Jako że właśnie zamknąłem pewien etap swojej kariery zawodowej i od maja 2026 roku w pełni poświęcam się rozwijaniu naszej społeczności, mam wreszcie czas, by na spokojnie usiąść do tematów, które Was najbardziej nurtują. A nie da się ukryć, że jednym z najgorętszych wątków, o który pytacie mnie w mailach, na LinkedInie czy w wiadomościach prywatnych, jest przyszłość zawodu analityka w starciu z postępującą sztuczną inteligencją.
Dostaję od Was mnóstwo pytań o to, jak to rzeczywiście wygląda w biznesie i czy jest sens w ogóle zaczynać naukę analizy danych, skoro AI rzekomo potrafi już wszystko. Dziś chciałbym się z Wami podzielić moimi przemyśleniami, które oparłem na obserwacjach z pierwszej linii frontu – pracy w dużych ekosystemach danych i rozmowach z ludźmi z branży.
Wielkie kłamstwo o końcu pracy analityka
Zacznijmy od najpopularniejszego mitu, który krąży w sieci: AI zabrało już pracę wszystkim analitykom i teraz nie ma już dla nas miejsca. Słyszymy to regularnie od liderów takich jak Dario Amodei, którzy co rok ogłaszają, że za pół roku świat, jaki znamy, przestanie istnieć. Rozumiem to podejście z biznesowego punktu widzenia – jeśli prowadzisz firmę tworzącą modele AI, musisz pompować ten hype, by przyciągnąć inwestorów i uwagę.
Rzeczywistość w standardowej firmie, która nie jest zwinnym startupem technologicznym, wygląda jednak zupełnie inaczej. Nie jestem hejterem tej technologii – sam z niej korzystam i widzę, że moi koledzy po fachu również to robią. Jednak to, co widzimy na efektownych prezentacjach, rzadko przekłada się jeden do jednego na codzienną pracę w dużych organizacjach.
Pułapka idealnej komunikacji
Pierwszym obszarem, w którym AI mocno namieszało, jest komunikacja. Jeszcze niedawno ceniono osoby, które potrafiły napisać klarownego maila, sensowne podsumowanie czy dobrze poprowadzić rozmowę. Dziś każdy z nas może wygenerować wiadomość z idealnymi wypunktowaniami i profesjonalnie brzmiącym streszczeniem.
Paradoks polega na tym, że kiedy wszystko wygląda na „doskonale napisane”, nikt tego nie czyta. Ciężko odróżnić wartościową analizę, nad którą ktoś rzeczywiście pomyślał, od powierzchownego tekstu wygenerowanego w trzy sekundy po przesunięciu przecinka w kodzie. Znika gdzieś ta głębia, a my toniemy w morzu treści, które choć wyglądają profesjonalnie, często nie wnoszą realnej wartości biznesowej.
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.
Drenaż intelektualny i problem z pamięcią mięśniową
Najbardziej niepokojącym zjawiskiem, jakie dostrzegam, jest wpływ AI na osoby będące na początku swojej drogi zawodowej. Istnieją już badania potwierdzające, że im niżej jesteś w hierarchii doświadczenia, tym bardziej poleganie na AI może Ci zaszkodzić w długim terminie.
Dlaczego tak się dzieje? Bo Twój mózg potrzebuje czasu na wytrenowanie „pamięci mięśniowej”. Musisz napisać setki, jeśli nie tysiące joinów w SQL-u czy linii kodu w Pythonie, byś mógł spojrzeć na ekran i od razu wiedzieć, co jest nie tak. Jeśli od pierwszego dnia wszystko generuje za Ciebie model, tracisz szansę na zbudowanie fundamentów. Widzę to jako realny drenaż intelektualny – skill ludzi po prostu spada, bo przestają rozumieć, co dzieje się pod maską wyprodukowanego kodu. Za dwa lub trzy lata osoby, które rzeczywiście będą potrafiły samodzielnie pisać i rozumieć kod, będą na wagę złota.
Czy Twoja organizacja jest AI Ready?
W korporacyjnym świecie obecnie panuje pewnego rodzaju szaleństwo wokół pytania: „Czy jesteśmy AI ready?”. Byłem na niezliczonej liczbie spotkań, gdzie głowa płonęła od teoretycznych rozważań na ten temat. Często te pytania są zasadne – szukamy miejsca na chatboty czy automatyzację bazy wiedzy.
