Подборка ИИ-инструментов для системного аналитика
- Автор: главный системный аналитик в IT-холдинге Т1, опыт в отрасли — 18 лет; оценивает ускорение своей работы с нейросетями примерно в 30%.
Perplexity: по словам автора, сканирует 50–100 источников и собирает сводную таблицу/отчёт; анализ, который раньше занимал 6–8 часов, он выполняет примерно за 2 часа; упоминаются акции на подписку 200–500 рублей в год.
DeepSeek: отмечается как бесплатный инструмент без VPN для текстов и структурирования; отдельно сказано, что он может добавлять эмоциональность и смайлы.- Замечание о безопасности: всё, что отправляется в Perplexity и DeepSeek, фактически уходит в открытый интернет; для рабочих задач данные предлагается заранее обезличивать.
- Sourcecraft: плагин для IDE, который в компании автора работает внутри корпоративного контура; ускорение написания OpenAPI-спецификаций оценивается на 30–50%, создание sequence-диаграмм — примерно на 20%.
- Локальные эксперименты (OLLAMA + локальная модель DeepSeek R1): подчёркивается потребность в мощном железе и диске; приводятся ориентиры — минимум 8 ГБ RAM (и это уже мало), до 150 ГБ места на скачивание модели, комфортная скорость 15–25 токенов/сек; пример используемого размера — 7B.
Почему это важно: Текст показывает, что ИИ закрывает типовые «узкие места» аналитика — поиск, рутину и структурирование — и переносит ценность в навык работы с промптами. Одновременно сравниваются три режима применения: облачные ассистенты, решения внутри корпоративного контура и локальные модели. Это помогает обсуждать внедрение не на уровне «какой чат выбрать», а на уровне задач, рисков и измеримого выигрыша во времени.
На что обратить внимание: В примерах отдельно разделяются сценарии поиска и генерации документов: в обоих случаях подразумеваются проверка результата и качество исходного запроса. Вопрос конфиденциальности в тексте вынесен как базовый фильтр — данные уходят в открытый интернет в облачных сервисах, тогда как корпоративный контур и локальная установка меняют допуски. Для локального подхода важны ограничения по ресурсам и скорости, которые могут стать «узким местом» ещё до начала экспериментов.
Читайте также
Ретроспектива 2025: год LLM — практика, иллюзия и реальные сдвиги
Агентные системы для продакшена
Больше чем ядро: как пет-проект вырос в мультитенантную платформу для создания AI-агентов
Claude Code изнутри: как устроены ИИ-агенты для разработки
ИИ для PHP-разработчиков: практика без Python и науки о данных
- Карта задач, где ИИ даёт максимальный выигрыш аналитикам: В статье выделены три «дорогие» по времени зоны: поиск и сбор информации, однотипная документная рутина (шаблоны, контракты, критерии приёмки), структурирование уже собранных данных. Для команды это удобная рамка, чтобы выбирать, какие этапы процесса целесообразно автоматизировать ИИ, и где ожидать наибольшего эффекта.
[Процессы: применение ИИ в аналитике и документации]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
Системный аналитик Т1 Владимир Бурмистров описал, какие ИИ-инструменты использует в работе и где они экономят время. Главный вывод: скорость и качество зависят от промптов и того, в каком контуре работают данные — публичном, корпоративном или локальном.