🧠 McKinsey — The State of AI (2025)

Наткнулся на обзор от McKinsey про текущее состояние ИИ в компаниях.
Если коротко — ИИ уже везде. Но это не значит, что он реально работает на бизнес.

Вот что интересно.

🔹 88% компаний используют ИИ хотя бы в одной функции.
Это уже не эксперимент “где-то в лаборатории”. Это реальность.

Но:

🔹 Масштабирование — главная проблема.
Большинство проектов остаются на уровне пилотов. Отдельные кейсы, PoC, тестовые команды. До системного внедрения доходят единицы.

🤖 Отдельно отмечают рост интереса к агентным системам — не просто “модель, которая отвечает”, а ИИ, встроенный в рабочий процесс и способный выполнять цепочки задач.

Звучит знакомо 🙂
Но и здесь масштаб пока ограничен.

💰 Самый показательный момент — лишь небольшая доля компаний заявляет о существенном влиянии ИИ на прибыль на уровне всей организации.

Простым языком:
ИИ внедряют.
ИИ тестируют.
ИИ обсуждают.
Но реальная полная трансформация — редкость.

📌 И самый важный вывод статьи: компании, которые получают реальный эффект, не просто автоматизируют задачи.
Они перестраивают процессы.

ИИ — это не “ускоритель Excel”. Это повод пересобрать логику работы.

🧠 И вот здесь начинается интересное.

Если смотреть трезво, то сейчас мы на этапе: не “революции”, а болезненного перехода от экспериментов к системности. ИИ уже есть. Но организационная зрелость часто отстаёт.

Для специалистов это означает одно:
ценность будет не у тех, кто просто умеет пользоваться моделью, а у тех, кто понимает процесс и умеет встроить ИИ в него. Другими словами, понимание бизнес процессов и знание доменных областей - остается актуальным навыком, независимо от развития ИИ. Модели лишь усиливают потребность в этих навыках.

📍 ИИ — не отдельный навык. Это слой поверх бизнес-логики.

Не забудь поставить 🔥, если было полезно!

#ai #ml #analytics #futureofwork #datakad #automation #business #technology

🧠 Как не терять фокус в работе и учебе

В новом видео я рассказал про простую, но очень эффективную систему управления задачами.
Я называю её гибрид Канбан-доски и матрицы Эйзенхауэра.

Почему именно так?

Классическая матрица хорошо помогает определить приоритет, Канбан — двигать задачи и видеть прогресс.

📌 Как это работает

В левой части — матрица Эйзенхауэра. Туда попадают задачи из 4 категорий:

Срочное и важное
Авральные задачи и горящие дедлайны.

Важное, но не срочное
Это работа по плану — развитие, обучение, крупные задачи.

Срочное, но не важное
Созвоны, письма, мелкие запросы.
Лучше регулярно выделять отдельное время на их решение. Так они будут занимать меньше времени и позволят дольше концентрироваться на долгих задачах.

Не срочное и не важное
Задачи без реального влияния на результат. То, что сделать вроде-бы нужно, но непонятно когда и зачем. Своего рода бесполезные покупки. Чтобы не покупать спонтанно — нужно подождать неделю. Если за неделю ни разу не вспомнил - значит вещь не нужна. Здесь такие же, только задачи.

Ниже новая секция — регулярное. Здесь все, что повторяется систематически и вам необходимо не забыть. Оплата счетов/подача налоговой декларации и тд. Указываем дедлайн и размещаем стикеры в порядке срочности.

Дальше начинается Канбан-часть.

➡️ В работе
Здесь должно быть не больше 3–5 задач.
Если взять больше — они начинают висеть неделями без прогресса и вы забудете про эту доску в трясине незакрытых задач.

➡️ Готово
Колонка для завершённых задач.
Я рекомендую обновлять её в конце каждого спринта (1/2/4 недели). Да и в принципе ввести в жизни спринты и планировать на 1-3-6-12 месяцев хорошая идея, заслуживающая отдельного поста. (пишите, если нужно подробнее)

📌 Почему это работает:
— помогает быстро расставить приоритеты
— убирает хаос из списка задач
— ограничивает число активных задач
— даёт ощущение прогресса

Другими словами не дает выгорать и видеть план ближайших действий = не переживать о том, что забыли/не сделали.
А это очень важно для мотивации и концентрации.

