Зачем аналитику AI-агент, а не просто ChatGPT

Аналитики осваивают AI быстрее почти всех остальных профессий. И при этом почти никто из них не получает от него настоящую отдачу. Звучит странно, но так и есть. Почти каждый аналитик уже держит открытым чат, чтобы скинуть туда SQL, попросить поправить запрос, разобрать чужой код или накидать формулу, и по разным замерам этим пользуется большинство.

Вот только именно поэтому легко пропустить куда более важный сдвиг. Пользоваться чатом и по-настоящему изменить свою работу это сегодня две очень разные вещи, и вторую освоили пока единицы. Даже когда ChatGPT открыт под рукой, аналитик всё равно сам выгружает данные, чистит их, сверяет с определениями метрик и собирает отчёт. Чат подсказывает запрос, а всю остальную работу человек делает руками. А тот, кто перешёл от чата к агенту, который сам ходит в базы и закрывает задачу целиком, работает уже в другом темпе.

В этом материале разберём, куда движется профессия по данным крупных исследований, что вообще такое агент и чем он отличается от обычного чата, и какие конкретные задачи аналитика он уже умеет закрывать.

Куда движется рынок

Дата-аналитика по свежим обзорам рынка труда за 2026 год идёт одной из самых AI-насыщенных профессий вообще. Эти инструменты аналитики осваивают быстрее почти всех остальных нетехнических специалистов. Казалось бы, вот они, лидеры перехода. Но самое интересное, что освоить чат и по-настоящему изменить свою работу это, опять же, совсем не одно и то же.

Дело в том, что «пользоваться AI» сегодня означает две разные вещи, и разница между ними огромная. Первый формат разговорный. Ты открываешь чат, вставляешь кусок кода или выгрузку, объясняешь контекст, получаешь ответ и руками переносишь его обратно к себе, в ноутбук, в запрос, в отчёт. Второй формат агентный. Ты просто ставишь задачу, а система сама идёт в твои данные, находит нужную таблицу, пишет и прогоняет запрос, считает по твоим определениям метрик, строит график в твоём стиле и отдаёт готовый результат, который тебе остаётся проверить. Первый это чуть более умный поисковик и подсказчик под рукой, он почти не меняет твою реальную скорость, потому что всё переключение между системами ты по-прежнему делаешь сам. Второй меняет её кардинально. Рутина, которая съедала полдня, начинает занимать минуты. И вот тут становится видна настоящая картина рынка.

Свежее большое исследование, которое провели лучшие американские университеты вместе с OpenAI, «The Shift to Agentic AI: Evidence from Codex» (июнь 2026), измерило это напрямую. Data & Analytics в нём одна из самых быстрорастущих функций, по темпу освоения агентов аналитики идут вровень с инженерами. Но там же видно и главное. Даже у аналитиков, одной из самых продвинутых по AI профессий, на настоящих агентов, которые делают работу сами, приходится в среднем лишь около 15% всей работы с AI. Остальные примерно 85% это всё та же переписка с чатом. То есть массовое «да я давно пользуюсь AI» и реальный выигрыш это сегодня два разных лагеря. Разрыв виден и по выработке. У исследователей и аналитиков внутри OpenAI, которые перешли на агентов, объём сделанного за месяц вырос в десятки раз против того, что было полугодом раньше, причём при том же затраченном времени. А это значит, что можно делать больше и браться за более сложные и амбициозные задачи, быстрее расти и в деньгах, и в уровне работы, а если захочется, искать место посильнее.

Работодатели этот сдвиг уже закладывают в требования. Умение работать с AI всё чаще прямо прописано в вакансиях аналитика, а специалисты с этим навыком в среднем стоят заметно дороже коллег на той же роли без него. При этом по-настоящему, на уровне агента, а не переписки с чатом, этому научились пока немногие. И вот в этом зазоре и лежит возможность. Разобраться сейчас значит и обезопасить себя на будущее, когда это станет нормой для всех, и уже сегодня получить преимущество в скорости и в деньгах.

Получается простая вещь. Рынку уже нужны аналитики, которые умеют не просто спрашивать у чата, а работать с AI-помощником и настраивать его под себя. Пока таких мало. Кто научится, тот перестаёт разгребать рутину руками и вырастает в того, кто ставит задачи и проверяет результат. Так что весь вопрос в том, кто перейдёт в этот лагерь первым. И хорошая новость в том, что попасть туда куда проще, чем кажется. Как именно, разберём дальше.

