: бизнесу всё нужнее не столько документы, сколько обоснование выбора.
Преимущество всё меньше зависит от того, сколько материалов подготовлено, и всё больше — от умения задать правильный вопрос и объяснить, почему ответу можно доверять.