Раньше значительная часть работы аналитика была связана с тем, чтобы получить нужные данные: найти их в базе, написать запрос, собрать выборку и подготовить результат. Теперь часть этой работы можно делегировать ИИ. О том, какие задачи вайбкодинг уже помогает решать в аналитике, где результату можно доверять, а где его обязательно нужно проверять, и как меняется работа аналитика, рассказывает Антон Романов, BI-аналитик Битрикс24.
Что такое вайбкодинг применительно к аналитике
Вайбкодинг — это когда вы описываете словами, что хотите получить, а ИИ помогает написать код. Например: «сходи в эту базу, посчитай выручку по менеджерам за квартал, покажи динамику по неделям» — и в ответ получаете SQL-запрос и результат. Если результат не устроил, вы уточняете задачу обычным языком, вместо того чтобы вручную переписывать запрос.
Для рядового пользователя это способ быстрее собрать продукт. Для аналитика — нечто большее. У аналитика код всегда был препятствием между вопросом и ответом. И как только мы убираем препятствие, то меняется и сама структура работы.
Какие задачи вайбкодинг закрывает сегодня
Добыча данных из открытых источников
Это направление оказалось самым недооцененным. Раньше идея «а давайте обогатим наши данные внешним справочником» упиралась в то, что кто-то должен написать парсер, разобраться со структурой чужого сайта, обработать ошибки, сложить результат в нужном формате. На пару дней работы задача не тянула по приоритету и оставалась в бэклоге навсегда.
Сейчас выгрузка статистических данных, справочников, отраслевых показателей или парсинг сайта — это разговор на
Написание и — что важнее — переписывание кода
С написанием нового кода всё понятно. Гораздо интереснее второе применение: рефакторинг того, что уже работает. В любой компании есть запросы и скрипты, которые писались три года назад, обросли исключениями, работают медленно, и менять их страшно — непонятно, что еще перестанет работать вместе с ними.
ИИ разбирает старый запрос за минуты: объясняет, что происходит в каждом блоке, находит лишние соединения, предлагает оптимизацию. Дальше вы сверяете результат старого и нового запроса на контрольных цифрах — и обновляете.
Ad hoc-запросы и исследования
Здесь мы используем два сценария.
Первый: даём коллегам доступ к проверенному датасету, и они через ИИ-агента сами уточняют цифры и проверяют свои гипотезы без очереди к аналитику.
Второй: мы сами даем агенту доступ к базе и ставим более широкую задачу — найти что-то интересное, что мы могли не заметить. Например: «Посмотри на эти таблицы, найди аномалии в динамике за полгода», «сравни поведение двух сегментов клиентов и скажи, чем они отличаются». Результаты получаются вполне достойные, а главное — раньше на такие исследования просто не находилось времени. Они были нужны, но позволить их себе мы могли далеко не всегда. Для таких задач мы используем Битрикс24 Коворк/Код, который напрямую связан с корпоративными данными хранит информацию только на наших серверах.
Доверие: где ИИ уже сильнее человека, а где нет
Скажу прямо, на собственном опыте: в написании кода ИИ обогнал человека. Он быстрее, аккуратнее, помнит синтаксис разных диалектов, не устает к шести вечера и не делает опечаток в названии поля. Спорить с этим бессмысленно, проще этим пользоваться.
Но у этого превосходства есть точная граница. ИИ отвечает ровно на тот вопрос, который вы задали, а не на тот, который вы имели в виду.
Поэтому за человеком по-прежнему остаются три вещи:
- Точный промпт. Прежде чем что-то просить, вы должны сами понимать, какой результат хотите увидеть и на каких данных он должен считаться. Расплывчатый вопрос дает расплывчатый ответ — и это проблема постановки, а не проблема модели. Хороший промпт — это, по сути, техническое задание: что считаем, на каких данных, в каких границах, в каком виде на выходе.
- Сам вопрос. О нем — отдельный разговор ниже, потому что это ключевой момент.
