Analityk, który oddał AI zbieranie wymagań - i prawie utopił projekt
Znajomy analityk wrzucił do ChatGPT transkrypcję dwugodzinnego warsztatu z interesariuszami MediFlow i poprosił: „wyciągnij z tego wymagania i napisz user stories". Po chwili miał gotową listę dwudziestu historyjek - schludnych, poprawnie sformatowanych, gotowych do wklejenia do backlogu. Wrzucił je do Jiry. Problem? Model „uzupełnił" trzy wymagania, których nikt nie zgłosił, bo brzmiały sensownie dla systemu rejestracji, i zgubił jedno najważniejsze - obsługę pacjentów bez konta - bo na nagraniu padło tylko mimochodem. Halucynacja i pominięcie w jednym. Wyłapał to dopiero na review tydzień później.
Ta historia nie jest argumentem przeciwko AI w pracy analityka. Jest argumentem za rozumieniem, gdzie AI pomaga, a gdzie szkodzi. Sztuczna inteligencja - a od 2023 roku zwłaszcza duże modele językowe (LLM) jak ChatGPT, Claude czy Gemini - realnie zmieniła codzienność BA: przyspiesza dokumentację, porządkuje notatki, generuje pierwsze wersje, analizuje dane. Ale robi to jako asystent, nie zastępca - i ta różnica decyduje, czy AI cię wzmacnia, czy podkłada ci minę. W tym artykule pokażę konkretne zastosowania, narzędzia i - najważniejsze - granice, których nie warto przekraczać.
AI nie zastąpi analityka. Ale analityk, który umie używać AI, zastąpi tego, który nie umie. Klucz jest w słowie „umie" - bo nieumiejętne użycie AI jest gorsze niż jej brak.
Dwa rodzaje AI w pracy analityka
Pod hasłem „AI" kryją się dwie różne rzeczy, które analityk wykorzystuje inaczej. Warto je rozdzielić, bo mylenie ich prowadzi do nieporozumień.
| Generatywne AI (LLM) | Klasyczne ML / analityka | |
|---|---|---|
| Co robi | Generuje i przetwarza tekst: pisze, streszcza, klasyfikuje, tłumaczy | Znajduje wzorce w danych: prognozuje, segmentuje, wykrywa anomalie |
| Przykład narzędzia | ChatGPT, Claude, Gemini, Copilot | Power BI, Tableau, Python/scikit-learn, RapidMiner |
| Typowy użytek BA | Pierwsza wersja dokumentu, porządkowanie notatek, generowanie testów | Prognoza popytu, segmentacja klientów, wykrywanie oszustw |
| Główne ryzyko | Halucynacja - pewnie brzmiąca nieprawda | Złe dane na wejściu → złe wnioski na wyjściu |
Dla większości analityków w 2026 roku rewolucją jest pierwsza kolumna - LLM-y dostępne od ręki, bez działu data science. Druga kolumna to dojrzała dziedzina, w której analityk częściej zamawia model u zespołu danych niż buduje go sam. Skupimy się głównie na LLM-ach, bo to one zmieniły codzienną pracę najszybciej.
Gdzie LLM realnie pomaga analitykowi
Pierwsza wersja dokumentu - nie ostatnia
Najmocniejszy, najbezpieczniejszy użytek. Masz surowe notatki z warsztatu i potrzebujesz szkieletu specyfikacji, listy pytań do interesariusza albo draftu user story. LLM zrobi to w minutę. Najważniejsze słowo: draft. Model daje 70% formy, ty wnosisz 100% odpowiedzialności za treść. To jak różnica między asystentem, który pisze pierwszą wersję pisma, a tobą, który je podpisujesz.
Porządkowanie i streszczanie
Dwugodzinny warsztat, 40 stron starej specyfikacji, wątek mailowy na 30 wiadomości - LLM streści, wyłapie tematy, znajdzie sprzeczności. Tu ryzyko halucynacji jest mniejsze, bo materiał źródłowy jest pod ręką i możesz zweryfikować każdy punkt względem oryginału.
Generowanie scenariuszy testowych i kryteriów akceptacji
Podajesz user story, prosisz o przypadki testowe w formacie Given-When-Then, w tym przypadki brzegowe, o których łatwo zapomnieć. LLM jest dobry w generowaniu „co może pójść nie tak" - często wyłapie ścieżkę, której nie uwzględniłeś. Ty decydujesz, które są realne.
Przełamywanie pustej kartki
Czasem najtrudniejsze jest zacząć. „Wypisz dziesięć pytań, które powinienem zadać interesariuszowi o procesie rejestracji w przychodni" daje ci punkt wyjścia, który odredagujesz pod swój kontekst. To nie zastępuje myślenia - uruchamia je.
