Что AI уже забрал у аналитика (и это нормально)
Каждый аналитик тратит часы на вещи, которые не требуют думать. Вытянуть SQL-запрос, почистить данные от дубликатов, собрать таблицу в нужный формат, нарисовать стандартный график. По разным оценкам, 30-40% работы аналитика к 2026 году автоматизировано. И если вы ещё делаете это руками, вопрос не в том заменит ли вас AI, а почему вы тратите время на то, что машина делает за секунды.
У меня есть AI-экстрактор на модели Haiku-4.5. Он вытягивает structured fields из переписки с клиентами: имя, сумму сделки, тип оплаты, модель товара. Раньше это делал человек, по два часа в день листая чаты и руками заполняя карточки. Теперь экстрактор проходит по переписке, валидирует значения строго по каталогу товаров клиента и раскладывает всё по полям. Не идеально, бывают пропуски, но 80% рутины он снимает.
Тут есть нюанс, который многие упускают. Не каждая задача требует «умной» модели. Когда нужна скорость и шаблонный результат (рекомендации, выборка, форматирование), хватает дешёвой быстрой модели с ответом за 2-3 секунды. Когда нужно качество и понимание контекста (развёрнутый анализ, нестандартный запрос), берёшь модель посерьёзнее, и она отвечает за 5-8 секунд. Разделение по типу задачи экономит и деньги, и время. Вместо одного дорогого молотка для всего, два инструмента под разные гвозди.
Паника тут неуместна. Это не конец профессии, это гигиена. Excel когда-то убил ручной подсчёт на бумаге, и никто сегодня не плачет по людям которые складывали числа в столбик. Google Analytics убил ручной парсинг логов сервера. Каждое поколение инструментов забирает механику и освобождает время на то, что механикой не является. AI делает ровно то же самое, просто быстрее и с более широким охватом задач.
Проблема не в автоматизации рутины. Проблема начинается когда кто-то решает, что раз рутина автоматизирована, значит и всё остальное можно отдать машине. Об этом дальше.
Где AI врёт уверенным голосом: галлюцинации в аналитике
Вот что делает AI по-настоящему опасным в аналитике: он не говорит «я не уверен». Исследование MIT показало, что AI на 34% чаще использует уверенный, безапелляционный тон именно тогда, когда генерирует ложные выводы. Не «возможно», не «предположительно», а с полной убеждённостью вроде «данные показывают рост на 18%», когда на самом деле там минус.
Масштаб проблемы уже измерим в деньгах. $67.4 миллиарда глобальных потерь от AI-галлюцинаций. 47% руководителей признались, что принимали бизнес-решения на основе ложных AI-выводов. Только в трейдинге за первый квартал 2026 года потери составили $2.3 миллиарда. Это не теоретическая угроза, это уже произошло.
И вот ключевое: в 2025 году вышло математическое доказательство того, что галлюцинации архитектурно неустранимы в языковых моделях. Это не баг, который починят в следующей версии. Это свойство генеративной архитектуры. Модель предсказывает следующий токен на основе вероятности, и иногда вероятный текст не совпадает с реальностью. Пока архитектура не сменится фундаментально, галлюцинации будут.
У меня был кейс с Google Ads пикселем. Трекинг конверсий молча потерял 100% Lead-конверсий на лендингах. Мост между формой и пикселем слушал только сообщения из iframe, а при прямой отправке формы событие уходило в то же окно и игнорировалось. Silent failure: никаких ошибок в логах, никаких алертов, просто ноль конверсий. Обнаружили случайно, не при мониторинге. Именно такие тихие провалы аналитики я подробно разбирал на аудите GA4 у клиента с «нормальным» CPL: дашборд зелёный, а реальная стоимость сделки в 20 раз выше. AI бы это не поймал, потому что тут нет паттерна в данных, который можно распознать. Нужен человек, который знает как устроен трекинг, как работают iframe-сообщения и почему два числа не сходятся.
