Ar DI pakeis duomenų analitikus? 2026-ųjų realybė už skaičių

Trumpa versija: DI nepakeičia duomenų analitikų. Jis pakeičia tas darbo dalis, dėl kurių buvai kliūtis — ir tai keičia visos pozicijos ekonomiką.

Štai skaičius, į kurį verta atkreipti dėmesį. Pagal Gartner 2025 m. analitikos tyrimą, 50% duomenų ir analitikos užklausų dabar generuojamos natūralios kalbos apdorojimo ar balso sąsajų pagalba. Text-to-SQL tikslumas peržengė 90–95% ribą, todėl natūralios kalbos prieiga prie duomenų pirmą kartą tapo tinkama produkciniam naudojimui. DI SQL įrankių rinka pasiekė 2,5 mlrd. dolerių 2025-aisiais, o metinis augimas prognozuojamas 28% iki 2033-ųjų, remiantis Datainsights Market ir Integrate.io tyrimais.

Tai reiškia, kad pagrindinis įgūdis, apibrėžęs duomenų analitiką du dešimtmečius — rašyti užklausas, kurių netechniniai žmonės patys parašyti negalėjo — virsta preke. Kai produkto vadovas gali paprastai surinkti klausimą angliškai ir gauti teisingą SQL rezultatą 19 kartų iš 20, analitikas, kuriam mokėta sėdėti tarp klausimo ir duomenų bazės, turi problemą.

Bet štai ką rodo tie patys duomenys: JAV Darbo statistikos biuras prognozuoja 34% duomenų mokslo užimtumo augimą 2024–2034 m. laikotarpiu, maždaug 23 400 naujų pozicijų kasmet. McKinsey 2025 m. DI būklės ataskaita rodo, kad 78% organizacijų dabar naudoja DI bent vienoje funkcijoje — nuo 72% 2024-aisiais. Šios organizacijos gamina daugiau duomenų, užduoda daugiau klausimų ir diegia daugiau DI sistemų, kurioms reikia žmogaus priežiūros, nei bet kada anksčiau.

Darbas nedingsta. Jis skyla. Ir kurioje skilimo pusėje atsidursi — visiškai priklauso nuo to, ką padarysi per artimiausius 12–18 mėnesių.

Duomenų analitikai mūsų rizikos vertinime: kur krinta balai

Duomenų analitikai paprastai gauna 50–68 balus mūsų DI karjeros rizikos vertinime, todėl dauguma patenka į padidėjusios rizikos kategoriją. Tai aukščiau nei slaugytojų (25–40) ar mokytojų (30–45), bet panašu į finansų analitikų rezultatus. Sklaida plati, nes „duomenų analitikas" apima viską — nuo jaunesniojo BI kūrėjo, kiekvieną pirmadienį perkuriančio tą patį ataskaitų skydelį, iki vyresniojo analitikos vadovo, projektuojančio eksperimentų sistemas produktų komandai.

Balas labai priklauso nuo trijų testo veiksnių: rutinos lygio, įrankių naudojimo ir mokymosi adaptyvumo. Analitikas, kurio savaitė yra 70% pasikartojančių ataskaitų ir 30% ad-hoc analizės, gauna visiškai kitokį balą nei tas, kurio savaitė yra 70% naujų tyrimų ir 30% komunikacijos su suinteresuotosiomis šalimis.

Jei nori sužinoti, kur konkrečiai patenki tu — testas užtrunka 90 sekundžių ir pateikia personalizuotą tavo konkrečių pažeidžiamumo veiksnių analizę.

Ką DI jau gali daryti duomenų analitikoje (2026)

Tai ne demonstracijos ar prototipai. Šios sistemos veikia produkciniuose aplinkose įmonėse, kurios samdo tūkstančius analitikų.

Text-to-SQL mastu. Tokie įrankiai kaip Databricks SQL Serverless (2025-aisiais pasiekęs 5x ataskaitų skydelių našumo padidėjimą), Snowflake 200 mln. dolerių partnerystė su Anthropic agentinei analitikai ir atviro kodo sistemos kaip SQLCoder leido netechniniams vartotojams tiesiogiai kreiptis į duomenų bazes. Pagal Gartner, 72% įmonių planuoja diegti natūralios kalbos technologijas duomenų prieigai. Analitikas kaip „užklausų vertėjas" yra išstumiamas iš grandinės realiu laiku.