📎 Ниже я подготовил PDF-шаблон такой доски, чтобы вы могли сразу начать пользоваться.

Можно:
• распечатать и заполнять вручную
• использовать в планшете
• перенести в Miro / Notion / Trello

Некоторые даже делают такую доску на стене из стикеров.

📌 Сохрани этот пост, чтобы не потерять шаблон.

Попробуйте вести задачи так хотя бы неделю — вы удивитесь, насколько проще становится держать фокус.

Подписывайтесь на канал 🌿

Те самые шаблоны для поста выше. Отправь другу, если он постоянно тонет в задачах

📊 Где брать датасеты для обучения?

В четверг на канале выйдет новый ролик, где я разбираю один из самых частых вопросов от учеников:

Где брать реальные данные для практики?

Потому что читать про SQL, Python или аналитику — это одно. А вот работать с живыми датасетами — совсем другое. Даже тренажеры в большинстве своем не помогают, так как ведут вас за ручку. Работа наедине с датасетом - заставляет вас быть ответственнее и самостоятельно принимать решения и выводы.

Чтобы вы могли сразу попробовать — я собрал ресурсы, о которых говорю в видео. Сохрани, чтобы не потерять 🛟

🔹 Kaggle datasets

Огромная библиотека датасетов почти по любой теме: бизнес, спорт, финансы, маркетинг, медицина, социальные исследования.

🔹 Google Dataset Search

По сути Google для датасетов. Можно искать наборы данных по ключевым словам и находить источники по всему интернету.

🔹 Data.gov

Открытые государственные данные США. Похожие порталы есть и у многих других стран.

🔹 UCI Machine Learning Repository

Один из старейших репозиториев датасетов для ML, который существует уже несколько десятилетий. Многие известные учебные задачи берут данные именно отсюда.

🔹 WHO Global Health Observatory

Международные статистические данные по здравоохранению. Можно анализировать демографию, болезни, продолжительность жизни и многое другое.

🔹 Stack Overflow Developer Survey

Ежегодный срез мирового IT-сообщества: зарплаты, технологии, демография разработчиков, тренды индустрии. Анонимизированные данные доступны с 2011 года.

🎥 В видео в четверг расскажу:
— зачем вообще нужны датасеты в обучении
— как использовать их для SQL, Python, ML и BI
— почему грязные данные иногда полезнее идеальных
— где искать данные кроме популярных платформ

Самостоятельная работа с данными — важная часть обучения. Без них аналитика превращается в теорию.

#data #datasets #analytics #sql #python #datascience #datakad

Путешествия — огромный мотиватор работать. Теплые летние воспоминания греют и вырывают из пучины работы и учебы.

На фото Пераст 👆

А чем является главный мотиватор у вас?)

Новый ролик на канале!

Недавно выкладывал пост с источниками датсетов. В видео рассказал зачем они нужны, как их использовать, где брать и самое главное! Как не выгореть на первом пет проекте.

Видео поможет всем, кто практикует навыки работы с данными, формирует портфолио и хочет разнообразия и автономности в учебе!

Приятного просмотра)

#датасеты
#data
#datascience
#dataanalytics
#sql
#python
#petproject

🔎 Как гуглить как профи

В эпоху ИИ многие навыки устаревают или просто забываются. Возможно и умение поиска в интернете придет в негодность. Однако, часто бывает быстрее и удобнее найти информацию в документации/на сайте, чем искать ее в GPT.
А еще один из важных навыков в IT — умение правильно искать информацию. Иногда разница между новичком и опытным специалистом — не в знаниях, а в том, как быстро он находит ответы.

Вот несколько приёмов, которые сильно ускоряют и упрощают поиск в гугле.

📌 Сохрани, чтобы не потерять!

🔹 1. Поиск только внутри одного сайта

Очень полезно, когда вы знаете источник.

site:dev.mysql.com/ оконные функции

Google покажет ссылки только документации в MySQL.
Работает для документаций, блогов, StackOverflow.

🔹 2. Исключение ненужных слов

Если выдача забита нерелевантными результатами —
их можно убрать.

sql window function -oracle

Минус перед словом исключает его из поиска.

🔹 3. Точное совпадение фразы

Иногда нужно найти конкретную формулировку.

"window function sql example"

Кавычки заставляют Google искать строго эту фразу.
Очень помогает при поиске ошибок.