Klasyczne ML - gdzie dane mówią więcej niż człowiek
Druga twarz AI to analiza danych, w której algorytm widzi wzorce niedostrzegalne dla oka. Analityk rzadko buduje te modele sam, ale powinien wiedzieć, kiedy je zaproponować:
- Prognozowanie - popyt, obciążenie, churn. Algorytmy szeregów czasowych przewidują, ilu pacjentów zgłosi się w poniedziałek rano, żeby zaplanować obsadę.
- Segmentacja - grupowanie klientów lub procesów po podobieństwie, do różnicowania obsługi.
- Wykrywanie anomalii - flagowanie transakcji lub zdarzeń odbiegających od normy: oszustwa, błędy procesu, nietypowe zachowania.
- NLP na dużej skali - analiza tysięcy zgłoszeń reklamacyjnych w poszukiwaniu najczęstszych przyczyn, zamiast czytania ich ręcznie.
Rola analityka tutaj to nie programowanie modelu, lecz postawienie właściwego pytania biznesowego i przełożenie wyniku na decyzję. Najlepszy model predykcyjny jest bezwartościowy, jeśli nikt nie wie, co z jego wynikiem zrobić - i to jest dokładnie robota dla BA.
Mini-przykład end-to-end: AI w projekcie MediFlow
Zobaczmy, jak analityk MediFlow użył AI dobrze - i gdzie świadomie postawił granicę.
| Zadanie | Rola AI | Rola analityka |
|---|---|---|
| Streszczenie warsztatu z rejestratorkami | LLM streszcza 2h nagrania, wypisuje wątki i sprzeczności | Weryfikuje każdy punkt względem nagrania, dopytuje o luki |
| Pierwsza wersja user stories | LLM generuje draft 15 historyjek z notatek | Odrzuca 3 zmyślone, dodaje pominięty przypadek „pacjent bez konta", przepisuje wartość biznesową |
| Kryteria akceptacji | LLM proponuje scenariusze Given-When-Then z przypadkami brzegowymi | Wybiera realne, konsultuje z deweloperem wykonalność |
| Prognoza obciążenia rejestracji | Model ML przewiduje szczyty zgłoszeń po godzinach pracy | Przekłada prognozę na decyzję: rozszerzyć rezerwację online na wieczory |
| Decyzja o zakresie fazy 1 | - | Bez AI: ocena wartości, ryzyka i priorytetów to ludzka odpowiedzialność |
Ostatni wiersz jest najważniejszy. AI przyspieszyła produkcję artefaktów - drafty, streszczenia, prognozy. Ale osąd - co jest naprawdę potrzebne, co odłożyć, czyje interesy ważą więcej - został po stronie człowieka. Tam, gdzie analityk próbował to oddać AI (zbieranie wymagań z transkrypcji bez weryfikacji), pojawiły się halucynacje i pominięcia. Granica jest dokładnie tu: AI produkuje, analityk decyduje.
Przykład źle → dobrze: prompt do generowania wymagań
Źle: „Napisz wymagania dla systemu rejestracji wizyt". Model zgaduje kontekst, produkuje generyczne, prawdopodobnie brzmiące wymagania, których połowa nie pasuje do MediFlow. Wklejasz, masz problem.
Dobrze: „Oto transkrypcja warsztatu [...]. Wypisz wymagania funkcjonalne wyłącznie na podstawie tego tekstu. Jeśli czegoś brakuje, zaznacz jako lukę do dopytania - nie uzupełniaj. Każde wymaganie oznacz cytatem ze źródła". Tym jednym dodaniem („nie uzupełniaj, oznacz luki, cytuj źródło") odcinasz główne ryzyko halucynacji.
Jeszcze lepiej: po wygenerowaniu prosisz: „Teraz wciel się w sceptycznego architekta i wskaż, które z tych wymagań są niejasne, sprzeczne lub niewykonalne". Używasz AI nie tylko do tworzenia, ale do kwestionowania własnej pracy - to znacznie mocniejszy użytek niż samo generowanie.
Ograniczenia i ryzyka, których nie wolno ignorować
- Halucynacje. LLM generuje tekst, który brzmi przekonująco - niezależnie od tego, czy jest prawdziwy. Nigdy nie traktuj wyjścia jako faktu bez weryfikacji. To nie wyszukiwarka.
- Poufność danych. Wrzucanie danych pacjentów, danych osobowych czy poufnej dokumentacji do publicznego narzędzia AI to potencjalne naruszenie RODO i umów. Sprawdź politykę narzędzia i zasady firmy; w razie wątpliwości - anonimizuj albo używaj rozwiązań on-premise.
- Zgubione niuanse. AI gubi to, co padło mimochodem, ale jest najważniejsze - jak przypadek pacjenta bez konta. To, co dla człowieka jest „aha, ważne", dla modelu jest jednym z wielu zdań.
