Кодирующие агенты и LLM ускорили техническую часть работы с данными: черновик пайплайна, набор признаков, SQL-запрос и сравнение моделей появляются быстрее, чем при ручном наборе. Роль дата-сайентиста из-за этого смещается вверх по «лестнице абстракции»: специалист отвечает за то, что нужно сделать и почему это важно, а механику того, как это сделать, всё чаще отдаёт агенту. Такую рамку предлагает авторский разбор на Towards Data Science.
Дата-сайенс традиционно ассоциируется с алгоритмами машинного обучения, предиктивным моделированием, статистикой, математикой и оптимизацией. Эта база никуда не уходит. Меняется точка приложения усилий: писать код становится дешевле, а формулировать задачу, выбирать подход и проверять результат - дороже.
Дальше по порядку: что забирают агенты и что остаётся человеку, как устроена лестница абстракции и как определить на ней своё место, почему агент работает как младший коллега. Потом четыре типа аналитики, два сквозных примера и навыки, которые растут в цене.
Что на самом деле меняет AI в работе дата-сайентиста
Сдвиг идёт по технической части. Агент пишет черновик функции, собирает пайплайн, перебирает варианты признаков, переводит вопрос в SQL, делает первую версию графика, рефакторит чужой код. Всё это раньше занимало часы, теперь начинается с готового черновика.
Ожидания стоит откалибровать. В разборе AI-Manual об агентах в цикле разработки видно, что ускоряются в первую очередь планирование и типовые задачи, а новая логика даётся лишь в 1,3-1,8 раза быстрее ручной работы. Чем меньше в задаче незнакомого контекста, тем предсказуемее выигрыш.
Что забирают агенты, а что остаётся человеку
На стороне агента: черновик кода и пайплайна, генерация признаков, перебор подходов, первая версия визуализации, рутинный рефакторинг. На стороне человека: формулировка задачи, приоритеты, интерпретация, проверка допущений и финальное решение.
Рабочий критерий деления: если для верного ответа нужно знание, которого нет ни в данных, ни в промпте, задача упирается в человека. Приоритеты организации, история данных, прошлые инциденты, договорённости с другими отделами не выводятся из датасета, каким бы чистым он ни был.
Почему это не «AI заменит дата-сайентиста»
Большая абстракция не означает меньшей ответственности. Нужно достаточно понимать основы, чтобы направлять работу, ставить под сомнение допущения и оценивать результаты, по формулировке автора.
Без базы нельзя ни оценить вывод модели, ни распознать, когда модель-кандидат неуместна в конкретной ситуации. Вопросы о том, как устроены модели и как улучшить их качество, остаются рабочей повесткой, просто проверяются быстрее за счёт агента.
Прогнозов рынка труда здесь не будет. Есть рамка роли: написание кода дешевеет, а способность выбрать, что именно строить, и понять, что результат верный, дорожает.
Лестница абстракции: что это и где вы сейчас
Уровень абстракции - понятие из computer science и информационных систем. Оно описывает, насколько мы отступаем от технических деталей к более широкой проблеме и решениям, которые она информирует. На низком уровне специалист пишет или настраивает алгоритм. На высоком спрашивает, какой подход подходит к проблеме, какие доказательства сделают результат полезным и как он должен направлять действия.
Подъём по лестнице означает сдвиг к «что нужно сделать и почему это важно» вместо «как это сделать». Практический приём: до первой строки кода сформулировать, какое решение примет бизнес по результату и сколько стоит ошибка.
Историческая аналогия: scikit-learn как предыдущая ступень
Библиотеки вроде scikit-learn позволили применять алгоритмы машинного обучения, не прописывая каждый с нуля. Специалисты не исчезли, их работа сместилась к выбору алгоритма, признакам и оценке качества. Теперь AI делает следующий шаг: естественный язык становится следующим языком программирования, абстрагируя детали подсистемы и помогая связывать части всего рабочего процесса.
Аналогия объясняет механику, но не гарантирует те же последствия. У LLM свои режимы отказа: они уверенно выдают правдоподобный результат при слабых допущениях. Об этом ниже.
Как определить свой уровень и куда двигаться
Признаки низкого уровня: день уходит на синтаксис, отладку и ручную сборку, а вопрос «зачем это бизнесу» откладывается на потом. Признаки высокого: время уходит на формулировку задачи, выбор подхода, проверку допущений и обсуждение результата.
Действие: взять одну текущую задачу и выписать, какое решение она информирует и какие доказательства сделают результат полезным. Если ответа нет до кода, работа идёт не на том уровне. Признак, что получилось: постановку можно показать человеку из бизнеса, и он узнаёт в ней своё решение, а не описание модели.