🔹 4. Поиск файлов (PDF, XLS, CSV)

Если вы ищете исследования, презентации или датасеты.

machine learning filetype:pdf

Google покажет только PDF-документы.

🔹 5. Использование * для пропущенного слова

Когда помните фразу не полностью.

best * data visualization tools

Звёздочка работает как заполнитель неизвестного слова. (привет тем, кто освоил LIKE в SQL).

🔹 6. Поиск вариантов через OR

Можно искать несколько вариантов сразу.

tableau OR power bi comparison

Google покажет страницы с любой из этих фраз.

🔹 7. Значение слова

Если нужно быстро узнать определение:

define:overfitting

🔹 8. Поиск похожих слов

Google умеет искать похожие по смыслу слова.

~analytics tools

Как GPT, только вы указываете какое слово требует синоним при поиске.

🔹 9. Конвертеры прямо в поиске

Google может считать и конвертировать:

15 usd in eur
5 km in miles

И даже решать математические примеры.

Синьоры тоже гуглят и ищут порой очень простые вещи.
Хороший специалист — это не тот, кто знает всё. А тот, кто умеет быстро находить ответы.

#гугл #google #поисквгугле #googletips #лайфхакигугл #поискинформации #googlesearch #itнавыки #аналитика #datakad

📊 Метрики маркетинга и финансов: как понять, окупается ли рост

В прошлый раз разобрал метрики активности.
Теперь переходим к следующему уровню: Маркетинг и деньги.

В бизнесе мало просто привлечь пользователей.
Для аналитика важно понять:

👉 сколько это стоит
👉 окупается ли это
👉 можно ли и как масштабироваться

Разберём ключевые метрики.
Сохрани, чтобы не потерять 📌

🔹 Payback Period — срок окупаемости

Минимальный месяц, когда накопленная выручка покрывает маркетинговые расходы.

📌 Зачем:
Понимание, когда возвращаются вложенные деньги.

⚠️ Подводные камни:
— Лаг между кликом и оплатой.
— Возвраты могут искажать картину.
— Разные курсы валют ломают расчёт.

🔹 ROI — Return on Investment (возврат инвестиций)
ROI = (Выручка - Расходы) / Расходы

📌 Зачем:
Показывает, прибыльны ли инвестиции.

⚠️ Подводные камни:
— Часто считают “грязную” выручку без учёта затрат.
— Неправильный период даёт ложный результат.

🔹 ROAS — Return on Ad Spend (окупаемость рекламных расходов)
ROAS = Revenue_attributed / Ad Spend

📌 Зачем:
Основная метрика перформанс-маркетинга.

⚠️ Подводные камни:
— Ошибки атрибуции.
— Разные окна атрибуции искажают сравнение.
— Не учитывает маржинальность.

🔹 ROMI — Return on Marketing Investment (прибыль от маркетинга, относительно расходов)
ROMI = (Marketing Revenue - Marketing Spend) / Marketing Spend

📌 Зачем:
Показывает реальную окупаемость с учётом маржинальности.

⚠️ Подводные камни:
— Нужно учитывать именно прибыль, а не просто выручку.
— Важно сравнивать одинаковые периоды.

🔹 CAC — Customer Acquisition Cost
CAC = Расходы / Новые пользователи

📌 Зачем:
Понимание стоимости привлечения клиента.

⚠️ Подводные камни:
— Что считать “новым пользователем”?
— Без разбивки по каналам метрика бесполезна.

🔹 LTV / CAC
Ценность клиента относительно стоимости привлечения.
📌 Зачем:
Главный ориентир устойчивости бизнеса.

⚠️ Подводные камни:
— Разные горизонты расчёта LTV.
— Среднее значение может скрывать реальную картину.

🔹 MER — Marketing Efficiency Ratio
MER = Total Revenue / Marketing Spend

📌 Зачем:
Показывает общую эффективность маркетинга.

⚠️ Подводные камни:
— Не отражает вклад конкретных каналов.
— Нужно использовать вместе с ROAS.

🔹 Contribution Margin (CM)
Маржинальный вклад после переменных затрат.
(Revenue - Variable Costs) / Revenue

📌 Зачем:
Понимание маржинальности и устойчивости бизнеса.

⚠️ Подводные камни:
— Часто забывают включить все переменные затраты.
— Без сегментации по продуктам мало пользы.

🔹 Burn Multiple
Сколько сжигаем cash ради единицы нового ARR/выручки.
Burn Multiple = Net Burn / Net New ARR

📌 Зачем:
Показывает эффективность роста в быстрорастущих компаниях.

