Доклад CEO на DUMP

Аналитик чаще ограничен не отсутствием идей, а временем. В докладе на DUMP 2025 Дмитрий Филиппов, CEO Getmyai, показал простую диаграмму рабочего дня: собственно работа аналитика — 3 часа, 38%; звонки — 2 часа, 25%; митинг-ноутс и адженда — 1 час, 13%; дейли, «поболтать», обновление статусов и списание времени на задачи — по 30 минут, по 6% каждая.

Проблема здесь двойная: люди ограничены по времени и знаниям, а бизнес — по количеству сильных специалистов и стоимости их работы. AI полезен именно в этом разрыве: он забирает повторяемую часть и расширяет знания там, где аналитик физически не успевает. Слайды доклада — в конце статьи.

Для кого это

Статья будет полезна системным и бизнес-аналитикам, продакт-менеджерам, владельцам продукта, пресейл-инженерам и консультантам: всем, кто живёт между интервью, звонками, протоколами, требованиями, гипотезами и таблицей задач.

10 кейсов

1. Транскрибация (MEET, ZOOM, ТЕЛЕМОСТ, SaluteSpeech) — быстрый перевод встречи в текст и протокол.
2. Исследования (Gemini, Perplexity) — быстрый обзор темы, рынка, конкурентов, источников.
3. Пресейл (Gemini, DeepSeek) — черновики решений, вопросов к клиенту, вариантов архитектуры.
4. Прототипирование (v0, Builder) — быстрый кликабельный макет идеи без долгой разработки.
5. AI-код (Cursor, Windsurf) — генерация и правка кода по описанию, ускорение MVP.
6. Анализ данных (NotebookLM) — работа с документами и источниками как с единым контекстом.
7. Графики и схемы (Mermaid) — диаграммы процессов, C4, BPMN-подобные схемы из текста.
8. AI-агенты (Coze) — автоматизация типовых сценариев без глубокого кода.
9. Live-перевод (Яндекс Браузер) — понимание иностранных источников и переговоров в реальном времени.
10. SQL на NLP (Vercel) — получение ответа из данных через обычный язык.

Дальше разберём каждый кейс отдельно.

1/10. Транскрибация: сначала текст, потом решения

Звонки съедают четверть рабочего дня. Если после каждого созвона аналитик вручную вспоминает, кто что сказал, большая часть смысла теряется: решения размываются, договорённости не попадают в задачи, а через неделю никто не найдёт, почему выбрали именно этот вариант.

Практический сценарий:

1. Записываете встречу: Google Meet, Zoom или «Телемост».
2. Прогоняете запись через распознавание речи, в докладе указан SaluteSpeech.
3. Получаете текст.
4. Отдельно просите AI выделить: цели, решения, открытые вопросы, договорённости, задачи, ответственных, дедлайны.
5. Проверяете результат и переносите его в таск-трекер или Confluence.

Здесь AI не заменяет аналитика. Он снимает этап «слушать и судорожно печатать» и оставляет человеку то, что важнее: формулировки решений и проверку смысла.

2/10. Исследования: разведка до глубокого погружения

Перед тем как идти к клиенту или писать раздел аналитики, нужно быстро понять поле. Gemini и Perplexity полезны как первый слой: найти определения, карту рынка, типовые боли, названия игроков, свежие публикации, вопросы на созвон. Кстати, мы уже тестировали веб-поиск в Perplexity, Алисе, GigaChat и ВЕГЕ.

Рабочий формат запроса:

Ты — аналитик. Собери краткий обзор по теме X за последние 12 месяцев: сегменты рынка, ключевые игроки, типовые проблемы клиентов, риски, вопросы, которые нужно задать заказчику. Дай ссылки на источники. Не придумывай факты: если данных нет, напиши «не найдено».

Обязательная часть — фактчекинг. LLM может уверенно выдать несуществующую статистику. Поэтому источники нужно открывать руками, цифры сверять, а выводы реквалифицировать в гипотезы, а не в истину.

3/10. Пресейл: от «нам нужно AI» к проверяемой гипотезе

Пресейл — место, где аналитик часто работает на скорости: клиент хочет понять «сколько стоит и когда», а вводных почти нет. Gemini и DeepSeek помогают быстро собрать черновик решения: возможные сценарии, интеграции, риски, ограничения, вопросы к заказчику.

