Как ИИ меняет профессию аналитика: какие навыки останутся востребованы

Как ИИ меняет профессию аналитика, вопрос, на который аналитик данных Rashi Desai отвечает прямо в колонке для Towards Data Science (14 июля 2026): профессия, на которую она подписалась пять лет назад, уже не существует, и это нормально. Её тезис не про «искусственный интеллект убьёт аналитику». ИИ обрушил барьеры к исполнению: написать SQL-запрос, собрать пайплайн, построить дашборд теперь может почти любой сотрудник с ИИ-агентом под рукой. Ценность специалиста уходит туда, где машина пока слаба: в суждение, контекст и умение превращать данные в решения.

Разберём, что меняется в работе аналитика данных, где остаётся место человеку и какие навыки учить прямо сейчас, чтобы, по выражению автора, «не быть съеденным».

«Профессии, на которую я училась, больше нет»

Desai пришла в аналитику в 2021 году. Тогда ей казалось, что главная ценность, это владение SQL, Python и умение собирать красивые дашборды. Довольно быстро выяснилось: настоящий навык совсем в другом. В том, чтобы перевести грязную, размытую бизнес-проблему в задачу на языке данных, а потом объяснить результат людям так, чтобы они приняли решение.

Когда в 2022 году появился ChatGPT, она сформулировала мысль, которую сама теперь считает всё более точной: ИИ переоценён в краткосрочной перспективе и недооценён в долгосрочной. Первый год все ждали чуда и разочаровывались. А спустя пару лет технология тихо переписала распределение работы внутри команд.

Что именно забирает ИИ: рутина запросов, дашбордов и отчётов

Написание запросов, построение графиков, сборка отчётов раньше были ядром работы аналитика, тем, за что платили. Сейчас это то, с чем справляется инструмент. И здесь Desai видит ловушку: если ты предлагаешь работодателю только это, ты тихо конкурируешь с инструментом вместо того, чтобы им пользоваться. Соревнование, в котором человек проигрывает по скорости и стоимости.

Разница между «просто ChatGPT» и агентной волной 2025-2026 годов серьёзная. ИИ-агент не отвечает текстом, как чат-бот. Он по запросу сам строит пайплайн данных, собирает дашборд, объединяет источники. Copilot, встроенный в Power BI и Excel, конкретный пример: аналитика переезжает к людям без технического бэкграунда.

Живой кейс: как scrum-мастер собрал дашборд без аналитика

Desai приводит пример с прошлой недели. Scrum-мастер её команды, человек без аналитической подготовки, с помощью Copilot самостоятельно объединил данные о поставке проектов с двух разных платформ, спроектировал пайплайн и собрал рабочий дашборд в Power BI. Пять лет назад одна только сборка такого дашборда заняла бы у обученного аналитика полдня.

Аналитика подключили позже, под автоматизацию процесса и улучшение сторителлинга, то есть подачи данных. Базовый слой работы человек сделал сам. Вот как размываются роли.

Размывание ролей: границы стираются

Когда «племенное знание», экспертиза, которая годами жила в головах сеньоров, документируется и передаётся ИИ, границы между должностями перестают быть жёсткими. Desai описывает это через конкретные сдвиги:

• дата-аналитик берёт на себя объём, который раньше был у дата-инженера;
• обычный software engineer сам интерпретирует результаты A/B-теста, задачу, которая прежде считалась зоной data scientist;
• человек без технического бэкграунда собирает дашборд, который раньше требовал обученного специалиста.

Отсюда её прогноз на пять лет: привычная линейная лестница «аналитик → сеньор → принципал» в нынешнем виде может исчезнуть. На смену придут гибридные роли на пересечении ИИ, бизнеса, аналитики и разработки. Какую точную форму они примут, не знает никто, и это честное признание, а не уклончивость.

Какие навыки аналитика останутся за человеком: суждение, контекст, влияние

Главная ставка Desai, суждение, которое ИИ пока плохо воспроизводит. То, что нельзя набрать в промпт и что требует опыта и здравого смысла. Суждение отличает человека, который пользуется инструментом, от человека, которого инструмент заменяет.