⚠️ Подводные камни:
— Неправильное определение ARR.
— Нужно смотреть в динамике, а не за один период.

🔹 Ad Spend Share
AdRevenue / UserRevenue

📌 Зачем:
Показывает вклад рекламы в доход.

⚠️ Подводные камни:
— Разные валюты и таймзоны.
— Важно смотреть по платформам.

📍 Главное:
Маркетинг — это не “привести больше людей”.
Это про окупаемость и контроль роста.
Можно расти в пользователях и… терять деньги.

Сохрани, чтобы не потерять 📌
Какую группу метрик разобрать следующей?

#analytics #metrics #kpi #marketing #finance #unitэкономика #datakad #data #growth

📉 Почему одни становятся сеньорами за 3 года, а другие остаются джунами годами?

Ученики часто задают вопрос:
👉 “Сколько нужно работать, чтобы стать мидлом?”
И честный ответ — нет такой цифры.

Можно проработать 3 года и вырасти до сильного специалиста. А можно 5 лет делать одно и то же… и остаться на том же уровне.

📌 Грейд — это не стаж. Это набор навыков.

Разница между уровнями не в количестве лет, а в том, как вы думаете и работаете.

Если упростить:
🔹 Джун - выполняет задачи по инструкции
🔹 Мидл - решает задачи самостоятельно
🔹 Сеньор - понимает, какие задачи вообще нужно решать
*меняется в зависимости от компании. Маленький стартап и бигтех под одну гребенку нельзя.

📊 Разберем несколько кейсов:

🔹 Умение разбираться в задаче, а не ждать полное ТЗ
Джуну дают: “сделай отчёт по продажам”
Он делает ровно то, что сказали, по аналогии с опытом.

Мидл задаёт вопросы:
— за какой период?
— по каким сегментам?
— какая цель отчёта?
— что хочет понять бизнес?

Сеньор может сказать:
👉 “Отчёт не решит проблему. Нужно посмотреть воронку и причины падения конверсии.” Суть в понимании потребности бизнеса и корректировки задачи на этом этапе.

🔹 Способность принимать решения, а не просто выполнять
Джун: “Какой график построить?”
Мидл: выбирает и аргументирует (например, почему нужен cohort, а не просто line chart)

Сеньор:
👉 выбирает подход + понимает последствия. например: “если считать так — мы завысим результат из-за ретеншна новых пользователей и какой вариант объективно покажет всю картину”

🔹 Понимание бизнес-контекста, а не только инструментов
Джун умеет SQL / Python
Мидл понимает, что считает
Сеньор задаёт вопрос:
👉 “А как это влияет на деньги?”

Пример:
Можно улучшить CTR → выглядит хорошо
Но сеньор проверит:
👉 выросла ли выручка или просто кликов стало больше

🔹 Навык объяснять и защищать решения
Джун показывает результат
Мидл объясняет, как получил
Сеньор:
👉 объясняет так, чтобы понял бизнес и строит прогнозы

Пример:
Не “конверсия упала на 2%”
А:
👉 “мы теряем X € в месяц из-за падения конверсии на этом этапе”

🔹 Ответственность за результат, а не за задачу
Джун: сделал задачу → закрыл тикет
Мидл: проверил результат
Сеньор:
👉 отвечает за эффект

⚠️ Где застревают многие:

- делают одинаковые задачи годами
- не выходят за рамки “своей зоны”
- не анализируют свои решения
- не учатся думать шире, чем код / дашборд

📍 Главное:
Карьерный рост - это не про “досидеть до мидла”.
Это про переход от:

👉 “мне сказали что делать”
к
👉 “я понимаю, что нужно сделать и зачем”

#карьера #it #аналитика #datascience #junior #middle #senior #рост #datakad
🌿 Не забудь подписаться на канал DataKad. Здесь про аналитику, ИИ, IT.

📊 Любой новый продукт = новый пайплайн данных

Часто кажется, что аналитика - это про графики, SQL и дашборды. Но на практике всё начинается сильно раньше.

С данных.
И с того, как они вообще появляются.

👉 Запустили новую фичу?
Появились новые события.
👉 Добавили кнопку?
Нужно логировать клики.
👉 Изменили воронку?
Меняется структура данных.

