AI vs аналитик: кто кого заменит

Привет, Хабр! Я Владимир Сыропятов, Senior Analyst в Garage Eight. Последний год я наблюдаю, как AI меняет нашу работу — не в теории, а на практике. В этой статье я расскажу о шести трендах, которые уже трансформируют аналитику, и покажу на реальных кейсах, кто кого заменит и как аналитику выжить в эпоху AI.

Парадокс, с которого всё начинается

Аналитики всё чаще используют в работе AI для SQL и Python: ИИ пишет код за секунды и создает дашборды буквально по одному запросу. Но вот нюанс: мы всё еще не можем доверять искусственному интеллекту на все 100%, особенно при работе с критически важными данными. Почему же тогда продолжаем использовать AI? Ответ прост: потому что знаем, как правильно.

Это и есть суть происходящего: AI не заменяет экспертизу, он ее усиливает. Но только у тех, кто понимает, что делает.

Цифры говорят сами за себя. AI — это не только тренд, но и причина глобальной трансформации. В 2024 году уже 72% компаний использовали AI в своих процессах, а 92% планировали инвестировать в него в ближайшие три года. Для сравнения: в 2017 году AI использовали только 20% компаний.

Я посмотрел много отчетов и исследований, чтобы понять, что именно станет с аналитикой. За время работы с материалами я выявил шесть трендов, которые уже меняют аналитику.

Тренды, которые меняют аналитику

Некоторые из трендов уже происходят прямо сейчас, другие — проявятся в полную силу в ближайшие 3–4 года. Давайте начнем с наиболее актуальных.

#1. Исчезает джун-аналитик

Это неприятная правда, но ее лучше принять сразу. Роль джуна, который пишет адхоки и строит простые дашборды, стремительно уходит.

Еще 5 лет назад джун-аналитик был нормальной входной позицией: люди учились, развивались, набирались опыта. К 2026 году большую часть этой работы делает AI: пишет 80% кода, строит графики, создает отчеты — за минуты

Компании продолжают нанимать аналитиков. Только теперь не джунов, а мидлов, которые умеют работать с AI: понимать его ограничения, писать эффективные промпты, валидировать результаты и — главное — добавлять к машинному выводу контекст, стратегию и глубокий анализ.

Формула стала простой: 1 мидл + AI = 3 джуна

В таких реалиях, если джуны хотят развиваться в профессии, им нужно активно погружаться в работу с AI и компенсировать этими навыками отсутствие опыта. Будет сложно, не отрицаю, потому что требования к работе активно растут. Но есть и плюс: задачи становятся интереснее. Теперь вместо рутины джунов ждет стратегия, а вместо стандартных «нарисуй график» — «помоги бизнесу принять правильное решение».

#2. Менеджеры становятся квазианалитиками

Теперь менеджеры могут сами решать многие аналитические задачи и повышать таким образом общий уровень экспертизы в компании.

Представьте реальный сценарий. Менеджер по продажам хочет понять, почему падают конверсии. Раньше: идет к аналитику, формулирует задачу, ждет неделю. Сейчас: открывает AI, описывает проблему, получает SQL, запускает на локальной базе, видит результат и задает уточняющие вопросы. Всё занимает 30 минут. 

Это не значит, что аналитик больше не нужен. Это значит, что его роль поднимается на уровень выше. Теперь он не исполнитель запросов, а архитектор: выстраивает алгоритмы работы менеджера, дает инструкции и фреймворки для валидации данных, разбирается в системных проблемах и разрабатывает стратегию.

AI освобождает аналитика от рутины — наконец-то появляется время для работы, которая действительно требует экспертизы.

#3. Заканчивается эра «сделай красиво»

В погоне за качественными ответами от AI хаос потихоньку начинает превращаться в четкое ТЗ. Всё потому, что AI не переваривает размытость: ему мало запросов из разряда «Сделай красиво», «Давай напишем от общего к частному», «Сделай как в прошлый раз, только по-другому». Именно поэтому менеджеры учатся составлять структурированные поручения, а аналитики — подавать инсайты простым языком.

AI не делает скидки на статус или опыт: ему нужен понятный промпт, и точка. И как только специалисты это понимают, результаты становятся лучше. Всё это со временем превратит хаос бизнес-коммуникации в четкое ТЗ.

#4. Революция в образовании

Через 3–5 лет образование в аналитике и IT будет выглядеть иначе. 

«Вова, почему произойдет такая революция в образовании?» — спросите вы. А я и отвечу. Потому что писать код будет AI, но понимать код, его логику, архитектуру решения по-прежнему должен человек.

Из других изменений: появятся совершенно новые дисциплины, например «Работа с AI», где будут учить промпт-инжинирингу, распознаванию галлюцинаций, валидации результатов, границам доверия и не только. Фокус сместится с «я умею писать код» на «я умею управлять AI, который пишет код». Компании, которые первыми создадут такие программы подготовки внутри себя, получат серьезное конкурентное преимущество.

