AI забирає тертя — дар, який ми ненавиділи

Ручна робота з даними здавалася рутиною, а позбутися її — полегшенням. Насправді тертя роками виховувало в аналітика найважливішу навичку: сумнів. Разом із тертям зникає і вона.

---

Останні місяці я спостерігаю за аналітиками, продакт-менеджерами, собою: відкрив умовний “Claude”, запитав — за хвилину маєш графік, який усе пояснює. Далі я помітив дивну річ.

Ті з нас, що давно й серйозно працюють з даними — ті, хто справді розуміє, звідки беруться числа, — з появою AI стають обережнішими. Дивляться на результат і запитують: це точно правильно пораховано? нічого не задублювалося при об’єднанні таблиць? чи подія взагалі трекається так, як ми думаємо?

Ті, у кого досвіду з даними менше, майже нічого не питають. Відповідь є, графік наочний, біжемо далі.

Це поки що спостереження, не статистика. Але воно надто послідовне, щоб бути збігом: AI змінив саму природу аналітичної роботи. І щоб пояснити, що саме, треба спершу сказати, з чого складається сильний аналітик.

Дві осі

Є тип фахівця, за яким полюють усі, хто будував продуктову команду. Людина на перетині двох вісей — той самий “ідеальний аналітик”.

Перша вісь — продуктове мислення. Розуміти поведінку користувача, бачити, що́ метрика насправді означає, відчувати, яке питання варто ставити — а яке лише виглядає важливим, але відповідь на нього не змінить жодного рішення.

Друга вісь — технічна вправність. Дістати дані, очистити, порахувати так, щоб числам можна було вірити.

Перетин рідкісний, бо обидві вісі потребують років. І технічна вісь була справжнім бар’єром для входу. Саме тут AI усе змінив — але не так, як здається на перший погляд.

Прихована функція тертя

Очевидна логіка така: AI знижує технічний бар’єр. Продакт-менеджер із сильним продуктовим мисленням тепер покладається на AI, який пише код SQL/R/Python під капотом і будує дашборд — без аналітика. Технічна вісь стала доступнішою — отже, людей на перетині має стати більше. Ідеальний аналітик нарешті перестає бути рідкістю.

Мені здається — це ілюзія. Технічна вісь виконувала дві функції, але ми помічали лише одну.

Функція перша, очевидна: вміти технічно зробити роботу. Написати запит, зібрати пайплайн, дістати числа.

Функція друга, прихована: сам процес оволодіння технічною стороною виховував. Причому дві речі одразу. Коли аналітик роками руками пише запити, він не просто виконує задачі. Він натикається на те, що потрібних даних немає. Помічає, що подія трекається не так, як треба. Бачить, що числа не збігаються, і мусить з’ясувати, чому. Через постійне тертя з сирими даними в нього формується відчуття продукту — не з підручника, не з курсу, а з контакту. Це перше.

Друге — звичка не вірити числам з першого разу. Важливо, чому саме тертя її виховувало: воно робило помилки примусово помітними. Запит падав. Числа не сходилися. Дашборд показував нісенітницю — і це неможливо було не помітити. Ти не міг пройти повз помилку — вона сама тебе зупиняла — і після сотні таких зупинок сумнів ставав рефлексом. Дані самі “били по руках”, і кожен удар чогось навчив.

AI прибирає тертя. Але тертя було школою. І зверніть увагу: зникло не тільки зусилля — зусилля якраз не шкода. Зникла примусова видимість помилок. AI-помилка тиха: запит виконався, графік побудувався, а що дані десь задублювалися або фільтр не застосувався — не видно.

Людина, яка прийшла до перетину вісей продуктового мислення і технічної вправності через AI, технічно може більше — але прийшла туди без подорожі, що робила цей перетин унікальним і цінним. Вона в точці перетину, не маючи того, що мала дати ця точка. Ми звикли рахувати таких людей за координатами: чи вміє вона і те, і те? Але цінність ідеального аналітика ніколи не була в координатах. Вона була в тому, як він потрапив у ці координати.

Інверсія довіри

Досвідчений продакт-менеджер поруч з AI виглядає менш упевненим. Не тому, що став гіршим — здається, навпаки: його сумнів завжди був поруч. Просто раніше складну аналітичну роботу робив хтось інший, а тепер він виконує її сам — і бачить, у скількох місцях щось могло піти не так. Він знає, скількома способами дані вміють брехати. AI дав йому швидкість, але судження нікуди не поділося — воно вмикається як сумнів. “А це точно правильно?” — бо роки тертя навчили: зазвичай ні, не з першого разу.

Продакт-менеджер з меншим досвідом у даних став упевненішим. Не тому, що має рацію, а тому, що не бачить рівнів складності. AI видав чисту відповідь — питань немає.