🧠 А теперь реальность аналитика:

Чтобы просто “посмотреть метрику”, нужно:
- понять, что именно считать
- договориться, какие события логировать
- проверить, что данные вообще приходят
- собрать пайплайн
- и только потом строить дашборд

⚠️ И здесь есть этап, который многие недооценивают - валидация данных

На старте нового продукта данные бывают часто:
- с пропусками
- с дублями
- с ошибками в логировании
- с разными форматами
- иногда просто не пишутся

И если это не проверить —
можно построить красивый дашборд… с неправильными выводами.

📈 Новый продукт это не просто “добавили таблицу”

Это:
• новые события
• новая схема данных
• новые метрики
• новые проверки
• новые дашборды
• новые вопросы от бизнеса

🤖 Сейчас ИИ действительно ускоряет процесс:
- помогает писать SQL
- генерирует дашборды
- ускоряет расчёты

📌 ИИ не решает главный вопрос:
«А что вообще считать?»

И вот это уже задача аналитика:
Выбрать метрики.
Понять их смысл.
Проверить корректность данных.
Связать с бизнес-целью.

📍 Поэтому аналитика — это не только про инструменты. Это про мышление и понимание бизнеса и его процессов. Понимания почему одна метрика важна для бизнеса, а другая лишь маркер тщеславия или не отражает объективной картины.

Инструменты можно автоматизировать.
Решения — пока нет.

💬 Был ли у вас кейс, когда данные “есть”, но доверять им нельзя?

#analytics #data #metrics #datascience #bi #datakad #ai #productanalytics

Немного гор, чтобы пятница приносила удовольствие 🙌

👋 Кажется, пора возвращаться.

Последние месяцы блог был не самым активным.
Причин накопилось много: работа, новые проекты, обучение, путешествия… да и просто хотелось немного перевести дух.

Но за это время произошло столько всего, что теперь есть чем делиться. Новости большие и маленькие, личные и глобальные.

📈 Изменился рынок труда.
🤖 ИИ продолжает менять привычные процессы.
📚 Появились новые кейсы, идеи и наблюдения, которыми хочется поделиться.

Поэтому постепенно буду возвращаться к привычному формату постов. Расскажу о том, что успел сделать, чему научился и каким, как мне кажется, будет ближайшее будущее аналитики и IT. Об этом уже было мое видео полугодовой давности. Но актуализировать данные не помешает)

🎉 Начать хочу с небольшой новости, которая произошла ещё в мае. Я продлил свою сертификацию Microsof по Power BI.

Честно говоря, ожидал увидеть гораздо больше вопросов, связанных с ИИ. Всё-таки за последние годы он проник почти во все продукты Microsoft. Но экзамен оказался довольно консервативным.

Большая часть вопросов была про:
• DAX;
• моделирование данных;
• настройку прав доступа;
• визуализации;
• стандартный функционал Power BI.

Без каких-то неожиданных сюрпризов.

😊 Самое интересное — экзамен я проходил практически без подготовки. То ли действительно сказался опыт работы и преподавание, то ли просто повезло с вопросами. Скорее всего и того и другого понемногу. Но трудности экзамен не вызвал.

Наверное, именно это и стало для меня главным выводом: регулярная практика всё-таки работает лучше, чем зубрёжка перед экзаменом.

📍Это лишь первая новость из тех, что накопились за последнее время.

Рад снова быть на связи. 🙂

#powerbi #microsoft #сертификация #analytics #bi #datakad #обучение #карьера

Ну и как же без пруфов 👇

📈 Data + BI + AI становятся одним целым

Сегодня появилась интересная новость. Databricks привлекает новый раунд инвестиций, после которого компанию оценивают уже примерно в $188 млрд. Для сравнения: ещё несколько месяцев назад оценка была около $134 млрд. Но интересна не сама сумма. Привлекает скорее то, во что именно сейчас инвестируют. Это отражает как моду, так и тренд на смену развития ИИ.

Ещё несколько лет назад всё выглядело довольно просто:

📦 Хранилище данных — отдельно.
📊 BI-инструменты — отдельно.
🤖 ИИ — вообще отдельная история.

Теперь границы все больше размываются. Современные платформы постепенно превращаются в единое пространство, где объединяются:

• хранение данных (Lakehouse);
• BI и дашборды;
• управление доступами и качеством данных (Governance);
• языковые модели;
• ИИ-агенты.