Jednak brutalna prawda jest taka, że dla wielu firm bycie „AI ready” to głównie kwestia wizerunkowa i wyceny. Inwestorzy chcą słyszeć, że firma używa sztucznej inteligencji „na maksa”, bo to pompuje wartość. Wszyscy potakują głowami, zapewniają o bezpiecznym wdrażaniu technologii, podczas gdy w rzeczywistości trwa desperacka próba znalezienia jakiegokolwiek sensownego zastosowania (use case), które nie byłoby tylko kolejnym wciśniętym na siłę chatbotem.
Mit automatycznych wniosków biznesowych
Często obiecuje się nam wizję, w której użytkownik biznesowy po prostu wpisuje pytanie i natychmiast dostaje gotowy wniosek. To może zadziałać w małej skali, przy prostych zapytaniach i dużym marginesie błędu. Ale w prawdziwym biznesie, gdzie błędy kosztują, potrzebujemy analityków, którzy znają strukturę baz danych, wiedzą, jak łączą się źródła i jakie filtry należy zastosować.
Problem polega na tym, że procesy AI nie są w pełni deterministyczne. Czasami nie wiemy, dlaczego wynik jest taki, a nie inny. W takich momentach pojawia się pewnego rodzaju „szamanizm promptowania” – dodawanie magicznych zaklęć typu „no mistakes”, byle tylko model przestał halucynować. Kiedy automatyzacja zawodzi na masową skalę, ludzie i tak wracają do ludzi, by obciążyć ich odpowiedzialnością za decyzje.
Przyszłość: Inteligencja jako towar masowy?
Istnieje koncepcja „intelligence as a commodity”, zakładająca, że inteligencja – czyli to, co my analitycy dostarczamy – stanie się powszechna i tania jak prąd czy woda. Modele będą tworzyć strony, pisać kod i analizować dane za ułamek ceny ludzkiej pracy.
Moim zdaniem sprawa nie jest taka prosta. Już teraz widzimy, że modele docierają do pewnej ściany i naukowcy, jak choćby Ilya Sutskever, sugerują powrót do fazy badań podstawowych. AI jest genialne do tworzenia MVP (Minimum Viable Product), co niesamowicie pomaga mi np. przy projektach w KajoData. Ale duże firmy nie mogą opierać swojego funkcjonowania wyłącznie na poziomie MVP. One potrzebują stabilnych, bezpiecznych i w pełni zrozumiałych ekosystemów danych.
Zapisz się do
newslettera
🎁 i zgarnij darmowe bonusy:
Poradnik Początkującego Analityka
Video - jak szukać pracy w IT
Regularne dawki darmowej wiedzy, bez spamu
Dlaczego warto zostać przy fundamentach?
W tym całym wyścigu zbrojeń wygrywa nie ta strona, która ma tylko AI, ale ta, która ma AI i świetnych analityków. Jeśli jedna firma zrezygnuje z ekspertów na rzecz samych modeli, a jej konkurencja zatrzyma ludzi, którzy potrafią tymi modelami sterować i weryfikować ich pracę, to ta druga firma zawsze będzie miała przewagę.
To właśnie czynnik ludzki jest tutaj kluczowy. Nie chodzi tylko o bycie „human in the loop”, czyli sprawdzanie, czy AI nie popełniło błędu w kodzie. Chodzi o wyznaczanie kierunku – decydowanie o tym, co analizujemy, dlaczego to robimy i jak te wnioski przełożyć na strategię. Właśnie dlatego na moich kursach, do których możecie zajrzeć na kajodata.com, tak mocno kładę nacisk na fundamenty: Excela, SQL-a czy Pythona. To one dają Wam bazę, dzięki której nie dacie się „wyplewić” przez technologię, lecz staniecie się jej operatorami.
Nie bójcie się, że świat skończy się na Excelu, bo tak się nie stanie. Ja sam dawno z niego nie korzystam jako głównego narzędzia, a wciąż czuję się potrzebny i jestem dobrze wynagradzany w branży. Kluczem jest adaptacja, a nie ślepe podążanie za każdym nowym trendem, który ma rzekomo zrewolucjonizować świat w trzy godziny.
Jeśli uważasz, że ten artykuł rzuca nieco więcej światła na rzeczywistość pracy z danymi w 2026 roku, podziel się nim proszę w swoich mediach społecznościowych. Wasze wsparcie pozwala mi tworzyć więcej takich treści i budować społeczność świadomych ekspertów!
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:
