Garage Eight: how AI is changing the work of analysts and why junior positions are disappearing

Аналитик Garage Eight Владимир Сыропятов описал шесть AI-трендов, которые уже меняют повседневную работу с данными. Его главный тезис звучит жёстко: нейросети не убирают профессию, но быстро обесценивают рутину и поднимают планку входа.

Кого заменит AI По версии автора, сильнее всего давление AI чувствуют джун-аналитики.

То, что ещё недавно считалось нормальной стартовой работой - ad hoc-запросы, простые дашборды, черновые отчёты, базовая отладка SQL и Python, - теперь всё чаще делается за минуты с помощью модели. Поэтому компании продолжают нанимать аналитиков, но всё меньше ищут исполнителей на рутинные задачи и всё больше - специалистов, которые умеют задать модели правильный контекст, проверить результат и связать его с бизнес-решением. Формула, которую предлагает автор, проста: один мидл с AI заменяет сразу несколько джунов.

исчезают типовые джун-позиции, завязанные на рутину; менеджеры сами закрывают часть аналитических вопросов через AI; размытые формулировки уступают место чётким промптам и ТЗ; обучение смещается от синтаксиса к логике, валидации и работе с LLM; * растёт спрос на гибридные роли на стыке аналитики, домена и AI. Отдельный эффект автор видит в перераспределении ценности. Дешёвые AI-инструменты дают малому и среднему бизнесу доступ к возможностям, которые раньше были только у крупных команд с отдельными аналитическими ресурсами.

В такой схеме аналитик нужен не как человек, который просто «достаёт цифры», а как архитектор решений: он объясняет ограничения данных, собирает контекст, проверяет вывод модели и отвечает за то, чтобы быстрый машинный ответ не превратился в дорогую бизнес-ошибку.

Практика

Garage Eight Чтобы показать, что речь не о теории, Garage Eight описывает несколько внутренних кейсов. Для работы с чувствительными данными команда тестирует локальные модели, включая DeepSeek-R1 14B, чтобы менеджеры и аналитики могли получать SQL-подсказки и разбирать причины падения конверсии без риска утечки. По словам автора, в таком сценарии скорость получения инсайтов выросла в 32 раза, а сотрудники стали лучше понимать происхождение самих метрик, потому что начали работать с ними напрямую, а не только через очередь запросов к аналитикам.

Ещё три применения выглядят не менее прагматично: AI делает выжимки встреч, проверяет код перед выкладкой и помогает собирать черновики отчётов и презентаций. В статье утверждается, что AI-валидация ускоряет поиск ошибок в 3-5 раз и снижает число багов в продакшене на 70%, а подготовка отчётов сокращается примерно с трёх часов до одного. Внутри компании это уже оформилось в набор правил хорошего тона: прогонять код через локальную LLM и проверять презентации вместе с AI перед показом аудитории.

«AI не заменит аналитиков.

Но аналитики, использующие AI, заменят тех, кто его не использует».

Как готовиться сейчас Из этих наблюдений автор делает два практических вывода.

Для руководителей совет простой: не ждать идеального момента, а раскладывать процессы на части и внедрять AI поэтапно. Параллельно нужно учить команду, договариваться с безопасностью и комплаенсом и создавать среду, где можно быстро проверить гипотезу, а не неделями согласовывать пилот. В Garage Eight уже смотрят в сторону автоматической приоритизации задач, персональных AI-помощников, AI-менторов для новичков и регулярного поиска неочевидных гипотез в данных.

Для самих аналитиков план тоже понятен. Осваивать инструменты нужно уже сейчас, но не на уровне «нажал кнопку - получил ответ», а на уровне критической проверки, продуктового мышления и коммуникации. Чем больше рутины берёт на себя модель, тем ценнее становятся навыки объяснить сложное простыми словами, увидеть за цифрами процесс и понять, где AI можно доверять, а где его вывод нужно жёстко перепроверять.

Иначе специалист рискует конкурировать не с коллегой, а с дешёвым и очень быстрым автоматизированным слоем.

Что это значит

Статья Garage Eight хорошо фиксирует сдвиг, который уже виден во многих data-командах: AI не отменяет аналитику, а передвигает её вверх по цепочке ценности. Выигрывать будут специалисты, которые умеют сочетать скорость модели с собственным пониманием бизнеса, данных и рисков. Проигрывать - те, кто продолжит продавать рынку только ручную рутину, которую нейросеть уже научилась делать быстрее, дешевле и почти без очереди на исполнение.