Сильный пресейл-промт выглядит так:

Контекст: заказчик — {индустрия}, процесс — {процесс}, боль — {боль}. Задача: предложить 2–3 варианта решения с AI. Для каждого варианта укажи: что делает AI, какие данные нужны, какие интеграции потребуются, где нужен человек, главные риски, как измерить пилот за 4–6 недель.

Плохой результат здесь опаснее, чем «не успели». Если модель придумает интеграцию, которой нет, или заниженные сроки, пресейл превратится в обещание, которое команда не сможет выполнить. Поэтому AI-черновик — это заготовка для мышления, а не коммерческое предложение без проверки.

4/10. Прототипирование: показать до того, как согласовывать

ТЗ «как будет выглядеть экран» почти всегда вызывает споры. v0 и Builder снимают эту проблему: аналитик описывает интерфейс текстом и получает живую заготовку страницы.

Что можно прототипировать быстро:

• форму заявки;
• личный кабинет клиента;
• внутренний экран оператора;
• визард настройки;
• лендинг продукта;
• карточку заявки;
• простейший dashboard.

Ценность для аналитика не в том, что прототип «готов к продакшену», а в том, что разговор с командой и заказчиком становится предметным. Легче спорить о конкретном поле на экране, чем о абстрактном «удобном интерфейсе».

5/10. AI-код: аналитик, который может проверить гипотезу руками

Cursor и Windsurf относятся уже к классу инструментов, где AI работает внутри кода. Для аналитика это не значит «стать разработчиком». Скорее — получить возможность быстро проверить идею: парсер, скрипт миграции, мок API, генератор тестовых данных, простую внутреннюю утилиту для команды. У нас есть отдельная статья про вайб-кодинг в Cursor.

Где это особенно помогает:

• быстро собрать демо для заказчика;
• распарсить выгрузку;
• проверить гипотезу на реальных данных;
• автоматизировать рутинную сверку таблиц;
• набросать скрипт, который потом доводит разработчик.

Граница простая: если цена ошибки высокая, анализ данных, безопасность и продакшен-код должен проверять инженер. Если цена ошибки низкая — прототип экономит дни.

6/10. Анализ данных: NotebookLM как рабочий стол по документам

NotebookLM силён там, где нужно работать не с одной заметкой, а с пачкой источников: регламенты, транскрипты интервью, презентации, исследования, требования, переписка.

Типовые задачи:

• «Что клиенты повторяли минимум в трёх интервью?»
• «Какие требования противоречат друг другу?»
• «Какие риски видны из регламентов?»
• «Сделай краткое резюме по каждому документу и общую карту противоречий».
• «Собери вопросы для следующей сессии с заказчиком».

Ключевое отличие от обычного чата — работа от загруженных источников. Это снижает риск выдумывания, если модель строго опирается на корпус документов. Но риск не исчезает полностью: цитаты всё равно стоит открыть и проверить.

7/10. Графики и схемы: Mermaid как язык аналитика

Схемы — родной формат аналитика. Проблема в том, что рисовать их долго. Mermaid позволяет писать диаграмму как текст и получать аккуратный граф.

Пример потока работы:

1. Интервью с заказчиком → транскрибация.
2. Транскрибация → резюме и решения.
3. Резюме → User Story и Use Case.
4. User Story → Mermaid-схема процесса.
5. Схема → проверка с командой → бэклог и задачи.

Что удобно генерировать через AI + Mermaid:

• flowchart процесса;
• sequence diagram интеграции;
• state diagram статусов заявки;
• ER-диаграмму сущностей;
• mindmap по области проблемы;
• timeline внедрения.

Главное — проверять направления стрелок и названия статусов. Модель легко рисует красивую, но неверную схему.

8/10. AI-агенты: когда вместо чеклиста нужен исполнитель

Coze — инструмент из доклада для сборки агентов без глубокой разработки. Агент полезен там, где сценарий повторяется и у него понятные входы и выходы. Подробно про сборку агентов — в конспекте доклада с NexcConf и пошаговом гайде Создаём AI-агента и подключаем к Telegram.

Примеры для аналитика:

• бот, который задаёт заказчику стандартные вопросы перед discovery;
• агент, который собирает первичное описание интеграции;
• помощник по внутренней документации;
• бот, который напоминает про обязательные разделы требований;
• ассистент для онбординга нового участника команды.

