Как меняются навыки аналитиков и дата-специалистов в эпоху AI, Анатолий Карпов
Анатолий Карпов, эксперт в области аналитики и машинного обучения. Руководил командой аналитики в отделе бизнеса и рекламы VK, karpov.соurses. Форум Data Day 2026 «ИИ + Данные». Организатор — Издательский дом «Регламент».
Рынок не обнулился и не заменил классические роли полностью, но он заметно сместился в сторону новых требований. Аналитики, ML-инженеры и дата-инженеры по-прежнему нужны, однако привычный набор ожиданий сильно вырос. Если раньше достаточно было уверенно владеть SQL, Python, статистикой и базовым A/B-тестированием, то теперь это воспринимается скорее как обязательный минимум, а не как конкурентное преимущество.
Отдельно подчеркивается, что в крупных компаниях уже пройдена стадия базовой стандартизации. Там построены DWH-платформы, автоматизированы A/B-тесты, отлажены процессы и внедрены ML-решения. Поэтому ценность специалиста смещается от простого умения «делать тесты» или «писать модели» к способности улучшать уже существующие системы: ускорять процессы, повышать точность моделей, находить узкие места в инфраструктуре и повышать эффективность бизнеса на следующий процентный уровень.
Существенный блок выступления посвящен инфляции грейдов. То, что раньше считалось уровнем middle, сегодня часто ожидается от junior-специалиста. Базовые знания статистики, Python и аналитического инструментария уже не выглядят чем-то выдающимся, а становятся нормой. Из-за этого кандидату недостаточно просто перечислить инструменты в резюме — важно показать более глубокое понимание, умение работать с более сложными задачами и способность приносить измеримую пользу.
Особый акцент сделан на том, что новые AI-инструменты не отменяют инженерную составляющую, а, наоборот, поднимают планку. Сам по себе no-code или low-code подход не решает задачу построения карьеры в IT. Если человек хочет развиваться в аналитике, разработке или дата-инжиниринге, ему все равно нужно понимать облака, Docker, репозитории, ветвление кода, инфраструктуру и принципы production-ready разработки. Иными словами, AI упрощает часть действий, но не убирает необходимость понимать, как все устроено «под капотом».
Важнейший тезис выступления — ценность доменной экспертизы резко выросла. В эпоху AI недостаточно быть просто технически сильным специалистом: нужно хорошо понимать конкретную отрасль, в которой работаешь. Для аналитика в рекламе это значит разбираться не только в данных, но и в механике рекламы, социальных сетей, внутренних бизнес-правил и контекста компании. Именно доменная область помогает корректно переводить запросы бизнеса в рабочие решения и обеспечивает качество результатов, особенно когда часть задач делегируется AI.
Еще одна важная линия — переход к AI-платформам и агентной инфраструктуре. Если раньше ключевыми объектами работы были DAG’и, Airflow и классические пайплайны, то теперь все чаще нужно оркестрировать агентов и строить новые внутренние платформы для AI-решений. Это создает новый слой задач, где ценятся специалисты, способные работать на стыке аналитики, инфраструктуры и AI. Такой специалист уже не просто «исполнитель», а человек, который может проектировать и улучшать технологическую систему в целом.
Выступление также показывает, что рынок найма стал более жестким и противоречивым. Компании часто хотят нанимать сразу сеньоров, а не медлов и джунов, но при этом реальные вакансии нередко формулируются расплывчато — ищут просто «аналитика» с очень длинным списком требований. Возникает разрыв между ожиданиями бизнеса и реальной структурой рынка. На этом фоне усиливается иллюзия, что можно найти сильного кандидата дешевле и быстрее, чем это возможно на практике.
Отдельно отмечается, что AI уже влияет и на размеры команд. Часть функций автоматизируется, часть ролей перераспределяется, а отдельные процессы действительно сокращают потребность в людях. Но это не сводится к простому сценарию «агенты всех заменили» — на изменения влияют и автоматизация, и переразметка обязанностей, и новые управленческие модели. Скорее, рынок переходит в фазу пересборки команд и ролей.
В финале выстраивается практический вывод: лучший путь для развития — не только учить инструменты, но и делать собственные проекты, экспериментировать и показывать, что умеешь применять знания в реальных задачах. Особенно важно уметь работать с AI не на уровне бытового использования, а на уровне продакшн-решений. Именно сочетание технической базы, доменной глубины и умения строить рабочие AI-системы становится самым сильным профилем на рынке.