Databricks, например, продолжает двигаться именно в эту сторону. За последние обновления появились:
• импорт отчётов Power BI и Tableau;
• возможность общаться с дашбордом на естественном языке через Genie;
• интеграции с GitHub;
• ссылки на источники при ответах модели;
• история изменений;
• отдельная модель оплаты для AI-агентов.

И если посмотреть на это целиком, становится понятно, что речь уже не про “ещё одну ИИ-функцию”. Речь про изменение самой архитектуры аналитических платформ. Для нас это означает и другие навыки и принцип взаимодействия.

🧠 Думаю, в ближайшие годы мы всё реже будем говорить:

“сначала выгрузим данные, потом построим дашборд, потом спросим gpt.”

Скорее это будет выглядеть как единый процесс. Данные → анализ → визуализация → вопросы → автоматизация.
Без постоянного переключения между пятью разными сервисами. Одно пространство, без миграций данных и прочей рутины.

📍сейчас особенно важно не зацикливаться на изучении одного конкретного инструмента. Формация изменилась на специалистов широкого плана, которые выступают в роли визионеров и имеют возможность мыслить шире форматами архитектуры, бизнес логикой и процессами.

Гораздо ценнее понимать, как устроена вся экосистема данных и как в ней взаимодействуют хранилища, BI, ИИ и автоматизация. Именно к этому, похоже, постепенно движется вся индустрия.

Иронично, что 20 лет назад вся инженерия и аналитика и тд сводилась на одном человеке. Затем из этого выросли отдельные профессии. Теперь все обратно сходится в одну.

💬 А как вы считаете: через несколько лет BI останется отдельным инструментом или превратится в одну из функций больших AI-платформ?

#ai #databricks #bi #powerbi #tableau #analytics #datascience #dataengineering #datakad

🤖 Без ИИ уже нельзя. Но и с ним можно далеко не везде

Рынок труда меняется заметно быстрее, чем кажется. Ещё недавно на собеседовании могли спросить, пользовались ли вы ChatGPT. Сейчас у опытного специалиста скорее спросят: какие инструменты на базе ИИ вы встроили в свою работу и какой результат получили?

И здесь уже недостаточно назвать ChatGPT или Claude. От кандидата ждут полноценного рассказа:
• какую задачу вы решали;
• почему выбрали именно этот инструмент;
• что удалось ускорить или автоматизировать;
• где ИИ ошибался;
• как вы проверяли результат;
• почему решение прижилось или, наоборот, не сработало.

Даже если вы принципиально не используете ИИ, это тоже должно быть обоснованным решением. Например, риски для данных оказались выше потенциальной выгоды или качество результата не соответствовало требованиям проекта.

📜 Большинство моих учеников живут и работают в Германии, поэтому я регулярно напоминаю им про GDPR. Законодательство ограничивает обработку персональных и конфиденциальных данных, а значит, нельзя просто взять внутреннюю информацию компании и отправить её в сторонний ИИ-сервис.

Некоторые компании и стартапы внедряют подобные решения в закрытом контуре: с собственными моделями, защищённой инфраструктурой и контролем доступа. Но массовое внедрение идёт медленно.

Причина не только в законодательстве. Германия в целом довольно консервативно относится к новым технологиям. Сначала безопасность, согласования и регламенты — и лишь потом эксперимент. Где-то это защищает бизнес от необдуманных решений, а где-то сильно замедляет развитие.

🌍 А теперь посмотрим шире.

Есть, например, США, где ИИ пытаются встроить практически в каждый процесс: найм, маркетинг, разработку, аналитику, поддержку, документооборот и продажи. ИИ сейчас даже в тостерах.

Компания, которая быстрее внедряет новые инструменты, быстрее проверяет гипотезы, дешевле обрабатывает данные и быстрее выводит продукты на рынок. В какой-то момент конкурировать начинают уже не отдельные специалисты, а целые компании, отрасли и страны.

Если рынок долго избегает новой технологии, последствия наследуют все, кто внутри него работает. Специалист может быть сильным, но его возможности всё равно зависят от среды, инфраструктуры и скорости принятия решений в компании.

⚖️ В этом и заключается странность текущего этапа. Раньше мы обсуждали, заменит ли ИИ специалистов. Сейчас вопрос другой: как использовать ИИ, не нарушая законодательство, не подвергая риску данные и не теряя конкурентоспособность?