Рабочие границы агента нужно прописывать явно: что он может отвечать сам, когда зовёт человека, из каких источников берёт ответы, что делать при нехватке данных. Чем меньше свобода у агента, тем выше шанс, что он будет полезен, а не опасен.

9/10. Live-перевод: языковой барьер перестаёт быть блокером

Яндекс Браузер с live-переводом полезен, когда нужно понять иностранный вебинар, документацию, статью или разговор без отдельного переводчика. Для аналитика это ускоряет работу с зарубежными источниками, вендорами и open-source.

Важно понимать ограничение: перевод помогает понять смысл, но не заменяет профессиональную терминологию в юридических, медицинских и финансовых документах. Для критичных формулировок нужен человек, который проверит термины.

10/10. SQL на NLP: данные без ожидания аналитика SQL

Идея простая: пользователь описывает вопрос человеческим языком, система превращает его в выборку или запрос к данным. В докладе этот кейс отнесён к инструментам из экосистемы Vercel.

Для аналитика это меняет баланс:

• меньше ожидания «когда освободится SQL-разработчик»;
• быстрее проверка гипотез;
• проще показать бизнесу первый ответ на вопрос «а сколько у нас…»;
• меньше ручного экспорта в Excel.

Но здесь особенно опасны две вещи: неверная интерпретация вопроса и неверный запрос к чувствительным данным. Поэтому NLP-to-SQL лучше запускать с ограниченным доступом, логами запросов и человеческим ревью результата перед важными решениями.

Итог доклада в трёх пунктах

Дмитрий Филиппов формулирует вывод жёстко и практично:

1. Рутину можно заменить на AI.
2. AI расширяет наши знания.
3. С AI можно сильно расширить свои возможности.

Для аналитика это не лозунг, а список конкретных мест в рабочем дне: звонки, ноутсы, исследования, пресейл, прототипы, код, документы, схемы, агенты, перевод и данные.

Минимальный пайплайн аналитика с AI

1. Встреча с заказчиком → запись и транскрибация.
2. Транскрибация → AI-резюме: цели, решения, риски.
3. Резюме → исследование темы и конкурентов.
4. Исследование → прототип и схема процесса.
5. Прототип → проверка гипотез на данных.
6. Данные → User Story, Use Case, бэклог.
7. Бэклог → пилот с агентом или автоматизацией.

Начинать лучше не с большого внедрения. Возьмите один повторяющийся созвон, прогоните запись через транскрибацию, попросите AI сделать резюме и сравните с вашими заметками. Затем добавьте схему процесса в Mermaid. Потом — исследование. Так AI входит в работу без революции и без героизма.

Доступ к AI из России

В экосистеме ВЕГА есть два практичных пути: телефонное приложение для доступа к сервисам — dns.vega.codes на Android и iOS — и API для программ, ботов и агентов — api.vega.chat с OpenAI-совместимым эндпоинтом https://api.vega.chat/api/v1. Второй вариант особенно важен для описанных кейсов: транскрибация, анализ документов, генерация схем и агентные сценарии проще встраиваются в рабочие процессы через единый API, чем через набор разрозненных подписок. Подробности — в конспекте доклада с WAW 2025.

Что забрать с этой статьи

• Не начинайте с вопроса «какую нейросеть подключить». Начинайте с вопроса «какую повторяемую часть моего дня можно отдать AI».
• Транскрибация — самый быстрый первый шаг: эффект виден после одной встречи.
• Исследования и пресейл требуют обязательного фактчекинга.
• Прототип до обсуждения снимает половину споров о требованиях.
• NotebookLM, Mermaid и Coze хорошо закрывают документы, схемы и агентов без тяжёлой разработки.
• SQL через NLP ускоряет вопросы к данным, но требует ограничений доступа и проверки запросов.

Презентация доклада

Слайды «10 потрясающих кейсов применения ИИ в работе аналитика» — можно листать прямо здесь или скачать:

Скачать презентацию (PDF)

---

Материал основан на докладе Дмитрия Филиппова, CEO Getmyai, на конференции DUMP 2025 в секции SA & BA. Канал автора — @getmyai, личный контакт — @ingeniare.