Excel su Copilot. Microsoft 365 Copilot programoje Excel — dabar standartas daugelyje stambių darbdavių — generuoja formules, kuria suvestines lenteles ir vizualizacijas iš natūralios kalbos komandų. Pasikartojančioms analitinėms užduotims, kurias duomenų analitikas atlieka dešimtis kartų per savaitę (nuokrypių žymėjimas, slenkantys agregatai, sąlyginis formatavimas ataskaitoms), formulių kūrimo laikas sumažėja 60–70%. Tai nepakeičia analitiko. Tai pakeičia valandą, kurią analitikas praleisdavo konstruodamas skaičiuoklę.

Automatizuotos ataskaitos ir skydeliai. Power BI DI funkcijos dabar automatiškai generuoja vizualizacijas ir aprašomąsias santraukas. Hex pridėjo Databricks Unity Catalog integraciją. Tableau Einstein Analytics generuoja įžvalgų santraukas be žmogaus įsikišimo. Mėnesinė ataskaita, kuriai duomenų analitikas anksčiau skirdavo dvi dienas, dabar gali būti automatiškai sugeneruota ir nuolat atnaujinama.

Agentinė analitika. Pagal Gartner, iki 2028-ųjų 33% įmonių programinės įrangos turės integruotą agentinį DI — nuo mažiau nei 1% 2024-aisiais. Tai ne pasyvūs įrankiai, laukiantys užklausos. Tai autonominės sistemos, kurios stebi duomenis, aptinka anomalijas, generuoja hipotezes ir pateikia rekomendacijas be žmogaus inicijavimo. Snowflake partnerystė su Anthropic kuria būtent tai: agentus, kurie ne tik atsako į klausimus, bet proaktyviai identifikuoja, kokius klausimus reikėtų užduoti.

DI paremta forensinė ir anomalijų aptikimo analizė. Profesionaliose paslaugose DI forensinė buhalterija dabar sutrumpina tyrimų laiką 90%, pasiekia 99%+ tikslumą ir aptinka sukčiavimą 70% greičiau nei tradiciniai metodai, remiantis Journal of Accountancy analize. Modelių atpažinimas mastu — analizė, kuriai patyrusiam analitikui anksčiau reikėjo savaičių — tampa API iškvietimu.

Ko DI negali daryti (ir kodėl duomenų analitikai vis dar svarbūs)

Automatizavimo banga tikra. Bet ji turi kietus limitus, ir tie limitai apibrėžia, kur darbas konsoliduojasi.

Apibrėžti, ką reiškia „teisingai". Text-to-SQL gali sugeneruoti užklausą. Jis negali nuspręsti, ar metrikos apibrėžimas už tos užklausos yra teisingas. Ar „mėnesiniai aktyvūs vartotojai" turi apimti vartotojus, prisijungusius per SSO, bet neatlikusius jokio veiksmo? Ar pajamos turi būti pripažintos užsakymo metu, ar pristatymo metu? Tai verslo sprendimai, apsirengę duomenų drabužiais, ir jiems reikia institucinio konteksto, kurio joks modelis neturi. Kaip formuluoja pačios Gartner tyrimai: deficitas persikėlė nuo „kas turi prieigą prie duomenų" prie „kas valdo tiesos apibrėžimą".

Pastebėti, kai modelis klysta. 95% text-to-SQL tikslumas skamba įspūdingai, kol nesupranti, kad įmonėje, leidžiančioje 200 analitinių užklausų per dieną, tai yra 10 klaidingų atsakymų kasdien — bet kuris jų gali informuoti blogą verslo sprendimą. Analitikas, galintis pastebėti tuos 5% klaidų, diagnozuoti, kodėl sugeneruota užklausa subtiliai neteisinga, ir paaiškinti neatitikimą suinteresuotajai šaliai — yra vertingesnis nei tas, kuris tą užklausą parašė rankiniu būdu.

Versti radinius į sprendimus. Atstumas tarp „štai ką sako duomenys" ir „štai ką turėtume daryti" nėra duomenų problema. Tai komunikacijos ir sprendimo problema. Vadovai nenori ataskaitų skydelių. Jie nori rekomendacijų, pagrįstų įrodymais, pateiktų su kontekstu apie tai, ko skaičiai neapima. Tai ta analitiko darbo dalis, kuri plečiasi, ne traukiasi.