AI-агент как младший коллега: как с ним работать
Работа с агентом похожа на работу с младшим коллегой. Он помогает исследовать подходы и быстро делает первый черновик, но может не знать приоритетов организации, институционального знания, истории данных и неявных допущений, пока ему об этом не скажут, отмечает автор разбора.
Аналогия полезна в обе стороны. Младшему коллеге вы не отдаёте финальное решение и не исчезаете из проекта после постановки задачи. То же с агентом: делегирование без проверки даёт скорость без качества.
Что передать агенту, чтобы он не угадывал
Пять блоков контекста, без которых результат будет правдоподобным, но случайным:
- бизнес-цель и метрика успеха;
- как собирались данные и где в них дыры;
- что уже пробовали и почему не сработало;
- какие допущения считаются приемлемыми;
- формат результата и критерии приёмки.
Институциональное знание и история данных не выводятся из датасета, их передают явно. Пример: агент не знает, что часть истории продаж искажена сменой учётной системы. Он аккуратно обучится на разрыве ряда и выдаст прогноз, который будет выглядеть корректным. Как готовить данные и управляемый слой под агентов, разобрано в материале про корпоративные данные для AI-агентов.
Где агент ошибается чаще всего
- правдоподобный код с неверной логикой;
- подгонка под метрику без учёта бизнес-смысла;
- ложные корреляции, принятые за сигнал;
- неуместная модель для конкретной ситуации;
- допущения, не проговорённые в постановке.
Правило проверки: сначала смотрим на постановку и допущения, потом на код. Доли отказов по этим категориям зависят от задачи, модели и объёма переданного контекста, универсальных цифр нет. Если хочется поднять надёжность числом агентов, стоит вспомнить разбор про рой AI-агентов: десятки агентов не дают больше интеллекта, зато добавляют координацию, дрейф и взаимное подтверждение ошибок.
Четыре типа аналитики на новом уровне абстракции
Рамка описательной, диагностической, предиктивной и прескриптивной аналитики не меняется. Меняется вклад специалиста на каждом этапе: агент ускоряет производство артефактов, человек отвечает за смысл, причинность, допущения и действие.
| Тип аналитики | Что ускоряет агент | Что остаётся человеку |
|---|---|---|
| Описательная | SQL, сводки, черновики дашбордов, текстовые описания | Смысл цифр и решение, которое они информируют |
| Диагностическая | Гипотезы и их быстрая проверка | Отделение причины от совпадения |
| Предиктивная | Пайплайн, признаки, сравнение моделей | Допущения, утечки, стабильность, связь метрики с целью |
| Прескриптивная | Варианты решений и сценарии | Выбор действия, ограничения, объяснение бизнесу |
Описательная аналитика: от цифр к бизнес-смыслу
Агент быстро собирает SQL, сводные таблицы, черновики дашбордов и текстовые описания. Человек отвечает за то, что цифры значат для решения: какие сегменты важны, что считать аномалией, какие вопросы задать к данным.
Главный риск здесь скучный: красивая сводка, которая ни на какой вопрос не отвечает. Практика простая. До генерации отчёта зафиксируйте, какое решение он информирует. Если формулировка не складывается, отчёт не нужен.
Диагностическая аналитика: защита от ложных корреляций
Агент генерирует гипотезы десятками и проверяет их быстро. Это ценно и одновременно повышает риск ложных корреляций: чем больше проверок, тем выше шанс найти совпадение, которого нет в природе.
Работа человека: отделять корреляцию от причинности, проверять механизм, учитывать контекст сбора данных, искать альтернативные объяснения. Пример: рост продаж совпал с запуском акции, но в том же месяце изменились сезонность и ассортимент. Агент найдёт совпадение, человек разбирается, что именно повлияло.
Предиктивная аналитика: проверка допущений модели
Агент ускоряет черновик пайплайна, подбор признаков и сравнение моделей. Человек проверяет допущения, уместность модели для ситуации, утечки из будущего, стабильность во времени и то, что метрика отражает бизнес-цель, а не удобство отчёта.
Утечка из будущего - типичный провал быстрого черновика: в признаки попадает поле, которого на момент прогноза ещё не существует. Метрика на валидации выглядит отлично, в продакшене модель разваливается. Ловится это чтением списка признаков, а не настройкой гиперпараметров.
Прескриптивная аналитика: ответственность за действие
Агент предлагает варианты решений и быстро считает сценарии. Человек отвечает за то, какое действие рекомендовать, какие ограничения учесть и как объяснить выбор бизнесу.
Вопрос уровня абстракции звучит так: как результат должен направлять действия. Риск предсказуемый: метрика улучшается в отрыве от реальных ограничений склада, смены, бюджета или договора. Агент не знает этих ограничений, пока их не задали явно.