Аналитик-верификатор не «пока нужен». Он структурно необходим, пока архитектура моделей остаётся генеративной. Не потому что AI плохой, а потому что у AI нет внутреннего сигнала «я сейчас вру». А аналитик может посмотреть на цифру и сказать: «Это не бьётся с тем что я знаю про бизнес».
AI Washing: когда увольняют не из-за AI, а прикрываясь им
60% HR-менеджеров признались, что акцентируют роль AI в сокращениях, потому что это «воспринимается лучше чем финансовые проблемы». Не я придумал эту цифру. Это опросы 2026 года. Проще сказать совету директоров «мы оптимизируем через AI» чем «мы перенаняли в 2023 и теперь не тянем фонд оплаты труда».
Даже Сэм Альтман, CEO OpenAI, публично сказал: «there is some AI washing, where people are blaming AI for layoffs that they would otherwise do». Когда глава компании, которая больше всех выигрывает от нарратива «AI заменяет людей», говорит что этим нарративом злоупотребляют, масштаб проблемы серьёзный.
Цифры подтверждают: по данным NBER, 90% компаний заявляют что AI за последние три года не повлиял на занятость. Gartner добавляет: 80% организаций, которые провели «AI-сокращения», не видят измеримого ROI от автоматизации. То есть уволили людей «под AI», а AI не закрыл дыры. Заголовки про «156 тысяч уволенных из-за AI» работают на хайп, но если копнуть, большинство этих сокращений про неудачный менеджмент, раздутый headcount эпохи нулевых ставок и давление инвесторов.
Это не новый паттерн. В 2000-х компании массово аутсорсили, увольняли инженеров «потому что всё уедет в Индию». Через 12-18 месяцев выяснялось, что качество просело, сроки поплыли, и нанимали обратно. Часто тех же людей, но дороже. С AI washing будет то же самое: кто-то уволит аналитический отдел, через год поймёт что ChatGPT не закрывает стратегические вопросы, и начнёт нанимать. Только зарплаты к тому моменту вырастут, потому что спрос на людей с реальной экспертизой никуда не денется.
Если ваш работодатель говорит «мы заменяем аналитиков AI», задайте один вопрос: какой конкретно AI-инструмент будет делать мою работу и кто будет проверять его выводы? Обычно ответа нет, потому что решение было про бюджет, а не про технологию.
Тёмная сторона «аугментации»: один с AI вместо троих
«Аугментированный аналитик» звучит красиво. Человек + AI = суперсила. На практике это часто означает другое: компания увольняет двоих из трёх аналитиков, оставшемуся выдаёт подписку на ChatGPT и говорит «теперь ты справишься».
AI действительно ускоряет механические задачи. Запросы пишутся быстрее, данные форматируются за секунды, базовые визуализации генерируются по промпту. Но стратегические задачи, которые составляли, допустим, 30% работы аналитика, никуда не делись. Они не ускоряются от того что рядом ChatGPT. Интерпретация данных, понимание бизнес-контекста, объяснение руководству почему цифры не сходятся, построение правильных вопросов к данным: всё это требует человеческого мышления, и объём этой работы не уменьшился.
Получается парадокс. AI убрал 30-40% механической нагрузки, но создал новое бутылочное горлышко: дефицит людей, которые могут объяснить что результат значит. Бюро трудовой статистики США прогнозирует рост спроса на аналитиков данных на 21%. Не падение, а рост. Проблема сместилась от «некому написать SQL-запрос» к «некому объяснить CEO почему эти цифры важны и что с ними делать».
А тот один оставшийся аналитик? Он тянет на себе объём за троих при том же окладе. Потому что «ты же теперь с AI». Механику закрывает AI, а на три стратегические головы теперь одна. Это не аугментация, это выгорание с красивым названием. И никто в индустрии пока не говорит об этом вслух, потому что тема неудобная: вендоры продают «аугментацию», менеджеры продают «оптимизацию», а аналитик сидит и разгребает.