#5. Рождаются новые специализации

Уже сейчас появляются роли, которых пять лет назад не существовало. Через год-два их будет значительно больше: 

• Fraud AI Specialist — аналитик по выявлению мошенничества с использованием AI-моделей. 

• AI Customer Journey Architect — специалист по проектированию клиентского пути через AI-инструменты. 

• Revenue Intelligence Engineer — аналитик, превращающий данные о доходах в стратегические решения с помощью AI. 

• Ethical Data Guardian — специалист по границам допустимого использования данных. 

Зарплатный разрыв между обычным аналитиком и специалистом с AI + доменной экспертизой будет активно расти

Через 1–2 года новые роли будут нужны всё больше. Компании, которые первыми создадут такие позиции, поймут, как их структурировать, как обучать таких специалистов и как встраивать в процессы, получат серьезное преимущество: у них будут отлаженные процессы и интегрированные в них специалисты. Пока другие будут искать спецов, первопроходцы уже будут вовсю работать и получать результаты.

#6. Перераспределяется ценность

Закончить список хотелось бы самым вдохновляющим трендом. AI добавит к мировой экономике 15,7 трлн $ к 2030 году — целых 13% от всей мировой экономики. И впервые в истории эта ценность не только осядет в карманах корпораций, но и поможет малому и среднему бизнесу. За 20 $ в месяц сегодня доступны инструменты, которые пять лет назад стоили тысячи долларов. Это меняет расстановку сил.

Главное — понимать: ценность рождает ценность. Специалисты, которые освоили AI, начинают создавать инструменты, сервисы и контент для других. AI как растущий пирог, который становится больше с каждым новым участником.

Чем больше людей освоит AI → тем больше будет инноваций → тем доступнее станут инструменты → тем больше людей сможет создавать ценность → тем больше людей получит эту ценность → тем больше людей освоит AI. Это итеративный экспоненциальный рост, и мы находимся в его самом начале.

Все эти тренды — не угроза, а окно возможностей для тех, кто его видит. И практика это доказывает.

Как AI-тренды влияют на работу реальных компаний

Мы в Garage Eight решили не ждать, пока «всё устаканится», и начали экспериментировать, внедрять, учиться на ошибках уже сейчас. Так, например, у нас активно развивается внутреннее AI-комьюнити, на котором сотрудники делятся своим опытом, перенимают лучшие решения и идут к тому, чтобы унифицировать подход к работе с AI. Формально в комьюнити уже есть своя философия, которая основана на трех главных принципах.

Давайте покажу, как всё работает, на реальных примерах.

Кейс #1. Локальные LLM

В большинстве компаний ChatGPT, Claude и другие облачные AI-сервисы запрещены для работы с корпоративными данными. Но вообще, это ограничение, которое устанавливают многие, кто работает с AI. Комплаенс не дремлет, и никто не готов брать на себя риск утечки информации.

Наше решение для конфиденциальных данных. У нас есть тестовая группа менеджеров и аналитиков, которые используют DeepSeek-R1 14B и другие модели локально и очень довольны результатами. AI помогает с запросами, а процессы согласованы с IT, службой безопасности и комплаенсом — все счастливы.

Вот конкретный пример, как менеджер анализировал падение конверсии без локальной LLM и с ее помощью.

Скорость получения инсайтов выросла в 32 раза. При этом все данные остались на устройстве — никаких рисков безопасности

Какие результаты мы для себя отметили:

• Автономность и скорость — менеджеры решают большинство собственных вопросов и не зависят от аналитика.

• Освобождение от рутины — у нас есть кейсы, когда аналитики перестают считать конверсию, а вместо этого тратят время на то, чтобы разобраться, почему она упала и что с этим делать.

• Качество ответов — менеджеры говорят, что результаты AI сопоставимы с тем, что давал аналитик. Только быстрее.

К списку можно добавить еще и скрытое преимущество: менеджеры начали лучше понимать данные, потому что теперь сами работают с ними. Например, не просто запрашивают число, а понимают, откуда это число берется.

Кейс #2. AI-выжимки встреч

В компаниях часто бывает, что люди тратят часы на встречи, которые ничего не решают. Мы же после каждой встречи, звонка и совещания получаем выжимку от AI.

Это не просто транскрипция, а структурированный рассказ о главном

Мы хотим зайти еще дальше и использовать эти данные для создания методологии по AI-оценке полезности встреч. В идеале AI сможет распознавать:

• Были ли поставлены четкие задачи?

• Были ли назначены ответственные?

• Была ли активна дискуссия или монолог?

И после AI будет давать оценку: «Эта встреча была на 85% полезной» или «Эта встреча была на 20% полезной: почти ничего не решилось». 