- Złudzenie kompletności. Schludnie sformatowana lista wygląda na skończoną pracę. Forma maskuje braki merytoryczne - łatwiej przeoczyć lukę w eleganckiej tabeli niż w surowych notatkach.
- Bias w modelach ML. Algorytm uczony na stronniczych danych powiela stronniczość - model oceny ryzyka może dyskryminować grupy klientów. Analityk musi pytać o dane treningowe i sprawiedliwość wyniku.
- Jakość danych dla ML. „Garbage in, garbage out" - żaden model nie naprawi brudnych, niekompletnych danych. Często to czyszczenie danych, nie model, zajmuje 80% projektu.
Jak zacząć - bez wpadania w pułapki
- Zacznij od draftów, nie decyzji. Pierwszy bezpieczny użytek to generowanie pierwszych wersji dokumentów, które i tak będziesz redagować. Nigdy nie zaczynaj od oddania AI osądu.
- Zawsze weryfikuj względem źródła. Każdy wygenerowany fakt, wymaganie czy liczba musi mieć potwierdzenie w materiale, który znasz.
- Ucz się promptować precyzyjnie. Różnica między „napisz wymagania" a promptem z kontekstem, ograniczeniem i prośbą o cytaty to różnica między śmieciem a użytecznym draftem.
- Pilnuj poufności od pierwszego dnia. Ustal, co wolno, a czego nie wolno wrzucać do narzędzi AI, zanim wrzucisz cokolwiek.
- Używaj AI do kwestionowania, nie tylko tworzenia. „Znajdź dziury w mojej analizie" to często cenniejsze niż „napisz analizę".
FAQ - AI w analizie biznesowej
Czy AI zastąpi analityków biznesowych?
Nie w dającej się przewidzieć perspektywie. AI automatyzuje produkcję artefaktów (drafty, streszczenia, testy), ale rdzeń pracy BA - rozumienie kontekstu biznesowego, mediacja między interesariuszami, osąd o priorytetach i wartości - wymaga ludzkiego rozumienia i odpowiedzialności. Zmieni się jak pracuje analityk, nie czy jest potrzebny.
Czy mogę wrzucać dokumentację projektu do ChatGPT?
Tylko po sprawdzeniu zasad poufności firmy i polityki narzędzia. Dane osobowe, dane medyczne, poufne specyfikacje i wszystko objęte umowami o poufności - nigdy bez wyraźnej zgody i odpowiedniego (często firmowego, izolowanego) narzędzia. Anonimizacja to minimum.
Od czego zacząć naukę AI jako analityk?
Od praktyki na bezpiecznych zadaniach: generowania draftów dokumentów, streszczania notatek, tworzenia scenariuszy testowych - zawsze z weryfikacją. Następny krok to nauka precyzyjnego promptowania, a dla zainteresowanych danymi - podstawy ML i pracy z danymi.
Czy potrzebuję umieć programować, żeby używać AI?
Do LLM-ów - nie, wystarczy umiejętność pisania dobrych promptów. Do budowania modeli ML - tak, ale większość analityków nie buduje modeli, lecz współpracuje z zespołem danych, formułując pytania biznesowe i interpretując wyniki.
Jak rozpoznać, że AI halucynuje?
Najpewniejsza metoda to weryfikacja względem źródła - jeśli czegoś nie ma w materiale, na którym AI miała pracować, traktuj to jako podejrzane. Ostrożność wzbudza też nadmierna pewność przy szczegółach (konkretne liczby, nazwy, cytaty), których nie potrafisz potwierdzić.
Podsumowanie i następny krok
AI - zwłaszcza LLM-y - realnie przyspiesza pracę analityka: pierwsze wersje dokumentów, streszczenia, scenariusze testowe, analizę danych. Ale działa jako asystent, nie zastępca. Granica jest jasna: AI produkuje artefakty, analityk wnosi osąd i odpowiedzialność. Halucynacje, poufność danych i złudzenie kompletności to ryzyka, których nieświadomy użytkownik nie zauważy, dopóki nie będzie za późno - jak w historii z transkrypcji, która otwierała ten tekst.
Najlepszy sposób na opanowanie AI to użycie jej na realnym zadaniu BA - wygeneruj draft user story z własnych notatek i sprawdź, ile musisz poprawić. Po solidne podstawy samych user stories sięgnij do artykułu jak pisać User Stories, a po techniki zbierania surowca, który podasz AI - do 10 technik elicytacji wymagań. Pojęcia z pogranicza danych uporządkujesz w słowniku.
Najlepsi analitycy nie pytają „czy AI mnie zastąpi?". Pytają „jak oddać AI to, co nudne i powtarzalne, żeby zostało mi więcej czasu na to, czego AI nie umie - rozumienie ludzi i ich problemów?". To pytanie wyznacza przewagę na najbliższą dekadę.