Настоящая аугментация выглядит иначе. Это когда аналитик тратит сэкономленное время на более глубокую работу, а не на тройной объём поверхностной. Но для этого нужно не сокращать команду, а перестраивать процессы. А перестраивать сложнее чем уволить.
Экономика замены: сколько стоит аналитик vs AI-подписка vs одна галлюцинация
Давайте считать. Аналитик данных в России стоит 150-250 тысяч рублей в месяц, в Казахстане, 400-800 тысяч тенге. AI-стек для аналитики: ChatGPT Plus $20/мес, или API-доступ к моделям, скажем $100-300/мес при активном использовании, плюс инфраструктура (хранение данных, пайплайны, мониторинг), плюс подписка на специализированные инструменты. Итого $200-500 в месяц на всё. Дешевле аналитика раз в пять, минимум.
Но это прямое сравнение без скрытых расходов. А они есть. Кто-то должен писать промпты, проверять результат, исправлять ошибки, и переделывать когда AI выдал уверенный, но неверный вывод. Если у вас нет человека, который это делает, вы не экономите, вы тратите время менеджера, который в аналитике не разбирается и не может отличить галлюцинацию от инсайта.
По моему опыту с AI-автоматизацией в маркетинговой аналитике, проблема с AI-ошибками не в частоте, а в стоимости одного промаха. Когда Google Ads пиксель молча терял все конверсии, мы бы заметили это через неделю-две по нулям в отчёте. За это время рекламный бюджет лился без обратной связи. AI бы продолжал оптимизировать кампании на основе данных, в которых была дыра. В маркетинге такие silent failures означают слитый бюджет. В трейдинге, как показал первый квартал 2026, это $2.3 миллиарда.
Вот честный расчёт. AI дешевле аналитика ровно до первой галлюцинации, которую никто не поймал. Один неверный вывод, на основе которого приняли решение, может стоить месяцы рекламного бюджета или хуже. Формула простая: AI-подписка + человек-верификатор = экономия. AI-подписка без верификатора = русская рулетка с бизнес-решениями.
AI снижает стоимость аналитической рутины до почти нуля. Но ценность аналитика никогда не была в рутине. Она была в том, чтобы посмотреть на цифры и сказать: «Тут что-то не так, давайте проверим перед тем как принимать решение».
Что реально изменилось: взгляд из продакшена
Ценность аналитика и таргетолога за последние два года сместилась кардинально. Раньше платили за «настраиваю кампании»: собрать аудиторию, подобрать ставки, выбрать плейсменты. Сейчас Meta через Andromeda и Google через Performance Max убрали большую часть ручных настроек. Алгоритм сам решает кому показать и за сколько. Ценность переместилась в client-facing слой: объяснить клиенту что происходит, почему цифры Meta и GA4 не сходятся, зачем бюджет перераспределился, и что делать дальше.
Я это вижу на собственном продукте. У меня есть AI-агент, который утром читает GA4, Meta Ads и Google Ads, сверяет с ROI из CRM и выдаёт сводку: что растёт, что падает, где аномалия. Технически он справляется с тем, что раньше аналитик делал первые два часа рабочего дня. Но финальное решение, что выключить, куда перекинуть бюджет, когда подождать, остаётся за человеком. Потому что у агента нет контекста: он не знает что у клиента сезон, что на прошлой неделе менялся лендинг, что конкурент запустил акцию. Подробнее о том, как устроен этот MCP-сервер из 29 инструментов для управления рекламой, я писал отдельно.
Ещё один кейс. Я собрал AI-клона, который прошёл боевой тест: 11 человек в рабочей команде крупного банка общались с ним как с живым коллегой. Реакции были настоящие: «он на живого человека похож», народ подкалывал бота, бот отвечал в характере. Но через несколько дней стало понятно: собрать и обучить клона оказалось простой частью. Сложная часть, найти ему место где он реально нужен команде, а не просто «умный из чата».