Kurti infrastruktūrą, ant kurios veikia DI. Remiantis Deloitte Insights, kitas frontas — agentinis DI, ir jam reikia Data Mesh arba Data Fabric architektūrų, kad agentai netaptų nepatikimi ar neatitinkantys reikalavimų. Kažkas turi kurti duomenų srautus, apibrėžti valdymo taisykles, nustatyti stebėjimą ir palaikyti kilmės sekimą, kad DI analitika būtų patikima. Tas „kažkas" vis dažniau yra duomenų analitikas, kuris evoliucionavo į analitikos inžinierių.

Naršyti reguliavimo lauke. JAV GENIUS Act reikalaus, kad bankai dokumentuotų visų DI mokymo įrašų kilmę ir apdorojimą iki 2026 liepos. ES DI akto finansinių paslaugų nuostatos taikomos nuo 2026 pradžios. Kiekvienai organizacijai, diegiančiai DI analitiką, reikia žmonių, galinčių kurti audito kelius ir įrodyti, kad DI sugeneruotos įžvalgos yra paaiškinamos ir atitinkančios reikalavimus.

Skilimas: kurie duomenų analitikų darbai yra saugūs?

Duomenų analitiko pozicija skyla į du atskirus karjeros kelius. Atpažinti, kuriame kelyje esi — ir sąmoningai pasirinkti vieną — yra svarbiausias karjeros sprendimas šioje srityje šiuo metu.

Traukiasi: užklausų ir ataskaitų analitikas. Jei tavo pagrindinė vertė yra rašyti SQL, kurio kiti nemoka, kurti pasikartojančius ataskaitų skydelius ar rengti savaitines ataskaitas iš žinomų duomenų šaltinių — tavo užduotys automatizuojamos. Robert Half 2026 m. technologijų atlyginimų gidas praneša, kad pozicijos, reikalaujančios tik klasikinės statistikos ar Excel, mažėja 25% per metus technologijų sektoriuje. Didysis ketvertas — Deloitte, EY, PwC, KPMG — sumažino absolventų įdarbinimą 6–29% per 2025–2026 metus, tuo pačiu diegdami daugiaagentines DI platformas.

Auga: analitikos inžinierius ir sprendimų partneris. Jei tavo darbas apima metrikų apibrėžimą, duomenų modelių kūrimą, eksperimentų projektavimą, duomenų vertimą į strategiją ar DI sistemų valdymą — tavo įgūdžių paklausa spartėja. Darbo skelbimų analizė Citadel, Revolut ir BlackRock rodo, kad MLOps ir DI integracijos specialistų paklausa išaugo 80% nuo 2025 pradžios. Robert Half gidas patvirtina, kad analitikos inžinieriai — profesionalai, derinantys SQL, dbt, Python ir duomenų kokybės testavimą — viršija pasiūlą.

Paralelė su programuotojais akivaizdi. Abiejose srityse DI suspaudžia prekišką darbą, panaikina vidurį ir pakelia lubas tiems, kurie sugeba projektuoti sistemas, o ne tik jas valdyti.

Penki įgūdžiai, kuriuos reikia įgyti iki 2027-ųjų

Tai ne bendros „išmok Python" rekomendacijos. Kiekviena tiesiogiai susijusi su konkrečiu rinkos signalu iš 2025–2026 m. duomenų.

1. Duomenų valdymas ir kilmės sekimas (dbt + Data Contracts)

Kai analitika tampa automatizuota, valdymas tampa deficitinis. dbt metaduomenų sluoksnis — kilmės sekimas, duomenų testai, šviežumo patikrinimai — yra patikimos automatizuotos analitikos stuburas. Remiantis Deloitte, organizacijos, skubančios diegti agentines DI sistemas, ieško žmonių, suprantančių duomenų valdymą ir infrastruktūrą. Tai paslėpta galimybė: kurti „santechniką", kuri daro DI agentus patikimus — tai didelės paklausos ir sunkiai pakeičiamas darbas.

Pradėk šią savaitę: Baigk nemokamą dbt Fundamentals kursą adresu courses.getdbt.com. Laiko investicija: 4–6 valandos.

