Искусственный интеллект уже умеет писать SQL-запросы, анализировать данные, искать аномалии и предлагать гипотезы. А AI-агенты идут дальше: получают доступ к рабочим системам и самостоятельно выполняют цепочки действий — иногда настолько самостоятельно, что последствия приходится исправлять человеку.
Что это значит для продуктового аналитика? Если значительную часть работы можно передать машине, останется ли сама профессия через пять лет или, наоборот, хороший аналитик станет ценнее?
Автор курсов Продуктовая аналитика: Навигатор разбирает, какие задачи ИИ уже забирает у аналитиков, где автоматизация упирается в ответственность и экспертизу и какой специалист будет востребован в мире AI-агентов.
Когда-то появление станков не уничтожило ручной труд — оно сделало его штучным и дорогим. Когда компьютер обыграл Каспарова в шахматы, люди не перестали играть, а просто перестали соревноваться с машинами в скорости перебора вариантов.
Сегодня с ИИ происходит примерно то же самое. Страхи, что «ИИ заменит аналитиков», во многом возникают из-за непонимания разницы между исполнительской и стратегической ролью специалиста.
Продуктовая аналитика как специальность сформировалась в начале 2010-х, когда обработка больших данных стала реальностью. В 2008 году, когда я закончил университет, никто ещё не слышал о продуктовых аналитиках, а Python оставался нишевым языком. Сейчас продуктовая аналитика стала важной частью IT-индустрии. И через пять лет продуктовый аналитик, скорее всего, не исчезнет, но его работа сильно изменится — как когда-то изменилась работа бухгалтера с появлением калькуляторов и 1С.
Чтобы понять, к чему приведут эти изменения, нужно посмотреть и на проблемы, которые приносит ИИ. Я бы разделил их на два класса: технические — решаемые, но требующие высокой квалификации — и экзистенциальные, которые нельзя устранить полностью, но можно учитывать и контролировать.
Раньше значительная часть времени продуктового аналитика уходила на рутинные задачи:
Сегодня RAG-агенты, подключённые к DWH и Confluence, могут за несколько секунд написать многоуровневый CTE, найти аномалии, предложить гипотезы и даже подобрать срезы для A/B-тестов.
Но есть задачи, которые по-прежнему остаются за человеком:
Понимание процессов, архитектуры БД, бизнес-логики и контекста продукта по-прежнему требуется от человека. ИИ ускоряет выполнение задач, но не заменяет экспертизу.
Сегодня с ИИ происходит примерно то же самое. Страхи, что «ИИ заменит аналитиков», во многом возникают из-за непонимания разницы между исполнительской и стратегической ролью специалиста.
Продуктовая аналитика как специальность сформировалась в начале 2010-х, когда обработка больших данных стала реальностью. В 2008 году, когда я закончил университет, никто ещё не слышал о продуктовых аналитиках, а Python оставался нишевым языком. Сейчас продуктовая аналитика стала важной частью IT-индустрии. И через пять лет продуктовый аналитик, скорее всего, не исчезнет, но его работа сильно изменится — как когда-то изменилась работа бухгалтера с появлением калькуляторов и 1С.
Чтобы понять, к чему приведут эти изменения, нужно посмотреть и на проблемы, которые приносит ИИ. Я бы разделил их на два класса: технические — решаемые, но требующие высокой квалификации — и экзистенциальные, которые нельзя устранить полностью, но можно учитывать и контролировать.
Раньше значительная часть времени продуктового аналитика уходила на рутинные задачи:
- написание сложных SQL-запросов;
- написание Python-скриптов для обработки данных;
- отрисовку дашбордов;
- подготовку водопадов и воронок в Excel;
- формирование еженедельных отчётов.
Сегодня RAG-агенты, подключённые к DWH и Confluence, могут за несколько секунд написать многоуровневый CTE, найти аномалии, предложить гипотезы и даже подобрать срезы для A/B-тестов.
Но есть задачи, которые по-прежнему остаются за человеком:
- Ревью кода. Если агент собрал данные с ошибкой, отвечать за результат будет специалист.
- Ответственность за результат. ИИ не подпишет релиз и не пойдёт к руководителю объяснять, почему цифры разошлись с прогнозом.
Понимание процессов, архитектуры БД, бизнес-логики и контекста продукта по-прежнему требуется от человека. ИИ ускоряет выполнение задач, но не заменяет экспертизу.
Технические проблемы
1. Доступы и внезапные обрывы контекста
Настроили агента, дали ему промпт. Он ушёл в расчёт на терабайтах данных. Через три часа сообщает, что нет доступа к таблице X. Человек заметил бы это через минуту размышлений, агент — через 100 тысяч токенов. Время потеряно, приходится бежать оформлять доступы.
2. Неправильные джойны
Агент смерджил несколько таблиц лоб в лоб. Получил 200 млн промежуточных строк, сжёг кластер на $200 и выдал цифры, завышенные в три раза.
3. Ошибки в логике
Агент применил TO_DATE() к партиционному полю в WHERE. Кластер просканировал все партиции за несколько лет вместо нужного месяца. Запрос работал шесть часов.
4. Округления и потеря точности
Агент суммирует DOUBLE PRECISION либо производит округление там, где его об этом не просят, и получает погрешность в сотни тысяч на миллиардных оборотах.
5. Временные зоны
Агент группирует покупки по UTC, а не по локальному времени пользователя. Когортный анализ ломается, удержание падает на 3% без объективных причин.
Что имеем в итоге
Все эти проблемы решаемы. Но их решение требует от аналитика уже не просто знания SQL, а понимания физики данных, устройства кластеров, типов данных и бизнес-контекста. ИИ берёт на себя исполнение, но проектирование правил остаётся за человеком.
Настроили агента, дали ему промпт. Он ушёл в расчёт на терабайтах данных. Через три часа сообщает, что нет доступа к таблице X. Человек заметил бы это через минуту размышлений, агент — через 100 тысяч токенов. Время потеряно, приходится бежать оформлять доступы.
2. Неправильные джойны
Агент смерджил несколько таблиц лоб в лоб. Получил 200 млн промежуточных строк, сжёг кластер на $200 и выдал цифры, завышенные в три раза.
3. Ошибки в логике
Агент применил TO_DATE() к партиционному полю в WHERE. Кластер просканировал все партиции за несколько лет вместо нужного месяца. Запрос работал шесть часов.
4. Округления и потеря точности
Агент суммирует DOUBLE PRECISION либо производит округление там, где его об этом не просят, и получает погрешность в сотни тысяч на миллиардных оборотах.
5. Временные зоны
Агент группирует покупки по UTC, а не по локальному времени пользователя. Когортный анализ ломается, удержание падает на 3% без объективных причин.
Что имеем в итоге
Все эти проблемы решаемы. Но их решение требует от аналитика уже не просто знания SQL, а понимания физики данных, устройства кластеров, типов данных и бизнес-контекста. ИИ берёт на себя исполнение, но проектирование правил остаётся за человеком.
Экзистенциальные проблемы
Технические баги можно починить, но есть проблемы, которые с помощью настроек не решить.
1. Потеря интуиции
Раньше аналитик крутил данные в Excel, сводил вручную, видел каждую строку. Теперь агент выдаёт готовый дашборд. Через полгода специалист перестаёт интуитивно ощущать масштаб. 10 500 и 100 500 для него теперь просто цифры с экрана. Приходит момент, когда агент выдаёт аномалию, а человек её не замечает, потому что потерял связь с сырыми данными.
Как говорил один из моих учителей: «Чтобы принимать хорошие решения по данным, ты должен с ними срастись». Если не работать с данными напрямую, не жонглировать ими ежедневно, то ты ими уже и не владеешь в полной мере.
2. AI-услужливость
Агент запрограммирован быть полезным. Если продакт просит: «Пересчитай, но убери Волго-Уральский регион», агент послушно пересчитает, получит p-hacking, покажет значимость и скажет, что можно катить. Живой аналитик сказал бы о подгонке гипотезы постфактум.
Агент соглашается и делает всё, что его попросят. Его нельзя сделать строгим аудитором, потому что тогда он перестанет быть помощником и станет протокольной машиной, которую успешно запрограммировали ещё в прошлом веке. Золотая середина недостижима.
3. Деградация критического мышления
Когда агент 100 раз дал правильный ответ, люди перестают его проверять. Проходит полгода, структура БД меняется, агент начинает тихо галлюцинировать, но никто уже не смотрит в сырые данные. Отчёт принимают, катят фичу — и получают провал.
Нужно развивать критическое мышление, перестать воспринимать LLM как чёрный ящик, который всегда даёт правильные ответы. Но для этого приходится замедлять процессы, на что бизнес не всегда готов, особенно когда уже взял бешеный темп.
4. Информационный шум
В условиях ограниченных ресурсов приходилось расставлять приоритеты. Теперь агент отвечает на 50 вопросов в минуту. Продакты находят две случайные корреляции среди сотни параметров и начинают требовать изменений. Всё это накладывается на потерю связи с данными. Инсайтов стало больше, а качество решений хуже.
1. Потеря интуиции
Раньше аналитик крутил данные в Excel, сводил вручную, видел каждую строку. Теперь агент выдаёт готовый дашборд. Через полгода специалист перестаёт интуитивно ощущать масштаб. 10 500 и 100 500 для него теперь просто цифры с экрана. Приходит момент, когда агент выдаёт аномалию, а человек её не замечает, потому что потерял связь с сырыми данными.
Как говорил один из моих учителей: «Чтобы принимать хорошие решения по данным, ты должен с ними срастись». Если не работать с данными напрямую, не жонглировать ими ежедневно, то ты ими уже и не владеешь в полной мере.
2. AI-услужливость
Агент запрограммирован быть полезным. Если продакт просит: «Пересчитай, но убери Волго-Уральский регион», агент послушно пересчитает, получит p-hacking, покажет значимость и скажет, что можно катить. Живой аналитик сказал бы о подгонке гипотезы постфактум.
Агент соглашается и делает всё, что его попросят. Его нельзя сделать строгим аудитором, потому что тогда он перестанет быть помощником и станет протокольной машиной, которую успешно запрограммировали ещё в прошлом веке. Золотая середина недостижима.
3. Деградация критического мышления
Когда агент 100 раз дал правильный ответ, люди перестают его проверять. Проходит полгода, структура БД меняется, агент начинает тихо галлюцинировать, но никто уже не смотрит в сырые данные. Отчёт принимают, катят фичу — и получают провал.
Нужно развивать критическое мышление, перестать воспринимать LLM как чёрный ящик, который всегда даёт правильные ответы. Но для этого приходится замедлять процессы, на что бизнес не всегда готов, особенно когда уже взял бешеный темп.
4. Информационный шум
В условиях ограниченных ресурсов приходилось расставлять приоритеты. Теперь агент отвечает на 50 вопросов в минуту. Продакты находят две случайные корреляции среди сотни параметров и начинают требовать изменений. Всё это накладывается на потерю связи с данными. Инсайтов стало больше, а качество решений хуже.
Что нас ждёт
Я считаю, что продуктовая аналитика будет меняться постепенно, а скорость этих изменений сильно переоценена маркетологами и ИИ-адептами.
Почему внедрение ИИ идёт медленно:
А теперь попробуем заглянуть в будущее:
Почему внедрение ИИ идёт медленно:
- Невыгодно. Инфраструктура для зрелых RAG-агентов стоит дороже, чем зарплата двух аналитиков-мидлов для многих компаний.
- Сложно. Чтобы агент не галлюцинировал, нужны семантический слой, валидаторы, EXPLAIN-стражи, версионирование метрик. Это месяцы работы дата-инженеров и программистов.
- Рискованно. Ошибка агента стоит дороже ошибки джуна, потому что агент ошибается масштабно, незаметно и внезапно.
А теперь попробуем заглянуть в будущее:
- ИИ-агенты войдут в процессы как супер-джуны. Они будут писать черновики запросов, визуализировать данные, но финальное ревью и интерпретация останутся за человеком.
- Требования к аналитикам вырастут. Знания SQL, Python и особенно матстата останутся обязательными, но добавятся навыки промпт-инжиниринга, проектирования семантических слоёв и валидации агентских выводов.
- Профессия расслоится. На месте одной профессии появятся две: аналитик-оператор — управляет роем агентов, формулирует задачи, проверяет результаты; аналитик-архитектор — проектирует правила, семантику и валидаторы, пишет скелет для агентов.
- Появится культура работы с ИИ-инструментами. Самые зрелые компании введут «день без ИИ» — один день в неделю, когда ключевые метрики считаются вручную, чтобы не потерять чувство данных. В таких компаниях появится некий «наблюдательный совет», который будет работать исключительно собственным интеллектом, следя за тем, чтобы ИИ не завёл компанию куда-то не туда.
ИИ не убьёт, а переделает профессию
Продуктовый аналитик никуда не исчезнет. Но его роль сместится:
Страхи, что «нас заменят», — это страх людей, которые не хотят меняться. Те, кто освоит новые инструменты и поймёт границы ИИ, станут незаменимыми.
- с исполнителя («написал запрос, сделал дашборд») — на архитектора и валидатора («спроектировал правила для агента, проверил его выводы, принял ответственность»);
- с исполнителя («ручки на ножках») — на стратега, который управляет роем агентов и интерпретирует их результаты в бизнес-контексте.
Страхи, что «нас заменят», — это страх людей, которые не хотят меняться. Те, кто освоит новые инструменты и поймёт границы ИИ, станут незаменимыми.
Те, кто сейчас не хотят идти в ногу со временем или, наоборот, излишне полагаются на ИИ, останутся без работы. Но не потому, что их заменит машина, а потому, что их заменят коллеги, которые умеют с этой машиной работать.