Так мы получим рабочий способ оценки качества управления на годовом ревью менеджеров. Субъективное «мне нравится этот менеджер» заменят объективные данные.

Кейс #3. AI-валидация кода

В нашем аналитическом сообществе появилось правило хорошего тона: «Перед деплоем любого кода в продакшен обязательно прогони его через локальную LLM на поиск ошибок».

Было. Аналитик смотрит на странные числа, час ищет ошибку. Может найти ее, а может и нет.

Стало. Аналитик идет к AI: «Вот мой запрос и результаты. Они выглядят странно, где может быть проблема?» AI за секунды находит некорректный JOIN или забытое условие WHERE.

Результат. Отладка ускоряется в 3–5 раз, количество багов в продакшене снижается на 70%.

Кейс #4. AI как соавтор отчетов

Еще одно правило хорошего тона: «Делайте и проверяйте презентацию с AI, чтобы можно было объективно оценить качество контента». Например, аналитик провел исследование, нашел инсайты — теперь это нужно оформить. 

Наш подход

1. Аналитик готовит данные и ключевые выводы.

2. AI генерирует структуру и черновик отчета.

3. Аналитик дорабатывает, добавляет контекст и глубину.

4. Финальный AI-прогон проверяет понятность и воспринимаемость результатов на целевой аудитории.

3 часа работы теперь сократились до часа, а качество выросло: AI не забывает важные детали, следит за логикой и понятностью изложения

Эти четыре решения уже значительно облегчили нам работу, но мы не собираемся останавливаться на достигнутом.

Что планируем делать дальше

У нас уже есть несколько идей, которые находятся на этапе согласования на 2026 год:

• AI как инструмент для автоматической классификации и приоритизации задач. Мы хотим, чтобы AI анализировал входящие запросы и определял, можно ли их автоматизировать или для работы нужен человек, горит ли задача или может подождать, хватит существующих данных или нужны новые. Правильное распределение задач поможет повысить эффективность команд.

• AI-агент как помощник для каждого. Не просто ChatGPT, а модель, которая знает структуру и процессы компании, историю задач сотрудников, архитектуру данных и контекст текущих проектов. Так опыт команды будет накапливаться быстрее, а знания не будут теряться.

• AI как ментор для новичков. Новый сотрудник может не стесняться и задавать любые вопросы AI-ментору столько раз, сколько нужно, — никто не осудит. AI расскажет о специфике компании, объяснит и раздаст задачи, проверит результаты. Онбордер также всегда доступен, но его основная задача — это лишь периодически контролировать прогресс.

• AI как генератор неочевидных инсайтов. AI будет на регулярной основе анализировать данные, еженедельно выдавать тренды и предлагать гипотезы: «Клиенты, регистрирующиеся по вторникам, на 20% лояльнее — стоит исследовать» или «Есть корреляция между переменной X и retention — может, продвигать активнее?». Часть гипотез, конечно, окажется шумом, но часть — настоящими открытиями. А валидировать гипотезы в любом случае проще, чем искать их с нуля.

Что делать компаниям сейчас

Но я здесь не только для того, чтобы рассказать о трендах и практических кейсах. У меня есть несколько рекомендаций как для руководителей, так и для аналитиков других компаний.

Руководителям

1. Не ждите идеального момента для внедрения AI. Он не подвернется. Декомпозируйте процессы, внедряйте лучшие практики, двигайтесь шаг за шагом.

2. Инвестируйте в обучение команды. Люди со знанием AI — это ваше главное преимущество.

3. Создавайте культуру экспериментов. Как только внедрили AI, не бойтесь придумывать разные сценарии использования. Лучше попробовать и откатить всё назад, чем долго планировать и не начать. 

Аналитикам

1. Осваивайте AI-инструменты уже СЕЙЧАС. И посмотрите через год, сколько времени с ними вы сэкономите и куда это вас приведет.

2. Развивайте продуктовое мышление. Думайте о данных как о продукте, а о стейкхолдерах как о клиентах.

3. Прокачивайте коммуникацию. Умение объяснить сложное простым языком станет одним из ключевых навыков.

4. Развивайте компетенцию data governance. Понимание, что можно доверить AI, а что нет, становится отдельной компетенцией.

Вместо вывода

Мы стоим на пороге новой эры. AI не заменит аналитиков. Но аналитики, использующие AI, заменят тех, кто его не использует.

Инструменты меняются, а принципы остаются. Критическое мышление, понимание бизнеса, умение видеть за цифрами людей и процессы — это то, что делает нас незаменимыми, то, что AI делать неспособен.

Используйте AI как усилитель своего интеллекта. Становитесь архитектором решений, а не исполнителем задач.

Как у вас дела с AI? Используете в работе — видна ли положительная динамика? Процессы пошли быстрее или, наоборот, больше времени тратите на то, чтобы договориться с «бездушной машиной»? Давайте обсуждать в комментариях.