Без ИИ уже практически невозможно игнорировать изменения рынка. Но и бездумно внедрять его в каждый процесс нельзя. Похоже, та самая ответственность, о которой мы говорили раньше, действительно наступила. Теперь недостаточно просто уметь пользоваться ИИ. Нужно понимать, где он приносит ценность, где создаёт риск и когда от него лучше отказаться.

💬 Как обстоят дела у вас: ИИ уже стал частью рабочих процессов или пока остаётся инструментом для отдельных экспериментов?

#ai #ии #рыноктруда #карьера #gdpr #автоматизация #аналитика #it #futureofwork #datakad

Про ИИ в тостерах в целом то и не шутка даже 😅

Пояснение мема ниже 👇

🤖 Какая нейросеть всё-таки самая лучшая?

Практически на каждой лекции, посвящённой ИИ, я показываю или вспоминаю этот мем ☝️

Выходит новая версия ChatGPT — она лучшая.
Обновляется Claude — теперь лучший он.
Gemini показывает новый benchmark — лидер поменялся.
Потом появляется новый Grok — и всё начинается заново 😅

И один из самых частых вопросов от учеников звучит вполне логично: «Так какой моделью тогда пользоваться?» Ответ не самый интересный, зато практичный: лучшей модели просто нет.

У каждой есть свои сильные и слабые стороны. Одна лучше справляется с креативными задачами, другая — с кодом, третья удобнее работает с большим контекстом, четвёртая лучше интегрирована в нужную вам экосистему. Иногда эти преимущества комбинируются за счет скиллов, mcp и других приемов.

Но даже эти преимущества нельзя воспринимать как константу. Модели постоянно обновляются, а качество результата зависит не только от выбранной нейросети, но и от конкретной задачи, контекста и ваших запросов.

📌 Более того, выбор может зависеть даже от компании, в которой вы работаете. Какие данные можно передавать модели? Какие сервисы уже используются? Нужна ли интеграция с корпоративной инфраструктурой? Сколько это стоит? Какие требования существуют к безопасности?

В одной компании оптимальным решением окажется ChatGPT, в другой — Claude, Gemini или вообще локально развёрнутая модель. (Что для Германии даже более вероятный сценарий в силу GDPR и других законов).

🧪 Поэтому вместо бесконечного поиска ответа на вопрос «какая модель лучше?» я обычно советую экспериментировать. Возьмите одну задачу и попробуйте решить её в нескольких моделях. С одинаковым контекстом и примерно одинаковым промптом.

А потом сравните:
• точность результата;
• количество ошибок;
• насколько хорошо модель следует инструкциям;
• сколько итераций потребовалось до нормального ответа;
• насколько удобно с ней работать именно вам.
И уже после этого выбирайте инструмент.

📍В конечном итоге нам ведь нужна не модель, которая занимает первое место в очередном benchmark, а лишь та, которая лучше решает нашу конкретную задачу.

#ai #ии #chatgpt #claude #gemini #grok #llm #нейросети #автоматизация #datakad

🤖 ИИ сделал работу Junior проще. Но стать Junior от этого почему-то стало сложнее.

Парадокс, который всё чаще замечаю в аналитике.
Ещё несколько лет назад умение самостоятельно написать SQL-запрос, обработать данные в Python или собрать расчёт в Power BI уже было довольно существенной частью ценности начинающего аналитика.

Сегодня многое из этого можно сделать вместе с ИИ.

Не помнишь синтаксис оконной функции? ChatGPT напишет.
Нужно объединить несколько таблиц в pandas? Claude напишет код.
Не получается DAX? Скорее всего, после нескольких итераций тоже получите рабочую формулу.

Казалось бы, вход в профессию должен был стать проще.
Но происходит интересная вещь: если базовую техническую работу теперь сделать легче, сама по себе способность её выполнить становится менее ценным преимуществом и требования постепенно смещаются выше.

🧩 Уже недостаточно просто написать SQL. Нужно понять, правильно ли соединены таблицы и не размножились ли строки.

📊 Недостаточно посчитать метрику. Нужно понимать, действительно ли она отвечает на вопрос бизнеса.

🔎 Недостаточно получить результат от ИИ. Нужно уметь проверить данные и заметить, что вполне убедительный ответ на самом деле неверный.

💬 Недостаточно построить график. Нужно объяснить, какой вывод из него следует и что с этим делать.

Получается забавная ситуация.

