Toolbox бізнес-аналітика: польові нотатки

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Олексій Лунков, я старший бізнес-аналітик в EPAM. Паралельно з клієнтською роботою викладаю, виступаю, веду подкаст і менторю у сферах бізнес-аналізу, digital commerce, продуктивності та AI на платформах Дія.Освіта, Європейської Бізнес Асоціації, Beetroot Academy, Projector Institute, Mission POSSIBLE та TheWays.

Ця стаття — не про Rocket Science і не про унікальні воркфлоу, яких більше ніде не побачиш. Це польові нотатки про те, які інструменти я використовую щодня, як комбіную їх у робочих процесах і де проходить межа між тим, що варто делегувати AI, а що — ні, для бізнес-аналітиків, які лише починають кар’єру, або хочуть переглянути звичні способи getting things done.

Стаття буде корисна junior та middle бізнес-аналітикам, які вже бачили ChatGPT і Claude, але хочуть зрозуміти, як вбудувати ці інструменти в реальну щоденну роботу — від дзвінка з клієнтом до створення backlog у Jira.

Де ми зараз: стан справ

Перш ніж переходити до інструментів, важливо зрозуміти контекст.

За даними McKinsey, 88% організацій у світі вже використовують AI хоча б в одній бізнес-функції. Кількість AI-інструментів у 2025 році зросла на 50%. І при цьому лише 1% менеджерів вважає, що з впровадженням AI у їхній команді все гаразд.

Спробуйте прямо зараз підійти до свого менеджера і запитати: «Як думаєш, чи потрібно нам краще адаптувати AI у роботу команди?» Я впевнений, що відповідь буде: «Так, точно потрібно». Чому так? Тому що ми знаємо про інструменти, але ще не навчилися перебудовувати процеси, які формувалися роками. Нам не вистачає end-to-end процесів — коли ти починаєш взаємодію з AI і завершуєш конкретним результатом, який створює цінність (читай: клієнт готовий за це платити).

Як змінилась роль бізнес-аналітика

Для тих, хто прийшов у професію після 2022 року, корисно розуміти, як виглядала робота BA ще кілька років тому.

Раніше типовий цикл виглядав так: довга Discovery-фаза, проєктний координатор, який приходив на зустрічі й записував нотатки від руки, потім ти читав ці нотатки, сідав писати документацію, перечитував, подавав на approval, чекав на approval. Якщо ти хворів тиждень і пропустив п’ять мітингів по 1.5–2 години кожен — ти реально сидів три дні і переглядав записи. Типова команда була розширеною: окремий BA, проєктний координатор, архітектор — тому що передача знань від клієнта до команди була набагато складнішою.

Зараз усе змінилося. Усі дзвінки записуються, і бізнес-аналітик більше не витрачає час на ведення нотаток під час розмови. Наприклад, якщо мені потрібна відповідь від архітектора, він може просто написати коротке повідомлення в чат. Я копіюю цю інформацію, відправляю в LLM, і модель формує структуровану відповідь, яку я потім валідую з архітектором і надсилаю клієнту. Комунікація стала більш асинхронною і простішою.

Пруфрідинг документації, який раніше забирав дні (пам’ятаю, як ми могли вичитувати таблицю з вимогами три дні поспіль і все одно пропустити помилки), тепер робиться одним промптом. Декомпозиція документації в user stories та створення тасків у Jira — процес, який раніше міг тривати тижнями, — тепер іноді займає годину.

Головний зсув: роль BA трансформувалася від створення документації до ролі фасилітатора рішень, консультанта, хаба між дисциплінами, комунікатора. В еру LLM будь-хто може створити непогану документацію. Ваша цінність як бізнес-аналітика — бути цим хабом, створювати impact і доводити від ідеї до результату.

Мій AI-стек: що використовую щодня

Claude — основний інструмент

Я перейшов на Claude у лютому 2026, після тривалого використання ChatGPT (з кінця 2022 року). У ChatGPT чудовий застосунок для iPhone та Mac (нативний, з Liquid Glass дизайном), але коли я спробував Claude, то був настільки вражений, що взяв максимальний план і супер задоволений.

Що мені подобається: я встановив десктопний застосунок Claude прямо в dock на MacBook. Це працює як постійне нагадування — починай із цього інструменту. Може, результат буде не ідеальним, може, ти зрозумієш, що потрібен інший підхід. Але коли ти починаєш із AI замість того, щоб гуглити або писати самому з нуля, ти часто економиш значну кількість часу.

У десктопному застосунку Claude є три вкладки: Chat (звичайний чат), Co-work (агент, що працює з файлами та папками на комп’ютері) та Code. Фактично це один продукт із трьома режимами роботи.