- Проверка ответа. ИИ уверенно выдаёт результат, даже когда неправильно понял бизнес-смысл поля. Он не знает, что сделки в статусе 7 у вас исторически считаются отмененными, если только вы ему об этом не сказали. Поэтому любой результат сверяется с контрольными цифрами, а любой сгенерированный запрос читается глазами — хотя бы по диагонали, на предмет «а те ли таблицы он соединил».
ИИ отвечает — человек формулирует задачу и проверяет результат.
Чувствительность данных: что можно скармливать, а что нет
Всё зависит от того, каким агентом вы пользуетесь.
Если вы уверены, что модель не передает данные третьей стороне — например, она развернута в вашем контуре или работает локально, — с ней можно работать содержательно. Если это публичный облачный чат, исходите из того, что всё отправленное покинуло периметр компании навсегда.
Но даже при полном доверии к инструменту я бы рекомендовал не передавать чувствительную информацию без необходимости. Простое правило: давайте только то, что нужно для анализа. Для расчета конверсии по менеджерам не требуются ФИО клиентов, номера телефонов и суммы договоров с реквизитами — достаточно обезличенных идентификаторов и агрегатов. Чем меньше лишних данных вы передаете, тем ниже потенциальный риск.
Ещё один приём: отделяйте структуру от содержания. Очень часто ИИ достаточно знать схему данных — какие есть таблицы, поля, типы, что означает каждый статус — чтобы написать корректный запрос. Сами данные при этом остаются в базе, а запрос выполняется у вас.
Почему профессия изменилась навсегда
Здесь стоит остановиться и посмотреть шире.
В аналитике есть классическая пирамида зрелости. В основании — описательная аналитика: что произошло. Это выгрузки, отчёты, дашборды, «сколько продали в июле». Выше — диагностическая: почему это произошло. Ещё выше — предиктивная: что произойдет дальше. И на вершине — рекомендательная: что нам с этим делать.
Пирамида аналитики: куда уходило время раньше и куда его можно тратить теперь (рис. 1):
- Нижние два этажа. Здесь раньше проходила значительная часть работы аналитика. Теперь многие такие задачи ИИ может выполнять за минуты .
- Верхние два этажа. Раньше на них часто не хватало времени, а теперь его стало больше.
Пирамида устроена примерно как пирамида Маслоу: пока не закрыты базовые потребности, до верхних уровней просто не добраться. В аналитике похожая история.
Последние двадцать лет значительная часть работы аналитика уходила на первые два этажа: понять, что произошло, и разобраться почему. Нужно было собрать данные, соединить таблицы, свести цифры, найти причину расхождения, обновить дашборд, ответить на очередной однотипный запрос. Предиктивная аналитика при этом часто оставалась задачей для отдельных проектов.
Вайбкодинг заметно сокращает время на базовые задачи. Описательную аналитику теперь можно сделать за минуты, диагностическую — за часы. У аналитика появляется больше времени на следующий уровень работы.
Вопрос в том, на что его тратить. На мой взгляд, в первую очередь — на постановку вопросов и поиск новых точек для анализа.
Раньше ценность аналитика во многом определялась тем, насколько хорошо он умеет получать ответы: быстро работать с данными, писать запросы и пользоваться инструментами. Теперь часть этой работы может взять на себя ИИ. А вот понять, что именно стоит спросить, по-прежнему должен человек.
Хороший вопрос — это не только «сколько мы продали». Это, например, «что общего у клиентов, которые ушли молча», «чем отличается наша лучшая неделя от средней, кроме объема» или «что мы перестанем понимать, если эта метрика вырастет вдвое». Такие вопросы появляются из понимания бизнеса и наблюдений за тем, что в нем происходит. Данные помогают проверить гипотезу, но сами по себе не всегда подсказывают, какую гипотезу стоит проверить.
Поэтому работа аналитика постепенно смещается от выполнения отдельных запросов к постановке задач и поиску закономерностей. Инструмент для выполнения этой работы теперь доступен гораздо шире, а умение правильно сформулировать задачу становится все важнее.
Мне кажется, это хороший поворот для профессии.
Честно: стало интереснее и тревожнее одновременно
Если говорить о личном ощущении, оно двойственное. Работать стало однозначно интереснее — но и тревожнее.
Мы стоим на пороге нового технологического уклада, и главное отличие от предыдущих в скорости. Раньше подобные перевороты растягивались на десятилетия: люди успевали привыкнуть, переучиться, найти новое занятие, вырастить детей уже в новой реальности. Сейчас всё происходит настолько молниеносно, что непонятно, что будет завтра. Инструмент, который вы освоили полгода назад, сегодня выглядит устаревшим.
Есть известная фраза про то, что нужно бежать, чтобы оставаться на месте. Сейчас бежать приходится внутри поезда — и поезд, возможно, едет не в ту сторону.
Я не считаю это поводом для паники. Скорее, это новое рабочее состояние для тех, кто работает с данными. Тревога здесь неизбежна, но к ней можно привыкнуть — как к необходимости регулярно переучиваться и менять привычные подходы.
«А нас не заменят?»
Этот вопрос коллеги задают чаще всего, и ответ у меня короткий: бороться с этим бесполезно.
Луддиты ходили крушить ткацкие станки. Результат известен — станки остались, а луддиты нет. Технология, которая дает выигрыш в скорости на порядок, не исчезнет только потому, что мы не хотим ее использовать.
Единственная работающая стратегия — быть на волне. А если не получается на волне, то хотя бы держаться рядом с берегом, где эти волны бушуют: пробовать, ошибаться, смотреть, что делают другие, держать руку на пульсе. Риск здесь скорее для тех, кто продолжит вручную делать то, что уже можно автоматизировать за минуты.
Практические советы: как начать
- Начните с задачи, ответ на которую знаете. Возьмите отчет, который уже считаете, и попросите ИИ повторить его. Сойдутся цифры — поймете, как формулировать задачу. Не сойдутся — увидите, где именно ИИ вас не понял. Это хорошее упражнение для старта.
- Вкладывайтесь в описание полей. Это единственный этап, который действительно требует времени, и он же — главный актив. ИИ не угадывает бизнес-смысл столбцов: он не знает ваших статусов, кодов и формул. Опишите название поля, тип, значение, возможные варианты и правила расчета — и держите это описание в базе знаний, чтобы и коллеги, и агент ссылались на один документ.
- Всегда просите показать код, а не только результат. Красивая таблица ничего не доказывает. Сгенерированный SQL показывает, какие таблицы соединены и по какому условию, — и именно там могут скрываться ошибки.
- Работайте маленькими шагами. Не просите сразу: «Построй дашборд с семью фильтрами». Сначала выборка — проверили. Потом группировка — проверили. Потом визуализация. При таком подходе ошибку можно поймать сразу, а не в готовом отчете, который уже показали руководителю.
- Просите объяснить, прежде чем менять. Перед рефакторингом старого запроса попросите ИИ разобрать его по частям и рассказать, что он делает. Часто выясняется, что логика была не такой, как все предполагали.
- Собирайте библиотеку удачных промптов. Хорошая формулировка — такой же переиспользуемый актив, как и хороший запрос. У нас такие шаблоны лежат в общей базе знаний, поэтому новый человек начинает не с нуля.
- Просите варианты. «Предложи три способа это посчитать и объясни, чем они отличаются» — часто самый полезный промпт из всех. Иногда выясняется, что вопрос вообще нужно ставить иначе.
- Не подключайте публичные облачные модели к корпоративным данным. Для корпоративных данных используйте локальные или корпоративные решения внутри своего периметра. Исключение «только один разок» здесь может обойтись дороже, чем кажется.
Итог
Вайбкодинг не отменяет работу аналитика. Он забирает ту часть работы, которая никогда не была особенно интересной, и освобождает время для задач, где действительно нужен аналитик, — чтобы разбираться в бизнесе, искать закономерности и ставить новые вопросы.
Код теперь может писать машина. Вопросы по-прежнему формулирует человек. И, думаю, именно по тому, какие вопросы он умеет задавать, будут отличаться сильные аналитики от остальных.
Источник: Антон Романов, BI-аналитик Битрикс24
