Przeglądając niedawno materiały w sieci, trafiłem na kanał niejakiego Heinricha Ruschego. Jeśli to nazwisko nic Wam nie mówi, to krótki rys historyczny: człowiek spędził prawie sześć lat w McKinseyu, potem pracował jako CTO w niemieckiej sieci handlowej zarządzającej około 60 sklepami, a następnie pełnił role CRO i COO w skalującym się biznesie technologicznym. Krótko mówiąc: gość zjadł zęby na twardym biznesie i doradztwie strategicznym. Heinrich opublikował film, w którym zadał bardzo prowokacyjne, ale niezwykle trafne pytanie: czy w czasach sztucznej inteligencji umiejętności konsultingowe są nam w ogóle jeszcze potrzebne?
Gdy słuchałem jego wywodu, od razu zapaliła mi się w głowie lampka. Dlaczego? Ponieważ konsulting mierzy się dzisiaj z dokładnie tym samym wyzwaniem i tą samą powierzchowną narracją, z którą od miesięcy zderzają się analitycy danych, BI deweloperzy czy programiści. Z zewnątrz wygląda to tak, jakby AI mogło wyciąć te wszystkie zawody do zera. Wystarczy wpisać prompt w Claude, żeby wygenerował prezentację, napisał skrypt w Pythonie czy wypluł skomplikowane zapytanie w SQL-u i po sprawie, prawda?
Jednak gdy przyjrzymy się temu z bliska – z perspektywy kogoś, kto przepracował w analizie i architekturze danych ponad siedem lat – okazuje się, że ta wielka obietnica błyskawicznej automatyzacji jest mocno naciągana.
W tym artykule rozłożę ten temat na części pierwsze. Porozmawiamy o tym, dlaczego sprowadzanie pracy ekspertów do samych artefaktów jest niebezpiecznym skrótem myślowym, dlaczego mierzymy się obecnie z masową produkcją bezwartościowego fast foodu generowanego przez AI i gdzie tak naprawdę leży niezastąpiona wartość człowieka w procesie podejmowania decyzji biznesowych.
Rozdział 1: Pułapka artefaktu i zalew fast foodu generowanego przez AI
Od lat w świecie korporacyjnym krążył pewien żart z konsultantów. Mówiono, że jedyne, w czym są naprawdę dobrzy, to tworzenie ładnych slajdów i eleganckich dokumentów w PowerPoint, za które firmy płacą miliony, choć brakuje w nich głębszej treści. Podobny zarzut stawia się czasem analitykom: „Przecież Twoja praca to po prostu napisanie zapytania SQL i wyklepanie ładnego wykresu”.
I tutaj dochodzimy do pierwszego powszechnego błędu w myśleniu o sztucznej inteligencji, który nazwałbym redukcją pracy do artefaktu. Logika entuzjastów powierzchownej automatyzacji wygląda następująco:
- AI potrafi stworzyć dokument, prezentację albo wygenerować kod w Pythonie.
- Konsultant lub analityk dostarcza dokument, prezentację albo kod.
- Wniosek: konsultanci i analitycy są zbędni.
To potężny skrót myślowy. To, co widzimy dzisiaj w wielu organizacjach po zachłśnięciu się generatorami tekstu i kodu, to nie automatyzacja wartościowej pracy, ale potężna inflacja niechlujnych dokumentów. W branży zaczyna się na to mówić wprost: AI slop. Coś na kształt fast foodu – dostajesz potężną dawkę kalorii (słów, akapitów, wypunktowań), ale wartości odżywczej nie ma w tym żadnej. Po pięciu minutach czytania znów jesteś głodny konkretów i tak naprawdę nic z tego nie wynika.