Perplexity — для дослідження

Окремий інструмент для deep research. Відмінність від звичайного чату з LLM у тому, що при deep research ви отримуєте дослідження з посиланнями на джерела, з яких взято інформацію. Подібний функціонал є і в Claude, і в ChatGPT, і в Gemini, але в Perplexity мені подобається можливість вказати, що потрібно дослідження саме в соціальних мережах — і результати будуть дуже релевантні, якщо ви, скажімо, досліджуєте тренди в соціальних мережах.

Ще один корисний сценарій: я можу підключити свій Notion до Perplexity, і при дослідженні враховуватимуться нотатки з моєї бази знань.

Notion — платна версія із AI та агентами

Це одна з найкращих моїх інвестицій. Я веду нотатки та базу знань із 2017 року. Тепер усе це проіндексовано в Notion AI, і коли я думаю, наприклад, про кар’єрний розвиток, Claude може через інтеграцію звернутися до нотаток, які я робив сім років тому.

Notion чудово працює як закрита система з записом дзвінків, транскриптами та AI-пошуком. Я можу шукати ключові слова, згадані на дзвінках, і не тільки я — коли я піду з проєкту, наступна людина зможе використати цю базу.

Приклад мого воркфлоу з Notion-агентом. У мене є дзвінки на різні теми: вебінари, обговорення ідей із колегами, зустрічі Ambassador Club. На кожному дзвінку створюються meeting notes. Ці нотатки потрапляють до бази. Далі агент аналізує кожну нову зустріч, зіставляє з моїми контентними пілярами і генерує ідеї для контенту. Раз на тиждень я переглядаю ці ідеї та обираю, про що писати.

Цей самий підхід можна екстраполювати на проєктну роботу: налаштувати воркфлоу, коли всі обговорення з клієнтом аналізуються, цікаві ідеї збираються в окремий backlog, і ви з product-менеджером щомісяця переглядаєте їх. Це генерація нової роботи для команди — одна з ключових задач бізнес-аналітика.

NotebookLM — робота з великими обсягами документів

Це інструмент від Google, який дозволяє завантажити велику кількість документів в LLM і працювати саме в їхньому контексті. Різниця з ChatGPT суттєва: коли ви завантажуєте п’ять документів у ChatGPT і ставите питання, є велика ймовірність, що модель проігнорує ваші документи і видасть щось нерелевантне. У NotebookLM головна задача — аналізувати саме ті документи, які ви дали.

Мій улюблений воркфлоу. Я роблю deep research через Claude на якусь тему — наприклад, досліджую конкурентів клієнта, з яким почав працювати кілька днів тому. Результат дослідження довгий, сторінок на двадцять. Читати годину — немає часу. Тому я завантажую це дослідження в NotebookLM і прошу згенерувати подкаст. І далі просто слухаю по дорозі на роботу.

Немає жодного подкасту в світі на конкретну тему «конкуренти мого специфічного клієнта». Але я можу згенерувати такий подкаст для себе. Крім подкастів, NotebookLM вміє створювати флешкартки (чудово для підготовки до інтерв’ю — завантажуєш документи з бізнес-аналізу і вчиш термінологію), інфографіку, mindmap і навіть відео з презентацією та озвучкою.

Допоміжні інструменти

Grammarly — як плагін для Chrome, Safari, Mac. Використовую з 2016 року, працює ідеально і зараз навіть з українською.

Gamma — для створення презентацій. Також є інтеграція Claude з PowerPoint: я підключаю свій особистий Microsoft-акаунт і створюю презентації прямо через Cloud.

Apple Notes — для довгих промптів. Голосові чати з LLM використовують спеціальні, менш потужні моделі. А ще є ризик, що за 10 хвилин диктування промпту щось зависне, екран заблокується або пропаде інтернет — і все зникне. Мій підхід: я відкриваю Apple Notes, вмикаю аудіозапис і диктую промпт. Запис відбувається локально, тому нічого не зникне. Apple Notes робить транскрипт, я його копіюю, редагую і вже відредагований промпт вставляю в Claude або ChatGPT. Наприклад, по дорозі з офісу я диктую 20 хвилин — що хочу обговорити, які питання дослідити, який контекст врахувати. Приходжу додому, редагую — і маю детальний, контекстно багатий промпт.

Мінімальний воркфлоу для будь-якого BA

Ось базовий процес, який можна впровадити вже завтра:

1. Транскрипт дзвінка — записуєте зустріч, отримуєте транскрипт.
2. AI Summary — просите LLM зробити стислий підсумок розмови.
3. Перший драфт документації — на основі транскрипту та summary формуєте чернетку через LLM, обов’язково вказуючи формат Markdown (Confluence та Jira читають Markdown — текст автоматично структурується).
4. BA Review — ви вичитуєте та доповнюєте драфт.
5. Промпт LLM на пошук слабких місць — просите модель знайти edge cases, які ви не покрили. Половина запропонованих кейсів буде нерелевантною, але навіть один-два влучні кейси — це вже значна цінність для проєкту.
6. Драфт backlog — декомпозиція документації в user stories.
7. Наратив для стейкхолдерів — AI допомагає сформувати комунікацію для різних аудиторій.