Досвідченіший — обережніший, менш досвідчений — впевненіший. Упевненість стала обернено пропорційною компетентності. Той, у кого є справжнє судження, вагається; той, у кого його немає, — ні. В кімнаті, де ухвалюють рішення, впевненість читається як компетентність. Так ми влаштовані — довіряємо тому, хто говорить без пауз, без сумнівів.

Тобто AI не просто дає змогу з’явитися фахівцям, які виглядають ідеальними, не будучи ними. Він робить їх переконливішими — бо забирає єдиний зовнішній сигнал, який раніше видавав новачка: вагання. Раніше недосвідчений аналітик спотикався об технічну складність, і це було помітно.

Скажете — самовпевненість новачків не новина, так було завжди. Правда. Але раніше вона була тимчасовою: реальність швидко її карала — запит падав, числа не сходилися — і новачок вчився. Нове не те, що самовпевненість існує. Нове те, що виправлення відкладене: помилку, яку раніше ловив запит за п’ять хвилин, тепер зловить ринок через квартал — коли рішення на хибних числах уже працює.

Що відбувається

Можна сказати: так, AI ще недосконалий; згодом він краще закриватиме і якість даних, і їхню інтерпретацію. Так і буде. Питання лише в тому, як саме.

Перший процес. AI закриває технічну вісь повністю. Вона перестає бути віссю — стає загальнодоступною інфраструктурою. Перестає бути перевагою. Рідкісним лишається одне — продуктове судження. Якщо всі мають ідеальні дані, виграє той, хто ставить правильне питання. Компанії це, до речі, розуміють — на сеньйорні ролі давно наймають саме за продуктовим мисленням. Тільки як його перевіряли? Через трек-рекорд: де людина росла, через які задачі пройшла, який досвід набула. Тобто навіть наймаючи за судженням, спиралися на те, що кандидат пройшов стару школу тертя. А тепер подивімося, кого скорочують першими: джунів. Навіщо джун, якщо AI робить його роботу? Рішення раціональне сьогодні й дороге завтра: сеньйор із судженням не наймається з повітря — він “вирощується”. Компанія, яка сьогодні скорочує джуніорські позиції, через п’ять років шукатиме сеньйорів, яких ніхто не вирощував.

Другий. AI навчається добре інтерпретувати дані, які йому дали. Але він не знає, чого в даних немає — він працює з тим, що є. А найрідкісніше судження аналітика якраз про це: помітити, що потрібна метрика взагалі не обраховується; що продукт трекає не те; що питання (або запит), яке ставлять, — неправильне. І тут парадокс: що краще AI інтерпретує, то дорожчою стає ця здібність — і то менше лишається місць, де вона могла б з’явитися. Ціна росте, а школа, яка її плекала, вже закрита.

Третій — і він турбує найбільше. Що, якщо AI стане настільки переконливим, що сумнів зникне навіть у досвідчених? Досвідчений вагається, бо знає, що дані можуть брехати, якщо їх неправильно підготувати або неправильно запитати. Але якщо AI роками видає точні висновки — навіть досвідчений перестане перевіряти. Навіщо, якщо останні сто разів усе було правильно? З калькулятором ми так і робимо, і це розумно. Різниця в тому, як система помиляється. Калькулятор або працює, або ні. AI помиляється правдоподібно — його помилка виглядає точно як правильна відповідь, з тим самим упевненим тоном і тим самим красивим графіком. І в момент, коли він таки помилиться, не залишиться нікого з інстинктом це помітити. Ми колективно розучимося сумніватися саме тоді, коли сумнів стає найдорожчим.

Що з цим робити

Усі три процеси ведуть до однієї точки. Хоч би як AI розвивався, цінність зміщується від відповідей до питань і до вміння не повірити відповіді зарано.

Сумнів завжди був частиною роботи аналітика — тут немає відкриття. Змінилося інше: він перестав бути безкоштовним. Раніше сумнів приходив сам: ти вчився сумніватися, навіть не помічаючи цього, — дані щодня ловили тебе на помилках. Тепер ловити нікому, і сумнів доводиться тримати свідомо. Це вже не рефлекс. Це дисципліна.

Практично це означає наступне. Якщо у вашій команді є та рідкісна людина на перетині — тримайтеся неї: нових таких школа вже не готує. Якщо наймаєте — пам’ятайте: кандидатів, які пройшли тертя, ставатиме дедалі менше, а впевненість нічого не гарантує. Сумнів кандидата може виявитися ціннішим. А якщо ви керуєте командою, яка щодня працює з даними через AI, поставте собі одне питання:

Коли востаннє хтось у вашій команді сказав “я не впевнений, що ці дані — чи цей висновок від AI — правильні”? І що ви з цим зробили?

Якщо відповідь — “давно” або “нічого”, це не означає, що помилок немає. Це означає, що їх ніхто не шукає. Раніше сумнів підтримувало тертя. Тепер — тільки ви.