Kiedyś sposobem na oszukiwanie systemu w firmie było stwarzanie pozorów bycia zajętym. Chodziłeś szybko po korytarzu z otwartym laptopem pod pachą i zamyśloną miną, a ludzie myśleli: „Oho, ten to ma dużo na głowie, na pewno jest wartościowym pracownikiem”. Dzisiaj nowym sposobem na udawanie pracy jest generowanie ton tekstu jednym promptem. Dostajesz dokument napakowany specyficznym, nowomową powleczonym językiem, w którym każde zdanie brzmi schematycznie (klasyczne „To nie tylko X, to także Y”), a bullet pointy powielają te same ogólniki.
Dlaczego prawdziwy konsultant czy architekt danych nie zostanie tym zastąpiony? Ponieważ sztuczna inteligencja nie bierze żadnej odpowiedzialności za swoje słowa. Wszyscy znamy te sytuacje z Claudem czy ChatGPT, gdzie model po wskazaniu błędu odpowiada rozczulająco: „Masz całkowitą rację, przepraszam, kompletnie nie wysłuchałem Twoich instrukcji”. AI nie ponosi konsekwencji. Ty jako analityk czy konsultant – jak najbardziej.
Pamiętam ze swoich lat pracy na stanowisku Data Architekta, gdy przygotowywaliśmy dokumentację i plany rozwoju analityki dla zarządu. Każde jedno słowo w mailu, każdy przypis na slajdzie czy definiowana metryka w raporcie były przedmiotem zażartych dyskusji z przełożonymi. Dlaczego? Bo od tych słów zależały budżety, zobowiązania zespołów i kierunek rozwoju firmy na kolejne miesiące. Jeśli dostarczysz zły raport lub postawisz błędną hipotezę, konsekwencje biznesowe będziesz ponosić przez całe kwartały. AI po prostu bezrefleksyjnie przyjmie kolejnego prompta.
Rozdział 2: Analityczne myślenie w brudnym świecie (Messy Environments, Messy Data)
Większość osób szukających pracy w analizie danych wpisuje w swoim CV wyświechtane frazy: „analityczne myślenie”, „rozwiązywanie problemów”. Niestety, w praktyce często sprowadza się to do przekonania, że jest się sprawnym technicznie albo po prostu zdeterminowanym. Tymczasem prawdziwe myślenie analityczne objawia się w zupełnie innych warunkach niż te, które znamy z wyczyszczonych tutoriali na YouTube.
Heinrich Rusche w swoim filmie zwrócił uwagę na pojęcie, które niezwykle ze mną rezonuje: very messy environments, very messy data. I to jest szczera prawda o pracy w biznesie.
Decyzje, które musimy podejmować jako analitycy, BI deweloperzy czy architekci, niemal nigdy nie zapadają w idealnych warunkach. Najczęściej musimy działać wtedy, gdy:
- Danych jest stanowczo za mało lub są fatalnej jakości.
- Bazy danych nie są ze sobą połączone, a w dokumentacji panuje chaos.
- Wokół projektu jest mnóstwo niepewności i sprzecznych oczekiwań biznesu.
Gdy danych jest pod dostatkiem, są wyczyszczone i uporządkowane, decyzje często podejmują się same. Wystarczy spojrzeć na wykres. Prawdziwa sztuka polega na umiejętności nawigowania w sytuacji, gdy tych danych brakuje, a biznes mimo to musi podjąć decyzję: czy wdrażamy to narzędzie, czy wybieramy tę wersję modelu, jak definiujemy daną metrykę sprzedażową?
W takich momentach przewagę zdobywa człowiek – jego doświadczenie, przebyta droga i liczba przeanalizowanych brudnych przypadków brzegowych (edge cases). Dlatego zawsze powtarzam osobom, które chcą wejść do branży: nie budujcie portfolio składającego się wyłącznie z idealnych, pokolorowanych raportów na podstawie gotowych zbiorów z Kaggle.