Пример: прогнозирование спроса с AI-агентами
Прогноз спроса удобен тем, что в нём хорошо видно разделение труда между человеком и агентом.
- Постановка. Сначала выясняется, какое решение поддержит прогноз: закупка, загрузка производства, план логистики. У каждого своя цена ошибки: недозакупка теряет выручку, перезакупка замораживает деньги и склад. Это зона человека, потому что приоритет между потерями задаёт бизнес.
- Данные и черновик. Агент собирает пайплайн, признаки (лаги, скользящие средние, календарь, промо), сравнение моделей. Здесь ускорение максимальное.
- Допущения. Человек проверяет сезонность, промо, изменение ассортимента, смену учётной системы, географию продаж. Сломанный ряд агент не заметит, он его выучит.
- Интерпретация и разговор с бизнесом. Нужно объяснить, что прогноз значит для закупки и какой запас устойчивости заложить. Это коммуникация, её агент не закрывает.
Отдельно стоит риск ложной корреляции: промо и рост продаж часто совпадают с сезоном, и агент аккуратно найдёт совпадение. Проверка на утечку данных обязательна: если в признаки попали фактические продажи будущих периодов, метрика будет красивой, а прогноз бесполезным.
Формулировка задачи на высоком уровне меняет весь результат: не «построй прогноз», а «какое решение и с какой ценой ошибки поддержит прогноз». Ответ на второй вопрос определяет горизонт, гранулярность, метрику и то, что считать хорошим результатом.
Пример: оптимизация и сквозной дизайн решений
Здесь верхний уровень лестницы виден лучше всего. Агент быстро собирает варианты постановки задачи, считает сценарии и пишет код. Человек формулирует целевую функцию с реальными ограничениями: вместимость склада, бюджет, минимальная партия, сроки поставки, ёмкость смены.
Проверка, которую агент не сделает за вас: не ломает ли улучшение одной метрики смежный процесс. Сократили запас на складе, выросла оборачиваемость, а сервисный уровень упал и часть клиентов ушла. Числа по каждому блоку сходятся, контур в целом ухудшился.
Сквозной дизайн означает связать данные, модель, ограничения и действие в один контур и заранее решить, кто принимает решение по рекомендации и что будет считаться ошибкой. Такая постановка занимает больше времени, чем запуск агента на готовой формуле, и определяет, будет ли результат полезен.
Навыки, которые растут в цене: суждение, партнёрство, стратегия
Суждение и критическое мышление. Нужны, когда агент выдал результат и надо решить, можно ли на него опираться: проверить допущения, отличить корреляцию от причины, оценить уместность метода. Тренируется на своей же задаче: перед запуском кода выписать три способа, которыми результат может быть неверным. Признак, что навык работает: вы находите ошибку раньше, чем её найдёт заказчик.
Партнёрство с бизнесом. Нужно, чтобы задача вообще была поставлена в терминах решений, а не моделей. Действие: переводить любой запрос в вопрос «какое решение вы примете и сколько стоит ошибка». Признак результата: заказчик формулирует критерий приёмки сам, без ваших подсказок.
Стратегическое мышление на уровне сквозного дизайна. Нужно, когда результат одной модели влияет на соседние процессы. Действие: рисовать контур целиком, включая владельца решения и метрику качества вне модели. Признак: до начала работ понятно, кто и что сделает с результатом.
База не отменяется. Математика, статистика и машинное обучение нужны, чтобы направлять работу и распознавать неуместную модель. Разница в том, что эти знания чаще применяются для проверки чужого черновика, чем для написания своего с нуля.
Что делать на практике: короткий чек-лист перехода
- Сформулируйте решение и цену ошибки. До кода: какое действие изменится по результату и что будет, если вывод окажется неверным. Признак готовности: формулировку понимает человек из бизнеса.
- Передайте агенту контекст. Цель, историю данных, известные искажения, ограничения, критерии приёмки. Признак: агент не задаёт вопросы, ответы на которые есть в брифе.
- Проверяйте постановку раньше кода. Сначала допущения и уместность метода, потом сам код. Признак: список проверенных допущений длиннее списка правок в коде.
- Отдельно проверьте причинность и утечки. В диагностике ищите альтернативные объяснения, в предиктиве смотрите на признаки со стороны доступности в момент прогноза. Признак: для каждой значимой связи есть механизм, а не только коэффициент.
- Зафиксируйте действие и владельца. Что следует из результата и кто принимает решение. Признак: результат входит в рабочий процесс, а не остаётся в отчёте.
Граница самостоятельной проверки проходит там, где вопрос причинности требует эксперимента или предметной экспертизы: A/B-тест, знание технологии, юридические ограничения. Такие задачи закрывает специалист по существу, а агент ускоряет подготовку к разговору с ним.