Она называет конкретные навыки, которые остаются за специалистом:

• распознать, когда ИИ «тихо врёт» и выдумывает несуществующие инсайты, галлюцинации моделей;
• заметить ошибку выжившего до того, как она повлияет на решение;
• держать границу между корреляцией и причинностью;
• ловить собственное предвзятое подтверждение, склонность видеть в данных то, что хочется увидеть;
• отличать наблюдение от настоящего инсайта;
• договориться о том, что вообще должна означать метрика, ещё до начала измерений.

Когнитивные ловушки, которые ИИ не видит

Этот блок самый практичный. Разберём когнитивные ловушки на бытовых примерах, потому что модель их не ловит, а решения принимаются на их основе.

Галлюцинации. Агент уверенно выдаёт вывод «продажи выросли из-за новой кампании», хотя в данных нет ни кампании, ни причинной связи. Текст звучит гладко, и в этом опасность. Проверять источник цифры приходится человеку.

Ошибка выжившего. Классика: анализ только тех клиентов, что остались, без тех, кто ушёл. Модель радостно опишет «портрет лояльного пользователя», не заметив, что половина выборки просто выпала.

Корреляция против причинности. Продажи мороженого и число утоплений растут вместе. Причина в жаре, а не в связи между ними. ИИ найдёт корреляцию за секунду, но объяснить, что это ложная связь, должен аналитик.

Предвзятое подтверждение. Если менеджер хочет доказать, что фича успешна, легко подобрать срез данных, который это «докажет». Задача человека, задать неудобный вопрос до, а не после решения.

Данные и приватность: обратная сторона доверия ИИ

Есть тема, которую эссе поднимает косвенно, но для практики она критична. Когда аналитику скармливают корпоративные данные во внешние ИИ-сервисы, встаёт вопрос: куда эти данные уходят и как их защитить. Промпт с выгрузкой клиентской базы или финансовых показателей уже не удобство, а потенциальная утечка. Прежде чем автоматизировать пайплайн через облачный агент, разберитесь, где проходит граница между рабочим инструментом и передачей чувствительной информации третьей стороне.

Кому важен приватный и безопасный доступ к сервисам и защита данных, у Sigma есть бот с VPN и VPS.

Какие навыки аналитика учить прямо сейчас

Готового чек-листа профессии будущего Desai не даёт, но из её подхода складывается понятный набор направлений для аналитика данных в эпоху автоматизации. Собрали их в таблицу.

Свою стратегию Desai описывает так: перестала считать написание запросов и графиков всей своей ценностью; растит себя на пересечении бизнес-знания, аналитического суждения и дизайна ИИ-систем; разбирается, как реально работают агенты, как они рассуждают и как для них структурировать контекст. По её оценке, скоро это будет не «плюсом в резюме», а базой в наборе любого аналитика.

Частые вопросы

Заменит ли ИИ аналитиков полностью?

По логике источника, нет. ИИ забирает исполнение (запросы, дашборды, отчёты), но не суждение, контекст и ответственность за решение. Проиграют те, кто предлагает только техническую рутину.

Стоит ли новичку идти в аналитику в 2026 году?

Идти стоит, но с другим фокусом. Учиться не только SQL и Python, а бизнес-мышлению, работе с ИИ-агентами и умению отлавливать когнитивные ловушки, которые модель не видит.

Что такое ИИ-агент простыми словами?

Не чат-бот, отвечающий текстом, а инструмент, который по запросу сам выполняет цепочку действий: объединяет источники данных, строит пайплайн, собирает дашборд. Пример, Copilot внутри Power BI и Excel.

Почему размываются границы между ролями?

Потому что экспертиза, годами жившая в головах сеньоров, теперь документируется и передаётся ИИ. В результате software engineer интерпретирует A/B-тест, а аналитик берёт на себя работу инженера.

Источники

Towards Data Science, эссе Rashi Desai о том, как не дать ИИ «съесть» карьеру аналитика