2. LLM raginimų inžinerija analitikai

Tu dirbsi šalia DI sistemų, generuojančių užklausas, santraukas ir įžvalgas. Gebėjimas struktūruoti raginimus, validuoti rezultatus ir perorientuoti, kai modelis haliucinuoja metriką ar neteisingai interpretuoja jungimą — tai ne privalumas, tai būtinybė. MIT Sloan 2026 m. analizė pabrėžia, kad žmonės, galintys matuoti ir valdyti DI realų poveikį verslo rezultatams, taps aukščiausią svertą turinčiais darbuotojais.

Pradėk šią savaitę: Skirk 30 minučių su Claude ar ChatGPT analizuodamas duomenų rinkinį, kurį gerai pažįsti. Paprašyk parašyti SQL. Rask, kur jis klysta. Dokumentuok kodėl.

3. Produkcinis Python (už bloknotų ribų)

Dabartiniai darbo skelbimai iš elitinių įmonių konkrečiai nurodo: jie nori „produkcinio lygio Python", ne analitikų, galinčių paleisti Jupyter bloknotelius. Skirtumas svarbus. Produkcinis Python reiškia testuotą, versijuotą, diegiamą kodą, kuris veikia srautinėje sistemoje — ne vienkartinę tiriamąją analizę, gyvenančią tavo nešiojamajame kompiuteryje.

Pradėk šią savaitę: Paimk vieną savo Jupyter analizę ir perkurk ją į Python skriptą su funkcijomis, klaidų apdorojimu ir requirements.txt. Įkelk į Git saugyklą.

4. Verslo komunikacija ir duomenų pasakojimas

Kai DI atlieka analizę, žmogaus vertė pereina prie pasakojimo ir sprendimų formulavimo. Tu tampi žmogumi, verčiančiu „štai ką sako duomenys" į „štai ką turėtume daryti". Remiantis AICPA ir CIMA ateities finansų apklausa, tik 8% finansų ir apskaitos lyderių jaučiasi „labai gerai pasiruošę" DI — tai reiškia milžinišką atotrūkį tarp to, ką DI gali pagaminti, ir to, ką lyderiai gali interpretuoti. Užpildyti tą atotrūkį — tai karjera.

Pradėk šią savaitę: Paimk savo kitą analitinį pristatymą ir parašyk vienos pastraipos vadovų santrauką prieš grafikus. Pradėk nuo rekomendacijos, ne nuo metodologijos.

5. Agentinių darbo procesų projektavimas

Iki 2028-ųjų trečdalis įmonių programinės įrangos turės integruotą agentinį DI, remiantis Gartner. Šiems agentams reikia apsaugų, validacijos logikos ir žmogaus priežiūros protokolų. Duomenų analitikas, suprantantis, kaip projektuoti patikimus agentinius darbo procesus — kokius sprendimus agentas gali priimti savarankiškai, ką turi peržiūrėti žmogus, kaip stebėti agento elgseną mastu — žengia į visiškai naują poziciją, kurios nebuvo prieš 18 mėnesių. Snowflake 200 mln. dolerių partnerystė su Anthropic kuria šią infrastruktūrą dabar.

Pradėk šią savaitę: Sudėliok vieną pasikartojantį analitinį darbo procesą savo organizacijoje. Nustatyk, kuriuos žingsnius galėtum deleguoti agentui, kuriems reikia žmogaus sprendimo ir kokių apsaugų prireiktų.

Galimybė, kurios dauguma analitikų nemato

Štai ką duomenys atskleidžia, apie ką mažai kas kalba: bendra duomenimis grįstų sprendimų paklausa dramatiškai auga net kai automatizuotos analitikos pasiūla didėja. Kai pasaulinė BI rinka viršija 41 mlrd. dolerių investicijų (Gartner, 2025) ir prognozuojama pasieksianti 62,61 mlrd. dolerių iki 2032-ųjų, klausimas ne ar duomenų analizė miršta — o ar tu pozicionuotas tai jos versijai, kuri auga.

Morgan Stanley 2026 m. analizė aiškiai apibūdina bimodalinį rezultatą: įmonės, naudojančios DI ilgiau nei metus, mato vidutinį 11,5% produktyvumo augimą ir 7,7% jaunesniųjų pozicijų įdarbinimo kritimą — bet vidutinės karjeros profesionalai su 2–10 metų patirtimi aktyviai perkvalifikuojami DI darbo procesams valdyti, o ne pakeičiami.