Что вообще такое агент и чем он отличается от ChatGPT

Если убрать сложные слова, агент это программа, которая не отвечает на вопрос, а выполняет задачу. Разница примерно как между консультантом и исполнителем. Консультант говорит, что надо сделать, а делаешь всё равно ты сам. Исполнитель берёт и делает, а ты проверяешь.

Обычный чат ждёт, пока ты сам принесёшь ему весь контекст. Ты копируешь код или выгрузку, объясняешь, что за таблица и что нужно посчитать, а потом руками переносишь ответ обратно к себе. Агенту доступ к нужным инструментам дают один раз, и дальше он сам открывает нужную таблицу, пишет запрос, прогоняет его, строит график и отдаёт результат. Тебе остаётся проверить и подтвердить.

Устроено это довольно просто. Агент работает по кругу. Получил задачу, определил, что делать первым шагом, скажем прочитать таблицу или прогнать запрос, сделал, посмотрел на результат, перешёл к следующему шагу, и так пока задача не закрыта. Вникать в это не нужно ровно так же, как не нужно понимать устройство почтового сервера, чтобы отправить письмо.

Есть один важный момент, и он проще, чем кажется. Чтобы агент считал не наугад, а по правилам именно твоей работы, его не нужно вручную обучать и всё расписывать текстом. Настройка это скорее совместная работа. Ты отдаёшь ему документацию по своим таблицам, определения метрик, примеры прошлых запросов, свои шаблоны отчётов и то, как ты обычно оформляешь графики, а он сам в этом разбирается и собирает набор правил, которым будет следовать дальше. Ты это проверяешь и поправляешь, где нужно. Дальше эти правила переиспользуются в каждой задаче, и любой запрос отрабатывается одинаково ровно, хоть ты сам его запустил, хоть коллега, который тебя подменяет.

Какие задачи это уже закрывает

Если посмотреть, что такие агенты реально делают для аналитиков уже сегодня, вырисовывается несколько типовых сценариев. Ниже самые распространённые, просто как примеры, чтобы было понятно, о чём речь. На деле так можно автоматизировать почти любой повторяющийся кусок работы, эти взяты для наглядности.

Самая частая история это поток мелких запросов от всех вокруг. Продакт просит выгрузить конверсию по сегменту за неделю, маркетинг спрашивает, сколько пришло с последней рассылки, руководитель хочет цифру по вчерашним продажам в разрезе регионов. По отдельности каждый такой запрос это пять-десять минут, но их много, они рвут день на части и не дают заняться нормальной задачей. Агент, у которого есть доступ к твоим данным и который помнит, как у вас считаются метрики, закрывает такие вопросы сам. Ты пишешь ему обычным языком, а он идёт в базу, пишет и прогоняет запрос, проверяет цифру и строит готовый график. Больше того, он может работать на опережение. Например, сам увидел в почте запрос от продакта, поднял нужные данные, собрал выгрузку и написал тебе, что вот пришло письмо, ответ уже готов, посмотри и отправляй. Тебе остаётся подтвердить. Причём простой вопрос можно и задать, и получить прямо из мессенджера, не открывая ноутбук.

Второй знакомый сценарий это первичный разбор свежего набора данных. Каждый раз одно и то же. Загрузить файл, проверить типы, посмотреть, где пропуски и выбросы, построить пару распределений, чтобы понять, с чем вообще имеешь дело. Это можно отдать агенту целиком. Он сам подхватывает файл, подбирает под его размер подходящий инструмент, будь то обычный pandas на небольшой выгрузке или что-то помощнее на большой, прогоняет базовые проверки и отдаёт короткую сводку с тем, на что стоит посмотреть внимательнее. А если у тебя или в команде для такого разбора уже есть свой устоявшийся порядок или готовый плейбук, его можно один раз отдать агенту, и дальше каждый новый набор он будет проходить ровно по нему. Ты начинаешь не с чистого листа, а с уже разобранными данными.

Третий сценарий и, пожалуй, самый благодарный по времени это регулярные отчёты, которые надо собирать руками из нескольких источников. Один пользователь описал, как превратил агента в аналитика под еженедельный отчёт. Он отдал ему документацию по своим таблицам, агент её разобрал и сам задал вопросы по колонкам, которые не понял. Дал список типовых запросов простым языком и пару примеров готового SQL из истории, чтобы агент увидел, как здесь принято писать. Дал гайд по оформлению графиков и ссылки на несколько прошлых отчётов как образец структуры. По сути человек один раз отдал агенту весь контекст, и вместе они разобрали, из каких шагов состоит отчёт, тех самых, которые аналитик проходил бы вручную каждый раз. Теперь агент проходит их сам, в заданное время собирает отчёт и отправляет кому нужно. Важно только, что перед отправкой цифры всё равно стоит просмотреть самому, потому что на сложных дашбордах агент может что-то не учесть. Про это ещё скажу ниже.