Jeśli chcesz zdobyć realne umiejętności, zrób sobie małe torfowisko techniczne. Zainstaluj bazę lokalnie na swoim komputerze, napotkaj błędy przy konfigurowaniu środowiska, pozwól, by formuły się wysypały, a dane z pliku CSV miały złe kodowanie znaków. Męcz się z tym. To właśnie w tych męczarniach wykuwają się prawdziwe kompetencje analityczne. Przerobienie dziesięciu problemów technicznych na własnym sprzęcie da Ci więcej niż obejrzenie stu idealnych kursów.
Właśnie takie podejście przyświecało mi przy tworzeniu KajoDataSpace. Chciałem stworzyć miejsce, gdzie nie tylko uczysz się składni SQL czy Pythona, ale wchodzisz w interakcję z realnymi problemami, uczysz się budować portfolio odporne na biznesowy chaos i zyskujesz wsparcie mentora, który przeprowadzi Cię przez te trudniejsze momenty.
Zostań analitykiem danych – dołącz do KajoDataSpace!
Najlepsza ścieżka do zawodu analityka danych. Dostęp do pełnych wersji kursów online z Excela, SQLa, PowerBI, Tableau i Pythona z certyfikatami!
🟨 Ekskluzywana ale pomagająca sobie społeczność.
🟩 Ponad 75 godzin materiałów video.
🟨 Spotkania LIVE co miesiąc.
🟩 Mój osobisty mentoring.
Rozdział 3: Odczarowanie mitu „unemployable” i trzeźwe spojrzenie na AI Readiness
W dalszej części swojego nagrania Heinrich stawia bardzo mocną i dramatyczną tezę. Twierdzi, że jeśli pracownik nie opanuje umiejętności budowania procesów opartych na AI (czyli łączenia LLM-ów z narzędziami workflow), to w ciągu roku lub dwóch stanie się niezatrudnialny (unemployable).
Tutaj muszę powiedzieć stanowcze: spokojnie, Heinrich, trochę Cię poniosło.
To jest klasyczny przykład języka dramatów i alarmizmu, w który łatwo wpaść, gdy przebywa się w głębokiej bańce technologicznej. Jeśli na co dzień śledzisz nowinki na X, chodzisz na każdą edycję specjalistycznych wydarzeń dla programistów i słuchasz wypowiedzi szefów amerykańskich start-upów, możesz ulec złudzeniu, że cały świat wokół działa już na zaawansowanych agentach autonomicznych.
Tymczasem rzeczywistość w przeciętnej firmie wygląda zupełnie inaczej. Gdy wejdziesz do średniej wielkości polskiego przedsiębiorstwa, okaże się, że:
- Cztery osoby w dziale mają płatną subskrypcję ChatGPT Pro i czasem wrzucają tam maile do skorygowania.
- Firma ma wdrożonego Copilota, który działa wolniej i daje gorsze rezultaty niż średnio zaawansowany użytkownik Excela (a im częściej pracownicy z niego korzystają bezmyślnie, tym gorzej radzą sobie z samymi arkuszami).
- Większość procesów wciąż opiera się na plikach Excel przesyłanych mailowo.
Nie zostaniesz z dnia na dzień bezrobotnym tylko dlatego, że nie potrafisz zaprojektować skomplikowanego, autonomicznego przepływu pracy z wykorzystaniem LLM. Warto jednak wiedzieć, skąd wynika trudność we wdrażaniu sztucznej inteligencji na poziomie firmowym.
Prywatnie możesz sobie łatwo stworzyć prostą automatyzację – na przykład wrzucić do Claude’a swoje poprzednie wpisy i poprosić o napisanie posta na LinkedIna w Twoim stylu. Działa? Działa świetnie. Ale próba przeniesienia tego na poziom organizacji to zupełnie inna bajka.
W firmie pojawia się problem skali, zarządzania uprawnieniami, bezpieczeństwa danych, kosztów API oraz powtarzalności rezultatów. Zawsze lubię używać tej metafory: jeśli powiększysz mrówkę sto razy, to nie otrzymasz bardzo dużej mrówki. Otrzymasz słonia. A słoń to zupełnie inne zwierzę, charakteryzujące się zupełnie inną anatomią i wyzwaniami. Wdrożenie AI w procesach biznesowych to właśnie zamiana mrówki w słonia.
