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

Auchan Tech publicó un análisis práctico sobre cómo los modelos generativos ya se están integrando en el trabajo diario de un analista de sistemas. La conclusión principal del autor es simple: la IA no exime al analista de su responsabilidad, pero es capaz de acelerar significativamente la preparación de preguntas, diagramas y borradores de requisitos.

Tres Escenarios de Trabajo

El material analiza tres tareas típicas que un analista enfrenta en casi cada ciclo de producto: recopilación y aclaración de requisitos, modelado de procesos y preparación de Use Case. El autor compara lo que producen los modelos con una solicitud simple frente a un prompt estructurado con rol, contexto, restricciones y formato esperado de respuesta. Los ejemplos utilizan ChatGPT, Qwen y DeepSeek, con énfasis no en la "magia" del modelo, sino en lo que el analista debe proporcionar como entrada.

• Lista de preguntas aclaratorias para el stakeholder sobre una cuenta personal
• Diagrama PlantUML del registro de usuario en una tienda en línea
• Use Case para clasificación de reseñas en una ficha de producto
• Comparación de prompts básicos y detallados por calidad de resultado

Dónde la IA Ya es Útil

El ejemplo más claro se refiere a la recopilación de requisitos. Para una consulta sobre una cuenta personal con visualización de pedidos y edición de datos de contacto, un prompt básico produjo mucho ruido: preguntas genéricas, temas innecesarios y estructura débil. Pero cuando el autor exigió enfoque en la lógica de negocio, roles, restricciones, escenarios alternativos y dependencias, los modelos comenzaron a producir una lista mucho más útil. Según la evaluación del autor, este método puede producir aproximadamente el 80% de las preguntas necesarias en cinco minutos en lugar de cuarenta minutos de preparación manual.

Un cuadro similar surgió con diagramas. Si simplemente solicitas código PlantUML para registro de usuario, el modelo dibuja un esqueleto demasiado genérico. Cuando el prompt añadió participantes del sistema, campos obligatorios, escenarios alternativos, códigos de estado HTTP, errores y requisitos de formato, el resultado se volvió notablemente más cercano a algo presentable a un arquitecto. El esquema del diagrama se armó en 10–15 minutos en lugar de aproximadamente 30, pero las excepciones y reglas de negocio tuvieron que aclararse manualmente.

El efecto con Use Cases es el mismo: una consulta de plantilla produce una descripción vaga, mientras que una detallada produce un borrador casi técnico con precondiciones, postcondiciones, escenario principal, alternativas, parámetros de API y códigos de respuesta. Particularmente útil es que el modelo pueda desglosar inmediatamente el escenario en lógica del lado del cliente y del lado del servidor.

Pero aquí el riesgo de alucinaciones se hace evidente más rápidamente: la IA fácilmente añade campos, validaciones y reglas que en realidad no existen en el sistema.

"La IA no reemplazará al analista, pero puede ahorrarle hasta el 70%

del tiempo en tareas rutinarias."

Dónde Comienzan los Riesgos

El artículo recorre las limitaciones de manera bastante sobria. Primero, la calidad del resultado depende directamente de la calidad de la entrada: un prompt débil casi garantiza un resultado débil. Segundo, el modelo no conoce el contexto interno de la empresa, por lo que no adivinará integraciones reales, restricciones regulatorias y acuerdos entre equipos. Tercero, al trabajar con servicios en la nube, la seguridad se convierte en un problema: cargar en ellos datos sensibles, esquemas internos y requisitos no lanzados es arriesgado si la empresa no tiene reglas claras y un perímetro protegido.

Por separado, el autor recuerda que la responsabilidad final no se delega al modelo. Verificación de lógica, validación de requisitos, corrección de detalles de API y firma de TZ siguen siendo tarea humana. Por lo tanto, el mejor caso de uso para la IA aquí no es "escribir el documento por mí", sino "hacer el primer esquema, destacar vacíos, sugerir alternativas y acelerar la rutina".

El artículo concluye con una breve lista de verificación de prompt: establecer un objetivo específico, asignar un rol al modelo, describir el contexto, fijar el formato de respuesta, exigir precisión, pedir preguntas aclaratorias y siempre verificar manualmente el resultado.

Qué Significa Esto

Para el análisis de sistemas, la IA está pasando del modo experimental a ser una herramienta de trabajo, pero solo en combinación con un humano fuerte a la entrada y salida. Los equipos ganadores no son aquellos que simplemente "conectaron GPT", sino aquellos que aprendieron a convertir los modelos en un borrador rápido de requisitos, diagramas y escenarios técnicos sin perder el control de calidad.