И четвёртый сценарий, самый показательный, это когда агент отдаёт не просто цифру, а готовый вывод. Обычно выгрузка отвечает на вопрос «сколько», но не на вопрос «и что с этим делать», и толковать её дальше приходится аналитику. Агента можно настроить так, чтобы он не просто собирал данные, а держал в голове весь контекст вашей компании, который в него можно загрузить. Тогда он не просто считает, а сам ищет в цифрах зависимости, говорит, что нашёл, и сразу предполагает, на что это может влиять в бизнесе и что с этими данными стоит делать дальше. Заказчику уходит не таблица, которую надо ещё самому истолковать, а готовый осмысленный ответ, и так можно снимать часть работы даже с продакта и других людей. По сути появляется младший аналитик с хорошими навыками, и в коде, и в самой аналитике, которому можно отдать большой кусок повторяющейся рутины, а самому подключаться больше на проверке и решениях и заниматься новым и интересным.

И самое ценное, что эти сценарии со временем только выигрывают. Один раз настроил сценарий, и дальше это, по сути, записанный регламент твоей работы, который переиспользуется каждый раз и который можно постепенно улучшать. Например, в одной команде процесс аналитика прописали в таком сценарии, и теперь любой джуниор, который приходит, прогоняет ровно те же проверки и те же шаги и выдаёт то качество, которое дал бы старший аналитик сам. Подход к данным перестаёт жить в голове одного человека и становится доступен всей команде. Один раз разобрался, как ты работаешь, и дальше это работает на тебя постоянно, без необходимости каждый раз объяснять всё заново.

Какие есть ограничения

Тут нужны две честные оговорки. Первая в том, что AI иногда ошибается, причём уверенно. Он может взять не ту таблицу, перепутать похожие метрики или, если доступ к данным на секунду отвалился, подставить правдоподобную, но выдуманную цифру, лишь бы выдать ответ. Поэтому агент это исполнитель первого прохода, а не последняя инстанция. Рутину и объём он берёт на себя, но итоговые цифры, на которых строится решение, проверяет аналитик. При настройке агенту прямо задают правило считать только по имеющимся данным, помечать, где он не уверен, и ничего не додумывать.

Вторая оговорка это конфиденциальность. Выгрузки с внутренними и клиентскими данными не должны утекать в чужое облако, поэтому файлы и доступы разумнее держать у себя. Так ты получаешь скорость агента и сам контролируешь, где лежат данные.

Держишь в голове эти два правила, человек проверяет цифры и данные остаются у тебя, и агент перестаёт быть риском. Он просто более быстрый способ делать ту же работу с прежней ответственностью за результат.

Как начать таким пользоваться

Собрать такого помощника можно и самому. Но дело не только в том, чтобы потратить вечер на установку. Надо ещё разобраться, как всё это устроено, что и куда подключать, как описывать сценарии, попробовать, где-то ошибиться и переделать. На это уходит время, и не у каждого аналитика есть желание в это погружаться, тем более что своей работы обычно хватает.

Поэтому есть путь проще, взять уже готовое, преднастроенное решение. Есть решения вроде kvelo.dev, которые уже работают как агенты и собирают под тебя персональное рабочее пространство, где всё нужное, в том числе типовые сценарии аналитика, уже заточено и настраивается автоматически, без долгой ручной возни. Дальше ты просто работаешь. Сложные задачи делаешь за компьютером, а простые вопросы решаешь прямо из мессенджера. Написал в Telegram или WhatsApp «посчитай конверсию по сегменту за неделю», и агент сходил в данные, посчитал по твоим правилам, построил график и прислал ответ. По сути ты общаешься с ним как с коллегой.

Рынок, по большому счёту, уже определился, что работа с AI в аналитике это новая норма. Разница между теми, кто останется в переписке с чатом, и теми, кто научится делегировать агентам, скоро будет видна по скорости, по количеству закрытых задач и по тому, кому в команде достаётся интересная работа, а кому бесконечная выгрузка. Поэтому разбираться в этом стоит начинать уже сейчас. Время ещё есть, и шанс оказаться среди первых пока большой. А чтобы разобраться максимально просто и сразу встроить это в работу, можно начать с готового решения вроде Kvelo и просто попробовать.