Rozdział 4: Zarządzanie zmianą – Dlaczego technologia to tylko 10% sukcesu
Każdy, kto kiedykolwiek brał udział w dużym projekcie IT – czy to wdrożeniu systemu ERP, CRM, czy budowie hurtowni danych – wie o jednej fundamentalnej prawdzie. Wybór architektury czy narzędzia to zaledwie ułamek sukcesu. Prawdziwe schody zaczynają się przy wdrożeniu operacyjnym i zarządzaniu zmianą (change management).
Pomyślmy o systemach CRM w wielkich korporacjach. Organizacje wydają miliony dolarów na licencje i kolejne miliony na konsultantów. A jaki jest powrót z tej inwestycji? Często poziom adaptacji nowego systemu wśród pracowników jest tragicznie niski. Ludzie po prostu nie chcą zmieniać swoich nawyków. Wolą prowadzić własne notatki na boku, bo nowy system wymaga od nich dodatkowego wysiłku.
Teraz pomnóżmy ten problem przez specyfikę sztucznej inteligencji. Tradycyjne systemy IT są deterministyczne – na to samo wejście dostajesz zawsze to samo wyjście. Tymczasem LLM-y są systemami niedeterministycznymi. Wprowadzenie takiego narzędzia do codziennych procesów wymaga od ludzi ogromnej elastyczności, umiejętności weryfikacji wyników i ciągłej kontroli jakości.
Ludzie z przodu technologicznego wyścigu często zapominają, jak długi jest ogon organizacji i pracowników, którzy stawiają opór przed zmianą sposobu pracy. I ten opór nie wynika wyłącznie z lenistwa. Wynika z faktu, że bezmyślne wdrożenie niedojrzałej technologii generuje więcej chaosu niż pożytku.
Właśnie dlatego przyszłość należy do osób, które potrafią przeprowadzić firmę przez ten proces. Potrzebni będą specjaliści, którzy potrafią zmapować proces biznesowy, zidentyfikować realne przypadki użycia (use cases) dla AI, a następnie połączyć technologię z ludzkimi nawykami.
Rozdział 5: Dashboard to rzeczownik. Twoją pracą jest czasownik
Na koniec chciałbym zostawić Was z przemyśleniem, które jest dla mnie kluczem do zrozumienia roli nowoczesnego analityka danych.
Nierzadko spotykam się z podejściem, w którym analityk uważa, że celem jego pracy jest dostarczenie gotowego raportu lub dashboardu w Power BI czy Tableau. „Dostałem wymagania, wyciągnąłem dane, stworzyłem wykres, wysłałem link – zadanie wykonane”.
To jest dokładnie ten sam błąd, o którym mówił Heinrich w kontekście konsultingu. To utożsamianie pracy z artefaktem. Gotowy dashboard to zaledwie 10% całej wartości, i wcale nie tej najważniejszej.
Twoim rezultatem nie jest produkt w postaci raportu. Twoim rezultatem jest proces.
- Nie dashboard (rzeczownik), ale raportowanie (czasownik).
- Nie kod SQL (rzeczownik), ale zapewnienie spójności danych (czasownik).
- Nie prezentacja (rzeczownik), ale doprowadzenie do podjęcia właściwej decyzji biznesowej (czasownik).
Raportowanie to zestaw ciągłych czynności: zrozumienie, co i po co mierzymy, na podstawie jakich systemów źródłowych, jak te dane ze sobą połączyć, jak zapewnić ich jakość oraz jak sprawić, by osoby decyzyjne potrafiły z nich skorzystać. AI może wygenerować szablon wykresu czy napisać proste zapytanie. Ale AI nie pójdzie do dyrektora sprzedaży, nie zada mu trudnych pytań o logikę biznesową i nie zauważy, że wskaźnik konwersji skoczył tylko dlatego, że ktoś zmienił definicję zdarzenia w Google Analytics.
