← Все статьи

ИИ в работе системного аналитика: что уже можно отдать модели, а что нет

· 7 мин чтения

Трезвый взгляд на языковые модели в системном анализе: какие задачи они уже решают хорошо (черновики контрактов, диаграммы как код, преобразования, ревью), где ошибаются и почему, как работать с ИИ-агентами через MCP, как проверять результат и что остаётся за аналитиком.

Языковые модели за несколько лет прошли путь от забавных чат-ботов до инструментов, которые пишут код, проектируют API и разбирают документы на сотни страниц. Аналитиков это одновременно воодушевляет и тревожит: одни уже генерируют половину артефактов, другие считают, что «ИИ всё равно всё выдумывает». Истина посередине и вполне конкретна: есть задачи, которые модель делает быстрее и не хуже человека, есть задачи, где она полезна как помощник, и есть те, где без человека результат опасен. Разберём, как провести эти границы.

Что модель умеет хорошо

Языковая модель сильна там, где задача сводится к преобразованию одного структурированного текста в другой по известным правилам, а результат можно проверить.

Черновики формальных артефактов

  • Контракты API. По описанию ресурсов и операций модель быстро пишет черновик OpenAPI: пути, схемы, коды ответов, примеры. Особенно хорошо — однотипные CRUD-операции, которые человеку скучно расписывать.
  • Схемы данных. JSON Schema по примеру документа, XSD по описанию структуры, DBML по списку сущностей и связей.
  • Диаграммы как код. PlantUML-диаграмма последовательности по текстовому описанию сценария, диаграмма состояний по списку статусов и переходов, C4 по перечню систем.
  • Сообщения и события. AsyncAPI по описанию топиков и событий.

Черновик за минуту вместо часа — реальная экономия, если потом аналитик его внимательно проверит.

Преобразования и рутина

  • конвертация между форматами: таблица полей из постановки в схему, схема в таблицу для документа, SQL DDL в описание модели;
  • генерация тестовых данных и примеров по схеме, включая граничные случаи;
  • приведение текста к шаблону: требования в формате user story, описание в формат ADR;
  • поиск по большим документам: «где в этом стандарте описан формат даты?».

Ревью и поиск проблем

Модель хорошо замечает то, что человек пропускает от усталости:

  • несогласованность имён (customerId здесь, clientId там);
  • отсутствие описаний, примеров, кодов ошибок в контракте;
  • операции без пагинации, без идемпотентности, без ограничений длины строк;
  • противоречия между двумя частями постановки;
  • незакрытые ветки в описании сценария: «а что, если оплата не прошла?».

Ревью моделью не заменяет ревью коллегой, но выступает хорошим первым фильтром перед ним.

Объяснение и обучение

Разобраться в чужом WSDL на две тысячи строк, понять незнакомый отраслевой стандарт, вспомнить разницу между xs:choice и xs:sequence — модель отвечает быстрее поиска и подстраивает объяснение под вопрос.

Где модель ошибается

Понимание типичных ошибок важнее понимания возможностей: именно они определяют, как проверять результат.

  • Уверенные выдумки. Модель может сослаться на несуществующий раздел стандарта, придумать поле в API реальной системы или параметр библиотеки. Особенно часто — когда речь о внутренних системах компании, о которых она ничего не знает.
  • Правдоподобное вместо правильного. Сгенерированная схема выглядит профессионально, но поле amount имеет тип number вместо строки с фиксированной точностью, а дата — без часового пояса. Ошибки не синтаксические, а смысловые.
  • Усреднение. Модель предлагает «типичное» решение. Если в вашей компании принят свой стандарт ошибок, свои соглашения об именах, свой формат идентификаторов — без явного указания их не будет.
  • Потеря деталей в длинном контексте. В большом документе модель может упустить ограничение из середины текста или смешать две похожие сущности.
  • Согласие с пользователем. На вопрос «правда ведь, здесь лучше синхронный вызов?» модель склонна согласиться. Формулируйте вопросы нейтрально и просите аргументы за и против.
  • Устаревшие знания. Знания модели ограничены датой обучения: новая версия спецификации или изменившийся API внешнего сервиса ей могут быть неизвестны.

Что остаётся за аналитиком

Есть работа, которую модель не может сделать в принципе — не из-за качества, а из-за отсутствия информации и ответственности.

  • Выяснение требований. Модель не может поговорить с бухгалтером и заметить, что тот говорит «клиент», имея в виду договор. Интервью, наблюдение, умение задать неудобный вопрос — человеческая работа.
  • Контекст организации. Почему эта система должна стать источником истины, кто владелец данных, какие договорённости между командами, какие ограничения у старой системы — этого нет ни в одной обучающей выборке.
  • Решения и компромиссы. Модель перечислит варианты и их плюсы, но выбор между ними зависит от сроков, бюджета, компетенций команды и политики. Это решение и ответственность человека.
  • Согласование. Договориться с владельцем смежной системы, убедить бизнес отказаться от лишнего, найти компромисс между командами.
  • Ответственность за результат. Если контракт приведёт к двойному списанию денег, отвечает не модель.