У меня работает полностью автономный SEO-отдел: 14 AI-агентов, 3 глубоких гайда в неделю, без моего участия в написании. Конвейер крутится. Но это узкий, хорошо определённый процесс: тема, ресерч, структура, текст, проверка, публикация. Это конвейер, а не стратегическое мышление. AI прекрасно работает когда задача декомпозируется на чёткие шаги. Как только нужно принять решение в условиях неопределённости, он буксует.
Кого уволят первым: карта угроз по типам аналитики
Не все аналитики одинаково уязвимы. Уровень угрозы зависит от типа аналитики, и конкуренты в SERP мажут всех одной краской, а разница огромная.
Маркетинговая аналитика: высокий риск. Отчёты по кампаниям, дашборды, UTM-разметка, сводки по каналам. Это самая шаблонная часть профессии. Большинство задач формализуются: данные из API, агрегация, визуализация, выводы по шаблону «выросло/упало/нужно внимание». AI уже это делает, и делает быстрее. Если вся ваша работа сводится к еженедельному отчёту, который можно описать промптом, вы в зоне риска.
BI и reporting: средний риск. Шаблонные регулярные отчёты уйдут первыми. Но ad-hoc аналитика, когда руководитель приходит с вопросом «почему в Астане конверсия просела на 30% в четверг», требует контекста, который AI не имеет. Нужно знать что в четверг был обвал рекламного кабинета, что конкурент запустил акцию, что менялся лендинг. Эту работу AI берёт на себя только если ему заранее подали весь контекст, а подать его тоже должен человек.
Продуктовая аналитика: низкий риск. Здесь ценность в понимании пользовательского поведения, политики компании, бизнес-целей. Почему пользователи отваливаются на третьем шаге воронки? Может быть UX, может быть ценообразование, может быть сезонность. AI может посчитать конверсию по шагам, но объяснить «почему» без контекста не может.
Финансовая аналитика: минимальный риск. Цена ошибки слишком высока. Когда речь о миллиардах в трейдинге или о compliance-отчётности, делегировать финальное решение AI, который архитектурно может галлюцинировать, никто не будет. По крайней мере, пока.
В целом AI работает как суперстажёр: быстро делает черновик, но ему нельзя доверить финальное решение. Он не понимает политику компании, не чувствует контекст, и его нужно постоянно проверять.
Что делать аналитику: без мотивационной воды
Перестаньте бояться «замены» и начните думать про другую проблему: если AI забирает grunt work (SQL, чистка, визуализации), откуда джуниор наберёт глубину? Раньше путь к сильному аналитику шёл через тысячи запросов, сотни отчётов, десятки ошибок в данных. Если всё это делает AI, лестница роста укорачивается. Это реальная проблема, и её обсуждают в LinkedIn активнее чем саму «замену».
Стройте экспертизу в интерпретации, не в инструментах. Инструменты меняются каждые полгода: то Tableau, то Looker, то Metabase, теперь AI. Человек, который привязал свою ценность к конкретному инструменту, уязвим. Человек, который умеет задать правильный вопрос к данным и объяснить ответ нетехническому руководителю, нужен всегда. Я подробно разбирал шесть принципов, отличающих сильного growth-аналитика от того, кто просто рисует красивые дашборды.
Учитесь объяснять. Ценность сместилась к client-facing слою: отчёты, объяснения почему Meta и GA4 не сходятся, proactive guardrails. Аналитик который молча делает отчёт и кладёт на стол заменяем. Аналитик который приходит и говорит «вот цифры, вот что они значат, вот что я рекомендую» незаменим.
Не верьте курсам которые продают «AI не заменит вас, если вы выучите наш курс». У образовательных платформ конфликт интересов: если AI заменит аналитиков, их курсы не нужны. Ни один материал от Karpov.Courses или OTUS не даёт честного разбора, когда AI действительно лучше человека. Критически оценивайте источник.
Реальный навык 2026 года: уметь проверить AI и сказать боссу «эта цифра, галлюцинация, вот почему». Не «я умею писать промпты» (это через год будет как «я умею гуглить»), а «я умею отличить настоящий инсайт от уверенно звучащей чуши». Это и есть ваша страховка от замены.