AI w pracy analityka: kontekst, kontrola i własne kompetencje

Kiedy pojawia się kolejny mocny model AI, wraca pytanie: czy analityk danych jest jeszcze potrzebny? Rozumiem ten odruch. Jeśli ktoś w kilka chwil dostaje raport, który wcześniej przygotowywałem długo, trudno przejść obok tego obojętnie. Sam jednak patrzę przede wszystkim na to, jak zmienia się cały sposób pracy.

U mnie największy przełom przyszedł wraz z połączeniem narzędzi, wiedzy i zadań. GitHub, Linear i Notion pozwoliły mi uporządkować kontekst, z którym pracują modele. Równocześnie zauważyłem pułapkę: mogę produkować coraz więcej materiału i coraz mniej rozumieć. Dlatego chcę pokazać obie strony tego samego procesu.

Pokaz możliwości i codzienność firmy to różne warunki

W internecie łatwo odnieść wrażenie, że wszyscy korzystają już z zaawansowanych agentów. Tymczasem Eurostat podał dla 2025 roku, że AI wykorzystywało 20% przedsiębiorstw w UE i 8,4% w Polsce. To wyniki badania przedsiębiorstw zatrudniających co najmniej 10 osób, a nie odsetek wszystkich firm czy pracowników. Samo użycie AI również nie mówi, ile procesów zostało zautomatyzowanych.

Dla mnie wniosek jest prosty: możliwości technologii i to, co zastaję w konkretnym dziale, trzeba oceniać osobno. Z tych danych nie wyliczę prawdopodobieństwa utraty stanowiska. Mogę natomiast przestać traktować techniczny pokaz jak gotowy opis każdej firmy.

Pamiętam sytuację z pracy analitycznej w Lufthansie. Firma miała rozbudowany stack technologiczny, a w jednym z działów zobaczyłem porównywanie elementów na dwóch kartkach papieru. Uzasadnienie brzmiało: komputerom trzeba sprawdzić wynik samodzielnie. Ten obraz został mi w głowie, bo dobrze pokazuje nierówne tempo zmiany nawet wewnątrz jednej organizacji.

Z AI pytam więc o konkrety. Jakich narzędzi wolno używać? Do jakich danych? Czy model widzi dokumentację, czy tylko pojedynczy załącznik? Kto odbiera rezultat? Dopiero takie odpowiedzi pozwalają mi zaplanować pracę. Ekscytujący film z internetu nie odpowie za lokalne zasady i ograniczenia.

Zapisz kontekst, który zwykle nosisz w głowie

Kiedy za każdym razem od nowa tłumaczę modelowi swoją pracę, zużywam uwagę na powtarzanie tych samych rzeczy. Zaczynam więc od dokumentów: czym się zajmuję, jakie mam cele, jakie pojęcia stosuję i czego obecnie nie wiem. Osobno zapisuję opis projektu, osobno definicje i decyzje. Dzięki temu łatwiej wskazać aktualny materiał do konkretnego zadania.

W moim sposobie pracy ważną rolę ma prywatne repozytorium GitHub i pliki Markdown. Dokumenty mogę czytać sam, poprawiać i udostępniać narzędziu AI w ramach jego możliwości. Linear porządkuje zadania, a Notion jest kolejnym miejscem wiedzy. Nie traktuję tego zestawu jako obowiązkowej listy zakupów. Istotne jest, żebym wiedział, gdzie znajduje się obowiązująca wersja informacji.

Git przydaje się do historii. Dokumentacja Pro Git pokazuje przeglądanie commitów i zmian, które wprowadzają. Mogę wrócić do wcześniejszej definicji i sprawdzić, co zostało poprawione. To pomaga również przy wyjaśnianiu, dlaczego dwa raporty przygotowane w innym czasie różnią się założeniami.

Samo założenie repozytorium niczego jednak nie podłącza. Narzędzie musi mieć do niego dostęp, a ja powinienem wskazać pliki i potrzebną historię. Prywatność repozytorium również nie daje mi automatycznie zgody na umieszczanie w nim danych pracodawcy. Do ćwiczenia w domu wybieram własne materiały albo wymyślony projekt. Kontekst ma pomagać w pracy, bez obchodzenia zasad firmy.

