Garage Eight: como a IA muda o trabalho dos analistas e por que as vagas de júnior estão sumindo

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

Quem a IA vai substituir

Segundo o autor, os analistas juniores são os que mais sentem a pressão da IA. O que até pouco tempo era considerado um trabalho inicial normal - consultas ad hoc, dashboards simples, rascunhos de relatórios, depuração básica de SQL e Python - agora é feito cada vez mais em minutos com ajuda de um modelo. Por isso, as empresas continuam contratando analistas, mas procuram cada vez menos executores de tarefas rotineiras e cada vez mais especialistas capazes de dar ao modelo o contexto certo, checar o resultado e ligá-lo a uma decisão de negócio. A fórmula do autor é simples: um pleno com IA substitui vários juniores de uma vez.

• somem as vagas típicas de júnior baseadas em rotina;
• gestores resolvem sozinhos parte das dúvidas analíticas por meio da IA;
• formulações vagas dão lugar a prompts e especificações claras;
• o aprendizado migra da sintaxe para a lógica, a validação e o trabalho com LLMs;
• cresce a demanda por papéis híbridos na interseção entre análise, domínio de negócio e IA.

O autor enxerga um efeito à parte na redistribuição de valor. Ferramentas de IA baratas dão a pequenas e médias empresas acesso a capacidades que antes eram exclusivas de grandes equipes com recursos analíticos próprios. Nesse arranjo, o analista não é necessário como alguém que apenas «puxa os números», mas como arquiteto de soluções: ele explica as limitações dos dados, reúne o contexto, verifica a resposta do modelo e garante que uma resposta rápida da máquina não vire um erro de negócio caro.

A prática da Garage Eight

Para mostrar que não se trata de teoria, a Garage Eight descreve alguns casos internos. Para trabalhar com dados sensíveis, a equipe testa modelos locais, incluindo o DeepSeek-R1 14B, para que gestores e analistas possam receber sugestões de SQL e investigar as causas da queda na conversão sem risco de vazamento. Segundo o autor, nesse cenário a velocidade para obter insights aumentou 32 vezes, e os funcionários passaram a entender melhor a origem das próprias métricas, porque começaram a trabalhar com elas diretamente, e não só por meio de uma fila de pedidos aos analistas.

Outros três usos parecem igualmente pragmáticos: a IA faz resumos de reuniões, revisa o código antes do deploy e ajuda a montar rascunhos de relatórios e apresentações. O artigo afirma que a validação por IA acelera a detecção de erros de 3 a 5 vezes e reduz em 70% o número de bugs em produção, e que a preparação de relatórios cai de cerca de três horas para uma. Dentro da empresa, isso já virou um conjunto de boas práticas: passar o código por um LLM local e revisar as apresentações com IA antes de mostrá-las ao público.

«A IA não vai substituir os analistas.

Mas os analistas que usam IA vão substituir os que não usam».

Como se preparar agora

Dessas observações, o autor tira duas conclusões práticas. Para os gestores, o conselho é simples: não esperar o momento perfeito, mas dividir os processos em partes e implementar a IA por etapas. Em paralelo, é preciso treinar a equipe, alinhar-se com segurança e compliance e criar um ambiente em que se possa testar uma hipótese rapidamente, em vez de passar semanas aprovando um piloto. A Garage Eight já olha para a priorização automática de tarefas, assistentes pessoais de IA, mentores de IA para iniciantes e a busca regular por hipóteses não óbvias nos dados.

Para os próprios analistas, o plano também é claro. É preciso dominar as ferramentas já, mas não no nível de «apertei o botão - recebi a resposta», e sim no da verificação crítica, do raciocínio de produto e da comunicação. Quanto mais rotina o modelo assume, mais valiosas se tornam as habilidades de explicar o complexo com palavras simples, enxergar o processo por trás dos números e entender onde dá para confiar na IA e onde o resultado precisa ser rigorosamente reverificado. Caso contrário, o profissional corre o risco de competir não com um colega, mas com uma camada automatizada barata e muito rápida.

O que isso significa

O artigo da Garage Eight capta bem uma mudança que já aparece em muitos times de dados: a IA não acaba com a análise, ela a empurra para cima na cadeia de valor. Vão ganhar os especialistas que souberem combinar a velocidade do modelo com a compreensão própria do negócio, dos dados e dos riscos. Vão perder os que continuarem vendendo ao mercado apenas rotina manual, que a rede neural já aprendeu a fazer mais rápido, mais barato e quase sem fila de execução.