Как работать с моделью эффективно

Давайте контекст

Качество ответа определяется качеством входа. Вместо «сделай OpenAPI для заказов» — опишите сущности и поля, приложите соглашения компании (стандарт ошибок, формат дат, пагинацию), пример существующего контракта в нужном стиле, список операций с бизнес-правилами.

Просите структурированный результат

Модели надёжнее работают, когда результат — формальный артефакт: YAML, JSON, PlantUML. Его можно проверить валидатором, отрендерить, сравнить с предыдущей версией. Свободный текст проверить сложнее.

Проверяйте автоматически

  • контракт — валидатором и линтером OpenAPI;
  • схему — на наборе корректных и некорректных примеров;
  • диаграмму — рендерингом: если не отрисовалась, в ней ошибка;
  • SQL — выполнением на тестовой базе.

Автоматическая проверка ловит синтаксис. Смысл проверяет человек: правильны ли типы, обязательность, связи, бизнес-правила.

Итерируйте

Первый результат — черновик. Указывайте на конкретные ошибки, просите исправить и объяснить изменения. Короткие итерации работают лучше, чем один длинный запрос «сделай всё идеально».

Разделяйте генерацию и проверку

Полезный приём: попросить модель сначала сгенерировать артефакт, а затем — в отдельном запросе, как будто это чужая работа, — найти в нём проблемы. Ревью «со стороны» находит больше ошибок, чем просьба «проверь себя».

ИИ-агенты и MCP

Следующий шаг после чата — агенты: модели, которые не только отвечают, но и выполняют действия — читают файлы проекта, создают и изменяют артефакты, запускают проверки. Чтобы агент мог работать с внешними системами, используется Model Context Protocol (MCP) — открытый протокол, через который приложение предоставляет модели свои инструменты и данные.

Для аналитика это означает, например:

  • агент в IDE или чат-клиенте читает спецификации проекта и отвечает на вопросы по ним;
  • по просьбе «добавь в контракт заказов операцию отмены по аналогии с возвратом» агент находит контракт, вносит изменения и сохраняет новую версию;
  • агент проверяет согласованность модели данных и контрактов API в проекте и выдаёт список расхождений;
  • агент раскладывает разрозненные артефакты по папкам и описывает их.

Здесь особенно важны две вещи: история версий, чтобы любое изменение агента можно было посмотреть и откатить, и права доступа, чтобы агент работал только с теми проектами, которые ему разрешены.

Риски и правила безопасности

  • Конфиденциальность. Не отправляйте во внешние сервисы персональные данные, коммерческую тайну и данные, на которые распространяются ограничения (152-ФЗ, банковская тайна), если это не разрешено политикой компании. Для чувствительных данных — модели, развёрнутые внутри контура.
  • Обезличивание примеров. Вместо реальных выгрузок — синтетические данные с той же структурой.
  • Проверка лицензий и источников. Сгенерированный текст стандарта или чужой документации может нарушать права.
  • Прозрачность. Команде полезно знать, какие артефакты созданы с помощью ИИ и прошли ли они ревью.

Матрица задач

ЗадачаРоль моделиРоль аналитика
Черновик контракта, схемы, диаграммыделаетдаёт контекст и соглашения, проверяет смысл
Конвертация форматов, тестовые данныеделаетпроверяет граничные случаи
Ревью артефактовпервый фильтрфинальное ревью, решения по замечаниям
Разбор чужой документации и стандартовобъясняет, ищетпроверяет по первоисточнику
Варианты архитектурного решенияпредлагает, сравниваетвыбирает, отвечает за выбор
Сбор требованийготовит вопросы, структурирует записипроводит интервью, интерпретирует
Согласование с командами и бизнесомпомогает подготовить материалыдоговаривается

Итог

ИИ уже сегодня забирает у системного аналитика значительную часть рутины: черновики контрактов и схем, диаграммы, преобразования, первичное ревью. Это не делает профессию ненужной, а смещает её центр тяжести — от написания артефактов к пониманию бизнеса, принятию решений и проверке. Аналитик, который умеет дать модели правильный контекст и критически оценить результат, работает в разы быстрее. Аналитик, который принимает результат без проверки, рано или поздно принесёт в прод правдоподобную ошибку.

В «Помощнике SA» ИИ встроен в редакторы: подсказки при наборе и ИИ-ревью артефактов. А через MCP-сервер ИИ-агенты (Claude Code, Cursor, Codex и другие клиенты с поддержкой MCP) могут читать и изменять артефакты ваших проектов с сохранением истории версий — подробнее в гайде «Помощник SA для ИИ-агентов». Результат удобно проверять валидаторами: OpenAPI, JSON Schema, XML по XSD.