Auchan Tech mostró cómo la AI ahorra hasta un 70% del tiempo de un analista de sistemas en tareas rutinarias

Ашан Тех опубликовала практический разбор того, как генеративные модели уже встраиваются в повседневную работу системного аналитика. Главный вывод автора простой: ИИ не снимает с аналитика ответственность, но способен заметно ускорить подготовку вопросов, диаграмм и черновиков требований.

Три сценария работы В материале разбираются три типовые задачи, с

которыми аналитик сталкивается почти в каждом продуктовом цикле: сбор и уточнение требований, моделирование процессов и подготовка Use Case. Автор сравнивает, что получается у моделей при простом запросе и при структурированном промте с ролью, контекстом, ограничениями и ожидаемым форматом ответа. В примерах используются ChatGPT, Qwen и DeepSeek, а акцент сделан не на «магии» модели, а на том, что именно аналитик должен задать на входе.

• Список уточняющих вопросов для стейкхолдера по личному кабинету PlantUML-диаграмма регистрации пользователя в интернет-магазине Use Case для сортировки отзывов в карточке товара * Сравнение базовых и детализированных промтов по качеству результата ## Где ИИ уже полезен Самый наглядный пример касается сбора требований. Для запроса про личный кабинет с просмотром заказов и редактированием контактных данных базовый промт дал много шума: общие вопросы, лишние темы и слабую структуру. Но когда автор потребовала сфокусироваться на бизнес-логике, ролях, ограничениях, альтернативных сценариях и зависимостях, модели начали выдавать гораздо более пригодный список. По оценке автора, таким способом можно получить около 80% нужных вопросов за пять минут вместо сорока минут ручной подготовки. Похожая картина получилась с диаграммами. Если просто попросить PlantUML-код для регистрации пользователя, модель рисует слишком общий скелет. Когда в промт добавили участников системы, обязательные поля, альтернативные сценарии, HTTP-статусы, ошибки и требования к оформлению, результат стал заметно ближе к тому, что не стыдно показать архитектору. Каркас диаграммы удалось собрать за 10–15 минут вместо примерно 30, но исключения и бизнес-правила все равно пришлось уточнять вручную. С Use Case эффект тот же: шаблонный запрос рождает размытое описание, а детальный — уже почти техническую заготовку с предусловиями, постусловиями, основным сценарием, альтернативами, параметрами API и кодами ответов. Особенно полезно, что модель может сразу раскладывать сценарий на клиентскую и серверную логику. Но здесь же быстрее всего проявляется риск галлюцинаций: ИИ легко добавляет поля, проверки и правила, которых в системе на самом деле нет.

«ИИ не заменит аналитика, но может сэкономить ему до 70% времени на рутине».

Где начинаются риски Статья довольно трезво проходит по ограничениям.

Во-первых, качество ответа напрямую зависит от качества входа: слабый промт почти гарантированно дает слабый результат. Во-вторых, модель не знает внутренний контекст компании, поэтому не угадает реальные интеграции, регуляторные ограничения и договоренности между командами. В-третьих, при работе с облачными сервисами встает вопрос безопасности: загружать в них чувствительные данные, внутренние схемы и незапущенные требования рискованно, если у компании нет понятных правил и защищенного контура.

Отдельно автор напоминает, что финальная ответственность не делегируется модели. Проверка логики, валидация требований, корректность API-деталей и подписание ТЗ остаются задачей человека. Поэтому лучший сценарий использования ИИ здесь не «написать документ вместо меня», а «сделать первый каркас, подсветить пробелы, предложить альтернативы и ускорить рутину».

В финале статьи приводится и короткий промт-чеклист: ставить конкретную цель, задавать роль модели, описывать контекст, фиксировать формат ответа, требовать точности, просить уточняющие вопросы и обязательно вручную проверять результат.

Что это значит

Для системного анализа ИИ уже переходит из режима эксперимента в рабочий инструмент, но только в связке с сильным человеком на входе и на выходе. Выигрывают не те команды, которые просто «подключили GPT», а те, кто научился превращать модели в быстрый черновик для требований, диаграмм и технических сценариев без потери контроля над качеством.