Langas — 12–18 mėnesių. Ne todėl, kad DI staiga pakeis visus analitikus 2028-aisiais, o todėl, kad profesionalai, kuriantys DI papildytus įgūdžių rinkinius dabar, turės neįveikiamą patirties pranašumą prieš tuos, kurie pradės vėliau. Tai kaupiamasis žaidimas.

DUK

Klausimas: Ar DI visiškai pakeis duomenų analitikus iki 2030-ųjų?

Atsakymas: Ne. DI pakeis konkrečias užduotis — pasikartojančias ataskaitas, standartines užklausas, bazines vizualizacijas — bet JAV Darbo statistikos biuras prognozuoja 34% užimtumo augimą duomenų mokslo pozicijose iki 2034-ųjų. Pozicija evoliucionuoja nuo „žmogaus, kuris klausia duomenų bazės" prie „žmogaus, kuris valdo DI sugeneruotas įžvalgas ir verčia jas į verslo sprendimus". Analitikai, kurie adaptuosis, ras daugiau galimybių, ne mažiau.

Klausimas: Ar turėčiau mokytis DI įrankių kaip duomenų analitikas, ar keisti karjerą?

Atsakymas: Mokykis įrankių. AICPA ir CIMA apklausa nustatė, kad 56% finansų profesionalų įvardijo generatyvųjį DI kaip didžiausią įgūdžių spragą — tai reiškia, kad dauguma tavo kolegų dar nepradėjo. DI raštingumo kūrimas dabar tave pastato priekyje. Karjeros keitimas prasmingas tik jei visa tavo pozicija yra pasikartojančios ataskaitos be strateginio komponento, ir net tada gretimas perėjimas į analitikos inžineriją yra šoninis žingsnis, ne startas iš naujo.

Klausimas: Kurios duomenų analitikų specializacijos yra saugiausios nuo DI?

Atsakymas: Analitikos inžinerija (duomenų modeliavimas, srautų projektavimas, valdymas), eksperimentų projektavimas (A/B testavimas, priežastinė išvada) ir strategijos vertimas (duomenų radinių pavertimas vadovų rekomendacijomis) — tai trys sritys, kuriose paklausa auga sparčiausiai, o DI galimybės silpniausios. Grynas SQL užklausų rašymas ir ataskaitų skydelių kūrimas yra labiausiai pažeidžiami.

Klausimas: Ar duomenų analitikos diplomas vis dar vertas 2026-aisiais?

Atsakymas: Diplomas atveria duris, bet studijų programa svarbesnė nei pažymėjimas. Programos, mokančios dbt, produkcinio Python, debesų duomenų platformų (Snowflake, Databricks) ir statistinio samprotavimo, išlieka vertingos. Programos, mokančios tik Excel ir bazinio SQL, ruošia absolventus rinkai, kuri traukiasi. Papildyk bet kokį diplomą praktine DI įrankių patirtimi — darbdaviai dabar to tikisi, o CPA DI kompetencijų rinkinys, oficialiai paleistas 2026 pradžioje, pripažįsta DI kompetenciją kaip privalomą profesinį įgūdį.

Koks tavo tikrasis rizikos lygis?

Duomenys aiškūs: duomenų analitikai, kurie laikosi užklausų ir ataskaitų modelio, susiduria su tikra pakeitimo rizika. Duomenų analitikai, kurie evoliucionuoja į analitikos inžinierius, valdymo specialistus ar sprendimų partnerius — patenka į vieną stipriausių darbo rinkų technologijų sektoriuje.

Bet bendri statistiniai rodikliai rodo tik vidutinį analitiką. Tavo rizika priklauso nuo konkrečios užduočių struktūros, pramonės šakos, įrankių valdymo ir adaptyvumo balo — kintamųjų, kurie rezultatą pakeičia 20 balų ar daugiau.

Mūsų DI karjeros rizikos vertinimas užtrunka 90 sekundžių ir vertina tavo individualią ekspoziciją pagal devynias dimensijas, naudodamas duomenis iš Anthropic, TDO, EBPO ir JAV Darbo statistikos biuro, apimančius 800+ profesijų. Jis nepasakys, ką jausti. Pasakys, ką daryti.

Vertinimo metodologija yra skaidri ir dokumentuota mūsų metodologijos puslapyje.

Skilimas vyksta dabar. Vienintelis klausimas — kurios pusės link tu statai.