Przyszłość analizy danych nie polega na walce ze sztuczną inteligencją. Przyszłość to praca z AI, przez AI i dzięki AI.
Wyobraźmy sobie dwa zespoły analityczne w konkurujących ze sobą firmach.
- Zespół A wyznacza trend automatyzacji: redukuje pięć etatów, zostawia samą sztuczną inteligencję i liczy na to, że system sam ogarnie analitykę.
- Zespół B utrzymuje pięciu analityków, ale daje im do ręki narzędzia oparte na AI, pozwalając im automatyzować nudne, powtarzalne czynności (jak pisanie dokumentacji czy czyszczenie kodu).
Kto wygra ten wyścig? Zespół B wygra za każdym razem. Ponieważ połączenie ludzkiej wiedzy domenowej, rozumienia kontekstu biznesowego i krytycznego myślenia ze skalą i szybkością AI daje nieprzełamalną przewagę konkurencyjną.
Zapisz się do
newslettera
🎁 i zgarnij darmowe bonusy:
Poradnik Początkującego Analityka
Video - jak szukać pracy w IT
Regularne dawki darmowej wiedzy, bez spamu
Podsumowanie: Nie oddawaj myślenia algorytmom
Zarówno konsulting, jak i analiza danych obronią się przed falą automatyzacji z jednego prostego powodu: biznes potrzebuje prawdy i odpowiedzialności, a nie tylko szybkiej generacji tekstu.
Największym zagrożeniem dla współczesnego analityka nie jest to, że AI zabierze mu pracę. Największym zagrożeniem jest abdykacja z własnego myślenia. Gdy przy każdym drobnym problemie przestajesz analizować, a zaczynasz bezrefleksyjnie wklejać zapytania do ChatGPT, powoli tracisz swoje analityczne wyczucie. To jak z tabliczką mnożenia – gdy przy mnożeniu 6 razy 7 musisz wyciągać kalkulator, Twoja sprawność umysłowa spada.
Dbaj o swoje fundamenty. Ucz się rozumieć procesy biznesowe, rozwijaj umiejętność zadawania właściwych pytań i nie bój się brudnych danych. A jeśli czujesz, że chcesz poukładać swoją wiedzę i rozwinąć skrzydła w tym nowym, hybrydowym świecie danych i AI, pamiętaj, że na KajoData i w KajoDataSpace czeka na Ciebie mnóstwo praktycznych zasobów.
Jeśli ten artykuł dał Ci do myślenia i uważasz, że może przydać się komuś z Twojej sieci kontaktów – podziel się nim w swoich mediach społecznościowych (na LinkedInie, Facebooku czy Twitterze). Dzięki Twoim udostępnieniom mogę docierać do kolejnych osób, które chcą budować mądrą i odporną na zmiany karierę w świecie danych. Do przeczytania w kolejnych wpisach!
Autorem artykułu jest Kajo Rudziński – analytical data architect, uznany ekspert w analizie danych, twórca KajoData oraz społeczności dla analityków KajoDataSpace.
To tyle w tym temacie. Analizujcie w pokoju!
Podobał Ci się ten artykuł 🙂?
Podziel się nim w Social Mediach 📱
>>> udostępnij go na LinkedIn i pokaż, że codziennie uczysz się czegoś nowego
>>> wrzuć go na Facebooka, to się może przydać któremuś z Twoich znajomych
>>> Przypnij sobie tą stronkę to zakładek, może się przydać w przyszłości
Wolisz oglądać 📺 niż czytać – nie ma problemu
>>> Obserwuj i oglądaj KajoData na YouTube
Wolisz czytać po angielsku? No problem!
Inne ciekawe artykuły:
