LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
业务分析师
弄清一个变更或一套系统到底要满足业务的什么需要,并把它写下来,好让人去造、去核对:访谈干系人,梳理流程,写需求和用户故事,主持工作坊,在验收时检查交付的东西是否做到了所要求的。大语言模型如今能起草需求文档和用户故事,美国联邦机构也在用 AI 生成它们;研究发现这些草稿很快,但需要核验,而挖出未说出口的需求的那种访谈,仍然需要人。
用大语言模型根据你自己的笔记起草一组用户故事,记下在开发者能用之前你改了什么。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于为业务与 IT 变更挖掘并记录需求的业务分析师 —— 在企业内部、咨询公司和敏捷团队中。数据分析师、产品经理、管理咨询顾问和业务系统负责人有各自的页面。证据是两家美国联邦机构在用例清单里的自述、一家公司的试点、两项对大语言模型做需求工作的研究评估,以及美国对包含业务分析师的职业的劳动力预测;它们确立的是工具能起草什么、在哪里在用,不是分析师的时间怎样变化。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
用例清单描述的是系统,不是它们对员工的影响;研究用的是一个大学项目、一个咨询项目和一个小规模试点。
这是根据这项工作的性质作出的推断;这里没有记录任何测量流程梳理工作或工具所占份额的一手来源。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。劳工统计局预测,2025 至 2035 年管理分析师就业将增长 10%,远快于平均水平,每年约有 94,100 个职位空缺。O*NET 把业务分析师列为这一职业报告的职称之一,这一职业也包括管理咨询顾问;页面本身没有提到业务分析师或 AI。它数的是岗位,不是任务。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
美国。劳工统计局预测,2025 至 2035 年计算机系统分析师就业将增长 8%,远快于平均水平,从 544,400 人增至 587,200 人,每年约有 32,900 个职位空缺;它说,随着各机构继续依赖并扩大包括人工智能在内的 IT,会雇用计算机系统分析师来设计和安装新系统。O*NET 把 IT 业务分析师列为这一职业的职称之一。它数的是岗位,不是任务。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
美国,退伍军人健康管理局。该机构在用例清单中的条目标为已部署、自主开发,写明其以人为本设计团队使用大语言模型和定制智能体,系统可简化分析用户反馈、生成用户故事、总结工作坊结论、完善用户画像等任务,带来更快的洞察和更少的人工劳动。这是机构在描述自己的系统;没有报告对人员配置或用户故事质量的影响。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
一家 IT 咨询公司的一个项目:大语言模型根据需求调研摘要和模板生成功能设计规格说明和用户故事,由公司的资深分析师评估。分析师估计起草时间可节省 10% 到 15%;有些用户故事所有模型都没处理好,因为分析师掌握的知识可能是隐性的,不在需求调研文档里;作者的结论是,模型能提高早期文档工作的效率,但不能取代人的介入,仍需资深分析师保证准确与完整。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
这是一个学术聊天机器人,在 33 场以学生扮演干系人的模拟访谈中评估。它犯常见错误的次数与人类访谈者相近,最多挖出了 73.7% 的需求。作者写明,在高度敏感或复杂的需求挖掘中 —— 人际互动对揭示未说出口的需求至关重要 —— 由人主导的访谈仍然有价值、而且必要。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
美国,社会保障局。清单条目标为已部署,运行日期 2024 年 10 月 1 日,采用外购的厂商平台;条目写明其生成式组件通过自动分析 COBOL 及其他遗留代码、生成一致的业务需求文档、把代码重构为现代语言,加快遗留系统现代化,减少编写文档的人工。它是从已有代码中还原需求,而不是从人那里挖掘需求。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
这项研究比较 GPT-4、CodeLlama 与人工基准,为一个大学学生社团管理门户起草需求规格说明,按八项标准评分。它报告:模型能达到初级软件工程师的产出质量;在需求已经明确之后,人工文档用了 4 到 24 小时,模型草稿用时少 7 到 47 倍,但第一次很难写对。需求是给定的,不是挖掘出来的。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
奥地利,一家邮政集团的 IT 部门。研究者与公司员工实施了一个基于大语言模型的自主智能体系统来改进用户故事质量,并在六个敏捷团队的 11 名参与者中评估。论文写明,该系统的产出目前需要产品负责人人工核验,以符合项目目标和干系人期望;六名受访者认为改写后的描述太长。这是一家公司的小规模试点。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
这对你意味着什么#
如果你刚入行,预期大语言模型起草需求文档和用户故事会比你打字还快,也预期你的价值在它们做不到的地方:把真实的需要从人那里挖出来,注意到没说出口的东西,并用它去检查草稿。
预期写的时间会变少,挖掘、协商和核验的时间会变多。受欢迎的分析师,会是能主持难谈的对话、能判断机器起草的规格说明对不对的那些人。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
留下来,把时间从写转到挖掘与核验
起草是工具最强的地方;这里记录的研究仍把敏感事项的访谈与核验留给人。
起草变快之后,团队可能期待每个分析师产出更多。
用大语言模型根据你自己的笔记起草一组用户故事,记下在开发者能用之前你改了什么。
转向流程与变更工作
让各部门达成一致、让人们接受新的工作方式,是工具能总结却做不了的协商。
变更类岗位看的是落地,比交付文档更慢、也更难证明。
挑一个你写过文档的流程,看看人们现在是否真的按那个方式工作。
转向产品管理
决定造什么、为什么造,就在分析师工作的旁边,依赖的是同样的对人们需要什么的判断。
产品岗位要对结果负责,数量也比分析师岗位少。
问一位合作的产品经理,他上个月的哪些决定依赖了你写的需求。
常见问题#
就现有证据看,不会。大语言模型能起草需求文档和用户故事,美国联邦机构也在用 AI 生成它们;但这里记录的研究仍由人核验草稿、主导敏感或复杂需求的访谈,美国的预测也认为包含业务分析师的职业会增长。
我们不用年数回答这个问题。你可以看一个信号:机器起草的需求是否开始不经分析师核验就交给开发者,以及访谈机器人是否被托付复杂、敏感的需求挖掘。今天的证据显示的都不是这样。
它能起草。一项研究发现,在需求已经明确的前提下,GPT-4 起草的需求规格说明与初级工程师的水平相当,速度快 7 到 47 倍;在一家邮政集团的 IT 团队里,智能体改写过的用户故事仍需产品负责人核验。
美国的预测认为,2025 至 2035 年管理分析师将增长 10%,计算机系统分析师增长 8%;两者都包含业务分析师。工作重心正从写文档转向挖掘、协商与核验。
这些判断底下是什么#
这一页上 5 条任务判断里,1 条有已核实事件支撑、4 条是平台推断,每一条都在它出现的地方标注着。它们底下是 2 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 8 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「技术与数据」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
初级程序员 · 中高级软件工程师 · 前端工程师 · 后端工程师 · 数据工程师 · 算法 / 机器学习工程师 · AI 研究员 · 测试工程师 · 数据分析师 · 数据科学家 · 业务系统与流程负责人 · IT 支持 / 技术支持 · 网络安全分析师 / 安全运营 · 运维 / 平台工程师 / SRE · 网络工程师 · 技术文档工程师 / 技术写作