Що делегувати AI, а що — ні

Делегуємо: транскрипти, підсумки зустрічей, чернетки документації, пруфрідинг, форматування (Markdown ваш друг), генерацію edge cases, драфт backlog, дослідження.

Залишаємо собі: прийняття компромісних рішень, оцінку ризиків, alignment стейкхолдерів і комунікацію.

Ось конкретний приклад з мого досвіду. Я практично ніколи не використовую AI для написання листів або повідомлень команді. Пруфрідинг — так, але текст пишу сам. Чому? Бо я не хочу втратити довіру стейкхолдерів. Якщо хтось прочитає повідомлення і подумає: «Цей лист написаний через AI» — це погано. Комунікація має залишатися моєю. Якість стосунків не повинна страждати через те, що я використовую AI.

Це дуже важлива межа: не лише наскільки ми довіряємо інструменту, а що ми делегуємо і що залишаємо за собою.

Правила роботи з LLM

Правило 1: Zero Trust

Коли LLM генерує цифри, статистику або твердження на кшталт «у 2025 році X зросло на 50%», я ставлюся до цього дуже скептично. Я завжди перепитую: «Звідки ці дані?» Іду на джерело, перевіряю, що це надійний ресурс, і тільки тоді використовую в комунікації. Бо потім претензії будуть не до ChatGPT, а до мене.

Правило 2: Завжди враховуй галюцинації

Я працюю з установкою: частина інформації, яку я отримав від LLM, — неправда. Я просто не знаю, яка саме частина. Це не стосується простих задач на кшталт пруфрідингу готового тексту — там результат зазвичай відмінний. Але коли ви просите LLM зробити дослідження або аналіз, частина результату буде ненадійною. Це треба прийняти і перевіряти.

Правило 3: Тільки авторизовані інструменти

Не використовуйте для клієнтської роботи інструменти, які не дозволені на вашому проєкті. Уточніть у свого delivery manager або project manager, що можна використовувати.

Навички, які стають критичними

Data Literacy. Розуміння даних, розуміння дезінформації. Валідація джерел. Якщо щось важливе — робіть подвійну або потрійну перевірку.

Конкретний приклад: AI написав посилання на стандарт ISO 25010. Перше питання, яке я ставлю: чи існує такий стандарт взагалі? Чи дійсно в ньому є таке твердження? Бо стандарту може просто не бути. Моделі розвиваються, галюцинацій стає менше, але вони досі є.

Prompting. Якість вашого вводу напряму впливає на якість результату. Три ключові компоненти хорошого промпту: роль (яку роль має виконувати AI), контекст (чим більше контексту, тим краще — тому я люблю диктувати промпти по 20 хвилин) і приклади (дайте AI приклад бажаного результату — різниця в якості відповіді буде разючою).

Storytelling. AI може дати вам інформацію, але не розкаже історію за вас. Мистецтво бізнес-аналітика — прийти до стейкхолдера або до аудиторії в 100 людей і донести суть. Це навичка, яку AI не замінить.

Зміна патернів. Ті, кому 27+ років, мають великий виклик: молодше покоління починає будь-яку задачу з LLM, а ми за звичкою йдемо гуглити, писати, згадувати. Потрібно свідомо ламати ці патерни. Мій підхід: перед будь-якою задачею я думаю — «а може, спочатку спробую через AI?». Не завжди це найкращий шлях, але часто він економить час. А інструменти розвиваються дуже швидко, і важливо бути в контексті останніх змін.

Висновок

Революція AI для бізнес-аналітиків — це не про заміну людей, а про зміну акцентів. Рутина (транскрипти, пруфрідинг, перші драфти, форматування) йде до AI. А вам залишається те, що має найбільшу цінність: комунікація, прийняття рішень, alignment стейкхолдерів і storytelling.

Мінімальний набір для старту: Claude або ChatGPT (як основний інструмент), Perplexity (для дослідження з джерелами), NotebookLM (для роботи з великими обсягами документів), Apple Notes або Google Keep (для диктування промптів).

Не потрібно впроваджувати все одразу. Почніть із одного воркфлоу — наприклад, із транскрипту дзвінка та AI summary. Коли це стане звичкою, додайте наступний крок. Головне — почати і не боятися, що результат буде не ідеальним. Бо він точно буде швидшим.

Буду радий обговоренню в коментарях — діліться своїм досвідом, які інструменти та воркфлоу працюють для вас.

Сподобалась стаття? Підписуйтесь на автора, щоб отримувати сповіщення про нові публікації на пошту.