Przy porządkowaniu wiedzy zwracam uwagę na datę i status informacji. Stara propozycja opisana tak samo jak zatwierdzona decyzja tworzy niepotrzebny bałagan. W przykładowym projekcie oddzieliłbym bieżącą definicję klienta od pomysłów na jej zmianę. Jeśli nie potrafię tego rozróżnić jako autor dokumentów, trudno oczekiwać, że model sam zgadnie intencję. Wskazanie obowiązującego dokumentu jest dla mnie częścią zlecenia.

Deleguj zadanie z granicami i warunkiem odbioru

Gdy mam już uporządkowaną wiedzę, mogę zlecić więcej niż pojedyncze pytanie. Nadal muszę jednak nazwać rezultat. „Ogarnij analizę” zostawia zbyt dużo miejsca na domysły. Wolę wskazać problem, źródła, ograniczenia i to, co chcę zobaczyć przed zaakceptowaniem wyniku. Wtedy mam również podstawę, żeby zadanie zatrzymać albo zawęzić.

Weźmy wymyślony przykład: mam porównać dwa opisy tego samego raportu. Proszę AI o wskazanie różnic w definicjach, podanie dokumentu źródłowego przy każdej różnicy oraz osobne wypisanie niejasności. Nie zlecam na tym etapie przebudowy raportu. Najpierw chcę ustalić, czy w ogóle mówimy o tym samym mierniku.

Jeśli używam kilku agentów, rozdzielam zakresy. Jeden może przygotować propozycję, drugi poszukać sprzeczności w materiałach. W moim układzie ich odpowiedzi nadal przechodzą przeze mnie. Dwie podobne rekomendacje nie zastępują sprawdzenia dokumentu, a sprzeczne rekomendacje wymagają rozstrzygnięcia założenia, zamiast głosowania modeli.

Zapis zadania powinien przetrwać zamknięcie rozmowy. Chcę widzieć, na czym pracowaliśmy, co zostało przyjęte i jaki jest następny krok. Bez tego łatwo zbudować imponującą kolekcję czatów, po której następnego dnia trzeba chodzić jak po piwnicy. Uporządkowanie zadania jest częścią mojej roboty analitycznej.

Zachowaj podstawy, których potrzebujesz do kontroli

Widzę duży problem w oddawaniu AI każdej drobnej czynności tylko dlatego, że można. Jeśli umiem samodzielnie przefiltrować dane albo przygotować proste zestawienie, czasem właśnie tak zrobię. Przy wyborze sposobu pracy liczę również tłumaczenie zadania, oczekiwanie, czytanie odpowiedzi i poprawki. Sam czas generowania niewiele mi mówi.

Nie mam uniwersalnego pomiaru, według którego ręczna praca zawsze wygrywa przy określonym zadaniu. Chodzi mi o zachowanie wyboru. Jeżeli bez modelu przestaję rozumieć własny arkusz, trudno mi będzie ocenić również arkusz przygotowany przez model. Temu poświęcam tekst o podstawach analityka w erze AI.

Rozdzielam zatem dwa cele. Mogę chcieć szybko wykonać znaną czynność. Mogę też chcieć się jej nauczyć. W drugim przypadku proszę o wyjaśnienie, sam rozpisuję założenia i próbuję odtworzyć rozwiązanie. Gotowy plik nie jest jeszcze dowodem, że zdobyłem umiejętność, której potrzebowałem.

Własne podstawy pozwalają mi zadawać lepsze pytania: co oznacza wiersz, skąd pochodzi liczba, co wykluczyliśmy, gdzie kończy się porównywalność? Odpowiedzi są potrzebne niezależnie od tego, kto napisał formułę. Właśnie na takich pytaniach chcę ćwiczyć, zamiast mierzyć rozwój liczbą wysłanych promptów.

Przyswajaj wynik podczas pracy

Najbardziej podstępna sytuacja wygląda tak: daję AI schemat bazy, notatki, wiadomości i długiego maila. Dostaję obszerny dokument z rozwiązaniem. Materiał wygląda porządnie, ale kiedy mam wyjaśnić rekomendację drugiej osobie, zaczynam szukać odpowiedzi w tym samym dokumencie. Wynik powstał, a moje rozumienie problemu zostało w tyle.

Dlatego rozbijam pracę na fragmenty, które potrafię odebrać. Najpierw chcę rozumieć pytanie. Potem źródła i założenia. Dopiero później sposób analizy i rekomendację. Po każdym etapie zapisuję własnymi słowami, co już wiem i czego nadal nie mogę powiedzieć. Dzięki temu widzę luki przed przygotowaniem ostatecznego raportu.

Nie chodzi wyłącznie o moje odczucie pewności. NIST opisuje w profilu generatywnej AI zarówno konfabulacje, czyli wiarygodnie podane błędne treści, jak i nadmierne poleganie na systemie. Traktuję to jako przypomnienie, żeby sprawdzać źródła oraz założenia, również wtedy, gdy odpowiedź jest płynna i przekonująca.

Mój praktyczny sprawdzian jest prosty: czy potrafię bez zaglądania do odpowiedzi wyjaśnić, co policzyliśmy i dlaczego? Jeśli nie potrafię, wracam do konkretnego fragmentu. Mogę poprosić o krótszy opis albo rozbić problem jeszcze raz. Kolejna porcja tekstu rzadko rozwiązuje kłopot z nieprzeczytaną poprzednią porcją.

W wymyślonym zadaniu o rozbieżnych raportach oznacza to zatrzymanie się przy jednej różnicy. Chcę przeczytać oba opisy i sam powiedzieć, czy wynikają z innego okresu, innej definicji czy zwykłego braku informacji. Dopiero potem przyjmuję proponowaną zmianę. Gdy nie mam rozstrzygnięcia, zapisuję pytanie do właściciela raportu. Samo domknięcie zadania w narzędziu nie jest powodem, żeby udawać pewność.

Zaufanie i kierunek pracy zostają po mojej stronie

W pracy mam relacje z ludźmi, którzy czegoś ode mnie potrzebują. To z nimi ustalam sens zadania i do nich wracam z wynikiem. Gdy kilka osób osobno korzysta z AI, mogą pojawić się różne rekomendacje oparte na różnych informacjach. Wtedy trzeba wspólnie uzgodnić definicję i cel. Narzędzie nie załatwi tego przez samo wygenerowanie kolejnego dokumentu.

W mojej pracy z KajoData dodawanie współpracowników do procesu oznacza również konieczność dogadania się na ludzkim poziomie. Dlatego nie chcę usuwać siebie z obiegu informacji. Muszę wiedzieć, co obiecałem, co faktycznie sprawdziliśmy i z jakim ograniczeniem przekazuję rezultat. Inaczej trudno budować zaufanie do następnej analizy.

Na początek proponuję mały eksperyment. Wybierz jedno powtarzalne zadanie, którego wynik umiesz sprawdzić. Zapisz jego cel, dozwolone źródła i kryterium odbioru. Przygotuj krótki dokument z kontekstem, a po wykonaniu zanotuj potrzebne poprawki. Oceń cały proces, łącznie z czasem poświęconym na rozumienie odpowiedzi.

Potem wróć do własnej strategii: czy uczysz się rzeczy, które chcesz umieć? Czy AI pomaga Ci lepiej odpowiadać na pytania biznesowe? Ja chcę mieć sprawnie zorganizowane narzędzia i nadal wiedzieć, nad czym pracuję. Od takiego jednego zadania można zacząć bez czekania na następną wielką premierę.

Warto wyznaczyć sobie również moment powrotu do tego eksperymentu, na przykład za miesiąc. Sprawdziłbym wtedy, które elementy kontekstu musiałem wielokrotnie dopowiadać i co nadal sprawia mi trudność przy odbiorze. To wskazuje konkretny dokument do poprawienia albo umiejętność do przećwiczenia. Zamiast od razu dokładać następnego agenta, mogę najpierw poprawić fragment procesu, który już znam i za który potrafię odpowiadać.