Kilkanaście lat temu, gdy zaczynałam pracę w IT, nikt nie zastanawiał się, czy sztuczna inteligencja zastąpi testerów, analityków i programistów. Największym wyzwaniem było zrozumienie systemu, wymagań biznesowych oraz znalezienie błędu, zanim trafił na produkcję. Dziś dyskusje wyglądają zupełnie inaczej – coraz częściej słyszę pytania, czy AI przejmie obowiązki specjalistów IT i czy część zawodów po prostu zniknie.
Patrząc na własną drogę zawodową od testerki, przez analityczkę testów, aż do analityczki biznesowej, mam jednak wrażenie, że dzieje się coś zupełnie odwrotnego. Im więcej zadań przejmuje sztuczna inteligencja, tym większego znaczenia nabiera doświadczenie człowieka. I tym ważniejsze staje się to, żeby z AI korzystać mądrze, a nie po prostu dużo.
Moja droga do analizy biznesowej nie była jednak efektem wielkiego planu ani świadomego przebranżowienia. Nie obudziłam się pewnego dnia z myślą: „Od jutra będę analityczką biznesową”. To wszystko wydarzyło się trochę mimochodem. Już jako testerka łapałam się na tym, że bardziej niż samo znalezienie błędu interesowało mnie, dlaczego w ogóle do niego doszło. Zamiast kończyć analizę na „nie działa”, chciałam zrozumieć proces, zależności i wpływ zmian na cały system.
Co ciekawe, jeszcze zanim zaczęłam pracować jako analityczka, chciałam rozwijać się w tym kierunku i zapisać się na szkolenia. Usłyszałam wtedy pytanie:
Po co testerowi szkolenia dla analityka?
Wtedy właściwie nie umiałam na nie odpowiedzieć. Dzisiaj odpowiedziałabym bardzo prosto. Bo u mnie sposób myślenia zmienił się dużo wcześniej niż nazwa stanowiska. Z perspektywy czasu trochę mnie to bawi. Wtedy usłyszałam, że testerowi szkolenia analityczne nie są potrzebne. Kilka lat później okazało się, że jednak były. Tylko stanowisko musiało najpierw dogonić sposób myślenia.
Testerka, która nauczyła się nie ufać pierwszej odpowiedzi
Praca testera uczy specyficznego sposobu myślenia. Gdy ktoś mówi, że wszystko działa poprawnie, tester nie przyjmuje tego za pewnik. Zaczyna zadawać pytania, szuka wyjątków, analizuje scenariusze, których nikt wcześniej nie przewidział, i próbuje zrozumieć, gdzie ukrywa się ryzyko.
Z perspektywy czasu widzę, że właśnie tutaj zaczęła się moja droga do analizy biznesowej. Tester uczy się zadawać pytanie: „Czy działa?” Analityk idzie o krok dalej i pyta: „Dlaczego działa właśnie tak? Co się stanie, jeśli to zmienimy, i czy to rozwiąże właściwy problem?”. Wbrew pozorom to nie są dwa różne światy, chociaż w wielu organizacjach funkcjonują jako odrębne działy. Dla mnie analiza biznesowa była naturalnym rozwinięciem sposobu myślenia, który wypracowałam jako testerka.
Dzisiaj podchodzę do treści generowanych przez AI dokładnie tak samo. Niezależnie od tego, czy jest to analiza dokumentu, propozycja wymagań, opis procesu biznesowego czy podsumowanie spotkania, traktuję je jako materiał do dalszej pracy, nie jako gotową odpowiedź. AI potrafi generować treści niezwykle szybko. Nie oznacza to jednak, że zawsze są one kompletne, aktualne i poprawne.
Do dziś uważam, że tester we mnie nigdzie nie zniknął. Nadal automatycznie zadaję pytanie:
A co, jeśli…?
A co, jeśli użytkownik zrobi coś inaczej?
A co, jeśli dane będą niekompletne?
A co, jeśli procesy spotkają się w najmniej oczekiwanym momencie? A co, jeśli AI się myli?
Tester nauczył mnie szukać wyjątków.
Analityk nauczył mnie rozumieć, dlaczego te wyjątki w ogóle mogą się pojawić. I mam wrażenie, że jedno bez drugiego nie byłoby już tak skuteczne.
Więcej narzędzi, więcej odpowiedzialności
Jeszcze kilka lat temu dużą część czasu zajmowało przygotowywanie materiałów, dokumentów, analiz oraz podsumowań. Dzisiaj wiele z tych czynności można znacząco przyspieszyć przy pomocy AI. I to jest naprawdę wartościowe, bo pozwala skupić się na tym, co ważniejsze.
Ale przyspieszenie pracy to nie to samo co zastąpienie myślenia. Im więcej treści generują narzędzia oparte na AI, tym większego znaczenia nabiera umiejętność ich oceny.
W praktyce oznacza to:
- konieczność weryfikowania założeń,
- sprawdzania spójności informacji,
- identyfikowania braków, które mogą nie być widoczne na pierwszy rzut oka.
