Последний год я наблюдаю, как искусственный интеллект меняет работу аналитиков — не в теории, а на практике. В этой статье — шесть трендов, которые уже трансформируют профессию, и реальные кейсы о том, как выжить и стать сильнее в эпоху AI.

Парадокс, с которого всё начинается

Аналитики всё чаще используют AI для генерации кода на SQL и Python: ИИ пишет запросы за секунды и строит дашборды по одному описанию. Но при этом мы до сих пор не можем доверять ему на 100%, особенно с критически важными данными.

Почему же продолжаем использовать? Потому что знаем, как правильно им пользоваться.

Суть в том, что AI не заменяет экспертизу — он её усиливает. Но только у тех, кто понимает, что делает.

Цифры говорят сами за себя. В 2024 году 72% компаний уже используют AI в своих процессах, а 92% планируют инвестировать в него в ближайшие три года. Для сравнения: в 2017-м AI использовали лишь 20%.

На основе анализа отчётов и практики я выделил шесть ключевых трендов, которые меняют аналитику.

Тренды, которые меняют аналитику

Некоторые из них уже происходят, другие проявятся в ближайшие 3–4 года. Начнём с самых актуальных.

#1. Исчезает джун-аналитик

Жёсткая, но реальная тенденция: роль джуна, который пишет адхок-запросы и строит простые отчёты, стремительно уходит.

Ещё пять лет назад это была нормальная стартовая позиция. К 2026 году AI берёт на себя до 80% этой работы — генерирует код, строит графики, создаёт отчёты за минуты.

Компании по-прежнему нанимают аналитиков, но уже не джунов, а мидлов, которые умеют работать с AI: писать эффективные промпты, валидировать результаты, понимать ограничения моделей и, главное, добавлять контекст, стратегию и глубокий анализ.

Формула стала простой: 1 мидл + AI = 3 джуна.

Для начинающих специалистов это вызов, но и возможность. Теперь вместо рутины — стратегия. Вместо «нарисуй график» — «помоги принять решение».

#2. Менеджеры становятся квазианалитиками

Теперь менеджеры могут сами решать многие аналитические задачи, что повышает общий уровень экспертизы в компании.

Пример: менеджер по продажам хочет понять, почему падает конверсия. Раньше он шёл к аналитику, ждал неделю. Сейчас он открывает AI, описывает проблему, получает SQL-запрос, запускает его и видит результат — за 30 минут.

Это не делает аналитика ненужным. Напротив, его роль поднимается выше. Теперь он — архитектор: создаёт фреймворки, обучает коллег, валидирует данные и разрабатывает стратегию.

AI освобождает от рутины — наконец появляется время для настоящей аналитики.

#3. Заканчивается эра «сделай красиво»

AI не работает с размытыми запросами вроде «сделай красиво» или «как в прошлый раз, только по-другому». Чтобы получить хороший результат, нужно чёткое ТЗ.

Теперь менеджеры учатся формулировать задачи структурированно, а аналитики — объяснять инсайты простым языком.

AI не делает скидок на статус. Ему нужен понятный промпт — и всё. Это постепенно превращает хаос в бизнес-коммуникации в чёткие инструкции.

#4. Революция в образовании

Через 3–5 лет обучение в аналитике и IT кардинально изменится.

Новая обязательная база:

• Python — как язык интеграции и отладки AI;
• Machine Learning — понимание, как работают модели;
• Работа с LLM — настройка, использование, валидация.

Акцент сместится с «я умею писать код» на «я умею управлять AI, который пишет код».

SQL, R и другие языки — теперь учат логике, а не синтаксису. Появятся новые дисциплины: «Работа с AI», «Промпт-инжиниринг», «Валидация галлюцинаций», «Границы доверия».

Компании, которые первыми внедрят такие программы, получат серьёзное конкурентное преимущество.

#5. Рождаются новые специализации

Уже появляются роли, которых пять лет назад не существовало:

• Fraud AI Specialist — выявление мошенничества с помощью AI;
• AI Customer Journey Architect — проектирование клиентского пути через AI;
• Revenue Intelligence Engineer — превращение данных о доходах в стратегию;
• Ethical Data Guardian — контроль за этичным использованием данных.

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

Компании, которые первыми создадут и встроят такие позиции, получат преимущество. Пока другие будут искать кадры, первопроходцы уже будут работать и получать результаты.

#6. Перераспределяется ценность

AI добавит к мировой экономике 15,7 трлн долларов к 2030 году — 13% от всего объёма. И впервые эта ценность пойдёт не только корпорациям, но и малому бизнесу.

Сегодня за 20 долларов в месяц доступны инструменты, которые пять лет назад стоили тысячи. Это меняет расстановку сил.

Человек + AI = целое агентство 2020 года
Блогер + AI = медиакомпания
Аналитик + AI = консалтинговое бюро
Дизайнер + AI = креативная студия

Специалисты, освоившие AI, начинают создавать инструменты и сервисы для других. Это итеративный экспоненциальный рост: чем больше людей вовлечено — тем больше инноваций, доступных инструментов и создаваемой ценности.

Все эти тренды — не угроза, а окно возможностей для тех, кто готов их использовать.

Как AI-тренды влияют на работу реальных компаний

В нашей компании мы не ждём, пока «всё устаканится» — мы экспериментируем уже сейчас. У нас есть внутреннее AI-комьюнити, где сотрудники делятся опытом и вырабатывают единые подходы. Основа — три принципа: безопасность, автономность и качество.

Вот четыре реальных кейса.

Кейс #1. Локальные LLM

Облачные AI вроде ChatGPT часто запрещены из-за рисков утечки данных. Наше решение — локальные модели, такие как DeepSeek-R1 14B.

Тестовая группа менеджеров и аналитиков использует их для анализа данных — безопасно и быстро.

Пример: анализ падения конверсии. Раньше — неделя ожиданий. Сейчас — 30 минут. Скорость выросла в 32 раза. Все данные остаются на устройстве — ноль рисков.

Результаты:

• Автономность — менеджеры решают задачи без аналитика;
• Освобождение от рутины — аналитики перестают считать метрики и начинают разбираться в причинах;
• Качество — результаты AI сравнимы с теми, что даёт аналитик, но быстрее.

Плюс: менеджеры стали лучше понимать данные, потому что работают с ними напрямую.

Кейс #2. AI-выжимки встреч

После каждой встречи, звонка или совещания мы получаем от AI структурированную выжимку:

• О чём говорили — кратко и подробно;
• Какие решения приняли;
• Кто что делает и к какому сроку.

Это не просто транскрипция — это рассказ о главном.

Планируем использовать эти данные для оценки полезности встреч. AI будет анализировать:

• Были ли поставлены задачи;
• Назначены ли ответственные;
• Была ли дискуссия или монолог.

И выставлять оценку: «Встреча была на 85% полезной» или «на 20% — почти ничего не решилось».

Так мы получим объективный инструмент для годовых ревью менеджеров — вместо «мне нравится» будут данные.

Кейс #3. AI-валидация кода

У нас появилось правило: «Перед деплоем кода в продакшен — прогони его через локальную LLM».

Было: аналитик час искал ошибку в странных числах. Возможно, не находил.

Стало: аналитик спрашивает у AI: «Вот запрос и результаты. Что не так?» ИИ за секунды находит некорректный JOIN или пропущенное условие WHERE.

Результат: отладка ускорилась в 3–5 раз, количество багов в продакшене снизилось на 70%.

Кейс #4. AI как соавтор отчётов

Ещё одно правило: «Проверяй презентацию с AI, чтобы оценить качество контента».

Наш подход:

1. Аналитик готовит данные и ключевые выводы;
2. AI генерирует структуру и черновик отчёта;
3. Аналитик дорабатывает, добавляет контекст и глубину;
4. Финальный прогон через AI проверяет понятность и логику для целевой аудитории.

Работа, которая раньше занимала 3 часа, теперь — 1. Качество выросло: AI не упускает детали, следит за логикой и ясностью изложения.

Эти четыре решения уже изменили нашу работу. Но мы не останавливаемся.

Что планируем делать дальше

На 2026 год у нас в планах:

• AI для классификации и приоритизации задач. Он будет анализировать запросы: можно ли их автоматизировать, горит ли задача, хватает ли данных. Это повысит эффективность распределения работы.
• AI-агент как персональный помощник. Не просто чат-бот, а модель, знающая структуру компании, историю задач, архитектуру данных и контекст проектов. Так знания не будут теряться, а опыт — накапливаться.
• AI как ментор для новичков. Новый сотрудник может задавать любые вопросы — сколько угодно раз. AI объяснит процессы, выдаст задачи, проверит результаты. Онбордер будет контролировать прогресс, но не отвлекать.
• AI как генератор неочевидных инсайтов. Каждую неделю — анализ данных, выявление трендов и гипотез: «Клиенты по вторникам на 20% лояльнее — стоит исследовать» или «Есть корреляция между X и retention — может, усилим продвижение?». Часть — шум, часть — открытия. Но валидировать проще, чем искать с нуля.

Что делать компаниям сейчас

Руководителям:

• Не ждите идеального момента. Декомпозируйте процессы и внедряйте шаг за шагом.
• Инвестируйте в обучение. Люди с навыками работы с AI — главное преимущество.
• Создавайте культуру экспериментов. Лучше попробовать и откатить, чем долго планировать и ничего не запустить.

Аналитикам:

• Осваивайте AI-инструменты уже сейчас. Через год вы оцените, сколько времени сэкономили и куда это вас привело.
• Развивайте продуктовое мышление. Воспринимайте данные как продукт, а стейкхолдеров — как клиентов.
• Прокачивайте коммуникацию. Умение объяснить сложное простым языком станет ключевым навыком.
• Развивайте data governance. Понимание, что можно и нельзя доверять AI, — отдельная компетенция.

Вместо вывода

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

Инструменты меняются, а принципы остаются. Критическое мышление, понимание бизнеса, умение видеть за цифрами людей и процессы — вот что делает нас незаменимыми. Этого AI не может.

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

Привет, Хабр! Я Владимир Сыропятов, Senior Analyst вGarage 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.

Обязательная база

✔️ Python (язык интеграции и отладки работы AI).

✔️ Machine Learning (как работают модели изнутри).

✔️ Работа с LLM (использование, настройка, валидация)

➕ Фокус на понимании, а не на написании.

➕ SQL, R, другие языки — учим ЛОГИКУ, а не синтаксис

«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.

Человек + AI = целое агентство 2020 года

Блогер + AI = медиакомпания

Аналитик + AI = консалтинговое бюро

Дизайнер + AI = креативная студия

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.

О чём была встреча — краткий и развернутый формат

Какие решения приняли

Какие задачи появились и кому их делать

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.