Garage Eight: como AI está mudando o trabalho dos analistas e por que as posições júnior estão desaparecendo

O analista da Garage Eight, Vladimir Syropiatov, descreveu seis tendências de IA que já estão mudando o trabalho diário com dados. Sua tese principal soa severa: redes neurais não eliminam a profissão, mas rapidamente desvalorizam a rotina e elevam a barreira de entrada.

Quem a IA substituirá

Segundo o autor, analistas juniores sentem a maior pressão da IA. Trabalho que há pouco era considerado tarefa normal de entrada—requisições ad hoc, dashboards simples, relatórios rascunhados, depuração básica de SQL e Python—agora frequentemente é feito em minutos com ajuda de um modelo. Empresas continuam contratando analistas, mas cada vez menos buscam executores de tarefas rotineiras e cada vez mais especialistas que saibam dar ao modelo o contexto certo, verificar o resultado e conectá-lo à decisão de negócio. A fórmula que o autor propõe é simples: um analista sênior com IA substitui vários juniores.

• posições típicas de junior atreladas à rotina estão desaparecendo;
• gerentes cobrem eles mesmos parte das questões analíticas através de IA;
• formulações vagas cedem lugar a prompts claros e especificações;
• treinamento se desloca da sintaxe para lógica, validação e trabalho com LLM;
• cresce a demanda por papéis híbridos na intersecção de análise, domínio e IA.

O autor vê um efeito separado na redistribuição de valor. Ferramentas baratas de IA dão a pequenas e médias empresas acesso a capacidades que antes eram apenas de grandes equipes com recursos analíticos dedicados. Nesse cenário, o analista é necessário não como alguém que simplesmente "puxa números", mas como arquiteto de soluções: explicando limitações dos dados, reunindo contexto, verificando o resultado do modelo e garantindo que uma resposta rápida da máquina não se torne um erro de negócio caro.

Garage Eight na prática

Para mostrar que não é apenas teoria, a Garage Eight descreve vários casos internos. Para trabalhar com dados sensíveis, a equipe testa modelos locais, incluindo DeepSeek-R1 14B, para que gerentes e analistas possam obter sugestões SQL e analisar causas de queda de conversão sem risco de vazamento. Segundo o autor, nesse cenário, a velocidade de obtenção de insights aumentou 32 vezes, e funcionários passaram a entender melhor a origem das próprias métricas porque começaram a trabalhar com elas diretamente, em vez de apenas através de filas de requisições aos analistas.

Três outras aplicações parecem igualmente pragmáticas: IA extrai resumos de reuniões, valida código antes do deploy e ajuda a compilar rascunhos de relatórios e apresentações. O artigo afirma que a validação por IA acelera a busca de erros 3–5 vezes e reduz bugs em produção em 70%, enquanto a preparação de relatórios cai de aproximadamente três horas para uma. Dentro da empresa, isso já se formalizou em um conjunto de boas práticas: passar código através de uma LLM local e revisar apresentações junto com IA antes de mostrar para a audiência.

"IA não substituirá analistas.

Mas analistas que usam IA substituirão aqueles que não usam."

Como se preparar agora

Dessas observações, o autor tira duas conclusões práticas. Para gerentes, o conselho é simples: não esperar o momento perfeito, mas quebrar processos em partes e implementar IA gradualmente. Em paralelo, é preciso treinar a equipe, negociar com segurança e compliance e criar um ambiente onde se possa testar rapidamente uma hipótese, em vez de passar semanas alinhando um piloto. Na Garage Eight, já olham para priorização automática de tarefas, assistentes de IA pessoais, mentores de IA para iniciantes e buscas regulares por hipóteses não óbvias nos dados.

Para os próprios analistas, o plano também é claro. Aprender ferramentas precisa começar agora, mas não no nível "aperta botão—recebe resposta", mas no nível de verificação crítica, pensamento de produto e comunicação. Quanto mais rotina um modelo assume, mais valiosas se tornam habilidades de explicar coisas complexas de forma simples, enxergar o processo por trás dos números e entender onde confiar em IA e onde é preciso revisar duramente seu resultado. Caso contrário, o especialista arrisca competir não com um colega, mas com uma camada automatizada barata e muito rápida.

O que isso significa

O artigo da Garage Eight captura bem o deslocamento já visível em muitos data teams: IA não cancela análise, mas a move para cima na cadeia de valor. Ganharão especialistas que consigam combinar a velocidade do modelo com seu próprio entendimento de negócio, dados e riscos. Perderão os que continuarem vendendo ao mercado apenas rotina manual que redes neurais já aprenderam a fazer mais rápido, mais barato e com quase nenhuma fila de execução.