Почему ИИ не заменит аналитика при подготовке технического задания

Искусственный интеллект уже перестал быть экспериментом для большинства компаний. Его используют в клиентской поддержке, обработке данных, поиске ошибок, подготовке текстов и автоматизации рутинных задач. На этом фоне все чаще возникает вопрос: если ИИ так быстро справляется с типовыми операциями, сможет ли он заменить специалистов – например, аналитика 1С?

Чтобы ответить на этот вопрос, нужно посмотреть, что именно делает аналитик при подготовке технического задания.

В чем задача аналитика 1С

Главная работа аналитика 1С – перевести бизнес-потребность заказчика на язык конкретных требований для разработчиков. В техническом задании должны быть описаны цели доработки, бизнес-процессы, функциональные требования, прототипы форм, матрица прав доступа и другие детали, которые помогают команде одинаково понять будущий результат.

Хорошее ТЗ не оставляет пространства для двусмысленностей. Разработчик должен понимать, что именно нужно реализовать. Заказчик – какой результат он получит. Команда – по каким критериям будет проверяться готовая доработка.

Формально подготовку такого документа можно поручить искусственному интеллекту. Но именно в работе с ТЗ особенно заметны ограничения ИИ, которые могут привести к серьезным ошибкам.

Где ИИ ошибается при подготовке ТЗ

Одна из проблем – слабое понимание собственных ограничений. Исследования¹ показывают, что модели могут иметь представление о том, приведут ли их действия к успеху или неудаче, но на практике часто остаются слишком самоуверенными и плохо оценивают, где их ответ может быть ненадежным.

Вторая проблема – отставание от реальности. Если у модели нет доступа к поиску, ее знания могут отставать от текущей ситуации на один-два года. В результате техническое задание рискует устареть уже на этапе написания. Если поиск подключен, ИИ получает более актуальную информацию, но это не означает, что он начинает понимать реальные возможности, ограничения и последствия применения новых технологий. Несколько найденных в интернете статей не заменяют практического опыта аналитика.

Третья проблема – лишние или неподходящие решения в тексте ТЗ. ИИ может включить в документ технологии, инструменты и критерии проверки, которые выглядят убедительно, но на практике не подходят проекту. Например, он может предложить инструменты, недоступные в Российской Федерации, решения без обновлений или просто лишние компоненты для конкретной разработки.

Отдельный риск – формальные показатели, которые невозможно корректно закрепить за разработчиком. В ТЗ могут появиться требования к скорости выполнения операций, хотя фактический результат зависит не только от кода, но и от инфраструктуры, каналов связи, мощности оборудования и других факторов. Красивая цифра в документе в таком случае может обернуться значительными затратами на инфраструктуру.

Поэтому, когда ChatGPT, DeepSeek или другой ИИ получает задачу «написать ТЗ», результат часто получается абстрактным. Модель не может проверить свои допущения на практике, не видит всех ограничений проекта и не несет ответственности за последствия решений, которые предлагает.

ИИ не заменит аналитика, но может усилить его работу

Чтобы искусственный интеллект создавал действительно инновационные, эффективные и полезные решения под конкретную задачу, его нужно специально разрабатывать и обучать. Такие проекты требуют участия большого количества специалистов, вычислительных ресурсов, времени на подготовку экспериментов и проверку результатов.

В задаче подготовки технических заданий ИИ не заменяет человека. Но он может помочь сделать документ качественнее, если аналитик использует его как инструмент, а не как самостоятельного автора.

При работе с ТЗ важно понимать каждую деталь. Если аналитик собрал информацию о проекте, технологиях и инструментах, но сам не до конца разобрался в теме, не стоит отдавать текст ИИ «на улучшение». Модель может переформулировать непонятный фрагмент так, что смысл изменится, а заметить это будет сложно.

Искусственный интеллект хорошо справляется с обработкой больших объемов информации, ускоряет рутинные операции и помогает структурировать материалы. Но нестандартное мышление, критический анализ, умение задавать уточняющие вопросы и создавать новые решения остаются зоной ответственности человека.

Качество ТЗ строится на трех вещах: детализации, понятности и согласованности. Если требования описаны неполно, важные сценарии забыты, а спорные моменты не согласованы заранее, команда сталкивается со срывами сроков, ростом бюджета, бесконечными правками и конфликтами. И часто проблема оказывается не в разработке, а в том, как была поставлена задача.

Именно поэтому навык подготовки технических заданий нельзя полностью передать ИИ. Его нужно развивать самому аналитику: учиться выявлять потребности заказчика, фиксировать требования, видеть риски и описывать задачу так, чтобы ее одинаково поняли заказчик, разработчик и тестировщик. На курсе «Освойте написание ТЗ от и до: полный цикл» этот процесс разбирается на практике – от сбора требований до согласования документа, с шаблонами, системой работы и инструментами, которые можно применять в реальных проектах.