Krytyczne myślenie nie polega na szukaniu błędów dla zasady. Polega na zadawaniu właściwych pytań. AI potrafi wygenerować odpowiedź. Człowiek musi ocenić, czy odpowiada ona na właściwy problem.
To właśnie tutaj doświadczenie zaczyna mieć ogromną wartość. Nie dlatego, że AI jest zła, ale dlatego, że aby z niej dobrze korzystać, trzeba wiedzieć, co i jak sprawdzać.
Dlaczego znajomość BPMN, UML czy BABOK nadal ma znaczenie?
Od czasu do czasu spotykam się z opinią, że skoro AI potrafi przygotować opis procesu lub wygenerować diagram, to praca i wiedza analityczna będą stopniowo tracić na znaczeniu. Mam dokładnie odwrotne zdanie.
Żeby ocenić jakość modelu procesu, trzeba rozumieć sam proces. Żeby ocenić diagram BPMN, trzeba znać notację BPMN. Żeby zweryfikować model UML, trzeba rozumieć, co tak naprawdę przedstawia. Narzędzie może przygotować szkic, nie przejmie jednak odpowiedzialności za jego poprawność.
W analizie biznesowej nadal liczy się zrozumienie kontekstu, zależności oraz wpływu zmian na organizację. I tego nie da się zastąpić jednym dobrze napisanym promptem.
Testy statyczne dokumentacji – nawyk, który procentuje
Jedną z najbardziej wartościowych rzeczy, które wyniosłam z pracy testera, są testy statyczne dokumentacji. Każdy, kto pracował zgodnie z praktykami ISTQB, wie, że nawet dobrze napisany dokument może zawierać błędy równie groźne jak wadliwy kod.
Niekompletne wymagania, niespójne założenia, brakujące scenariusze, niejednoznaczne definicje – często niewidoczne na początku projektu – wracają później w postaci błędów, opóźnień i dodatkowych kosztów. Dlatego materiały generowane przez AI traktuję dokładnie tak samo jak dokument przygotowany przez człowieka. Weryfikuję je, sprawdzam założenia i szukam luk. Nie waham się zadawać dodatkowych pytań. To nie jest brak zaufania do narzędzia. To zawodowy nawyk i jeden z powodów, dla których AI naprawdę pomaga mi pracować lepiej, a nie tylko szybciej.
Są rzeczy, których AI nadal nie potrafi
Przez lata pracy przekonałam się, że największe problemy projektowe bardzo rzadko wynikają z technologii. Najczęściej dotyczą ludzi: nieporozumień, braku komunikacji, ukrytych oczekiwań, sprzecznych interesów, co nierzadko prowadzi do napięć między zespołami.
AI może pomóc uporządkować informacje, ale nie odczyta emocji podczas warsztatu. Nie zauważy, że ktoś formalnie zgadza się z decyzją, choć w rzeczywistości ma poważne wątpliwości. Nie zbuduje relacji ani zaufania między interesariuszami. Nie przeprowadzi trudnej rozmowy. I wreszcie nie wyczuje atmosfery w zespole ani nie wyłapie tego, co pozostaje niewypowiedziane. A właśnie takie elementy bardzo często decydują o sukcesie projektu.
Czasami żartuję, że nawet kiedy przez chwilę nic nie mówię, processing w tle i tak trwa. Łączy informacje, szuka zależności, analizuje wyjątki i przygotowuje kolejne pytanie. To po prostu nawyk wypracowany przez lata testowania, analizowania i rozmów z ludźmi. I mam wrażenie, że tego rodzaju myślenia nie da się zastąpić jednym dobrze napisanym promptem.
Artificial Intelligence
Dostarczamy rozwiązania AI dopasowane do Twojego biznesu, które zwiększają efektywność i podnoszą produktywność Twojego zespołu.
Oferta AINarzędzie wzmacnia – ale nie zastępuje
Sztuczna inteligencja zmienia sposób, w jaki pracuję. Pozwala szybciej analizować informacje, porządkować wiedzę i przygotowywać materiały. Używam jej chętnie i regularnie i naprawdę uważam, że warto.
Jednocześnie przekonałam się, że AI działa najlepiej wtedy, gdy za jego wynikami stoi ktoś, kto potrafi je ocenić. Ktoś z wiedzą, doświadczeniem i nawykiem krytycznego myślenia. Ktoś, kto wie, kiedy zadać kolejne pytanie i kiedy powiedzieć: „To nie do końca tak działa”.
Dlatego uważam, że w erze AI największą przewagę będą mieli nie ci, którzy najczęściej korzystają z nowych narzędzi, ale ci, którzy potrafią ocenić, kiedy AI ma rację, a kiedy się myli. Bo ostatecznie w analizie biznesowej wartość nigdy nie wynikała z samego tworzenia dokumentów. Polegała na zrozumieniu problemu i znalezieniu najlepszego rozwiązania dzięki właściwym pytaniom i połączeniu potrzeb biznesu z możliwościami technologii.
Najlepsze rozwiązania bardzo rzadko zaczynają się od odpowiedzi. Najczęściej zaczynają się od dobrze sformułowanego pytania. A tego wciąż nie da się sprowadzić do jednego promptu.
Zostaw komentarz