ИИ снижает порог выполнения задачи, но одновременно повышает порог ценности специалиста за счет изменения качества и цели решаемых задач.

И, как мне кажется, особенно сильно это затрагивает именно Junior-позиции. Потому что значительная часть задач, на которых раньше начинающий специалист набирался опыта, теперь автоматизируется быстрее всего. Но я бы не делал из этого вывод, что «джуны больше не нужны».

Скорее меняется то, чему стоит учиться: SQL, Python, Power BI и другие инструменты никуда не исчезают. Без понимания их работы сложно хотя бы проверить то, что сгенерировал ИИ. Просто к ним всё раньше приходится добавлять то, что раньше чаще ассоциировалось с Middle: самостоятельность, понимание данных, бизнес-контекст и способность критически оценивать результат. Как результат - вопросы на собеседованиях все чаще звучат по этим темам, чем только по техническим моментам.

📍Поэтому сегодня я бы учился не только отвечать на вопрос «как это сделать?», но и гораздо чаще задавал два других:
«Что именно я считаю?» и «зачем это нужно бизнесу?»

Возможно, именно они постепенно становятся главными вопросами начинающего аналитика.

А как вам кажется: ИИ упростил вход в IT или, наоборот, поднял планку для новичков?

#аналитика #карьера #junior #dataanalytics #ai #искусственныйинтеллект #sql #python #powerbi #обучение #datakad

💻 Умение писать код постепенно перестаёт быть главным преимуществом разработчика

Не потому, что код больше не нужен. А потому, что написать его становится всё дешевле. Недавно наткнулся на интересное исследование Human Capital, AI, and Labor Commoditization. Авторы изучили 49 610 специалистов и 2,26 млн контрактов на Upwork и посмотрели, как изменился рынок после появления ChatGPT. Результат интересный: в профессиях, которые сильнее затронул генеративный ИИ, привычные признаки квалификации специалиста стали слабее влиять на спрос, а цена — сильнее. Авторы называют это commoditization of labor: когда результат работы разных исполнителей становится более похожим, заказчику сложнее обосновать, почему за одного стоит платить значительно больше.

И мне кажется, особенно хорошо этот процесс сейчас заметен в разработке. Ещё несколько лет назад существенной частью ценности разработчика было непосредственно умение написать код. Сегодня можно описать задачу Claude Code, Codex или другому AI-инструменту и за довольно короткое время получить сотни строк вполне рабочего кода.

Но появляется другая проблема:
Что именно ему написать?

🧩 Как собрать требования у заказчика, который сам не до конца понимает, чего хочет?
📐 Как превратить «нам нужна система для работы с клиентами» в нормальное техническое задание?
🏗 Как спроектировать архитектуру и решить, какие компоненты вообще нужны?
🔗 Как понять, откуда приходят данные, куда они должны уходить и как всё это интегрировать?
🔎 Как проверить результат и понять, что система действительно решает исходную задачу, а не просто успешно запускается?

Вот здесь AI пока не отменяет необходимость специалиста. Скорее наоборот — чем дешевле становится исполнение, тем заметнее ценность правильной постановки задачи. И это касается далеко не только программистов. В аналитике происходит то же самое. Написать SQL-запрос становится проще. Построить визуализацию — проще. Сделать первичный анализ — тоже. Но AI не знает из воздуха, что именно бизнес называет активным клиентом, какой заказ считать завершённым, почему в одной таблице клиент дублируется пять раз и какую метрику вообще имеет смысл оптимизировать.

📍Поэтому мне кажется, что мы постепенно переходим от ценности «я умею сделать» к ценности «я понимаю, что нужно сделать, зачем и как проверить результат».

Код, SQL, Python и другие технические навыки никуда не исчезают. Более того, без них сложно качественно контролировать AI. Но всё выше поднимаются навыки, которые раньше часто считались чем-то «над техническими»: сбор требований, декомпозиция, системное мышление, проектирование, понимание бизнеса и контроль результата. И, возможно, главный навык специалиста ближайших лет — не способность самостоятельно написать каждую строчку кода, а способность настолько хорошо поставить задачу, чтобы человек, команда или AI смогли правильно её решить.

Как думаете, уже замечаете такое изменение требований в своей работе?

Исследование: Human Capital, AI, and Labor Commoditization — arXiv⁠

#ai #разработка #программирование #аналитика #карьера #искусственныйинтеллект #systemdesign #требования #datakad