Как AI меняет профессию
продуктового аналитикаразбор с Владимиром Абазовым из Т-Банка

Профессия продуктового аналитика переживает тектонический сдвиг. AI-инструменты уже сейчас автоматизируют рутину — от сборки сегментов до расчётов AB-тестов, — и вопрос «заменит ли AI аналитика» звучит на каждой конференции. Но что за этим стоит на практике? Как именно меняется ежедневная работа, что нужно учить, и стоит ли джунам паниковать?

Что уже изменилось в работе аналитика

AI для команды Абазова — это не какое-то абстрактное будущее, а уже повседневный инструментарий. Вот что уже работает в Т-Банке:

Text-to-Segments

Инструмент, созданный самой командой (причём идея принадлежит джунам). Маркетолог или продакт заходит в интерфейс, пишет на человеческом языке: «мне нужны люди, которые зарабатывают от 100 тысяч из Москвы, у которых есть кредитная карта» — и сегмент автоматически подгружается в систему рассылок. Раньше для этого аналитик вручную собирал SQL-запрос.

Text2SQL

Глобальный бенчмарк — 87–90% accuracy, на российском рынке у крупных игроков — от 80 до 90%. Т-Банк, по словам Абазова, «в лидерах» и активно развивает инструмент. Пока он лучше всего работает на одной таблице с понятной структурой; на десятках схем по 50 таблиц LLM-ки «теряются».

Факторный анализ с LLM

Бот автоматически раскладывает корневую метрику на три уровня, находит взаимосвязи и собирает еженедельное бизнес-ревью: что выросло, что упало, на что декомпозируется. Абазов признаётся: инструмент появился, потому что аналитики устали от его регулярных запросов на факторный анализ.

Аналитика — это скилл или профессия?

Этот вопрос — предмет одной из главных дискуссий в индустрии. Абазов занимает чёткую позицию: и то, и другое, но в зависимости от контекста.

В стартапе на 10–20 человек аналитика часто остаётся скиллом. Если бизнес не data-heavy (не рекламная платформа, не ML-based продукт), то продакт-менеджер или CTO могут закрыть аналитическую функцию сами — тем более с помощью AI-ассистентов. На ранних стадиях аналитик как отдельная единица просто не нужен.

Но в крупных компаниях аналитика — это полноценная профессия, и вот почему: аналитик выступает «судьёй» и «прокурором». Он проверяет AB-тесты, распределяет инвестиции и — критически важно — может сказать «стоп, сюда инвестировать не надо».

Независимость аналитика от владения продуктом — основа объективных решений. Без неё распределение ресурсов превращается в политику, а не в data-driven процесс.

AI — партнёр или конкурент аналитика?

Ответ зависит от типа бизнеса:

• Data-heavy стартапы (рекламные платформы, real-time аналитика) — аналитика остаётся ядром продукта, AI здесь партнёр и ускоритель.
• «Обычные» продуктовые стартапы — AI может заменить базовые аналитические задачи. Здесь аналитика скорее скилл продакт-менеджера, вооружённого AI-ассистентом.
• Крупные компании — AI выступает как ускоритель и «политический энейблер». Он освобождает аналитика от рутины (до 50% задач, по оценке Абазова), и высвободившееся время уходит на генезис — генерацию бизнес-предложений, питчинг идей, влияние на стратегию.

Абазов проводит параллель с специалистами из консалтинга: у McKinsey две суперсилы — анализ и генезис. Анализ аналитики делают лучше консультантов, но генезис (создание предложений и их «продажа» бизнесу) аналитики раньше не практиковали — не хватало времени. Теперь AI даёт это время.

Правда ли, что без рутины аналитик теряет контекст?

Когда аналитика освобождают от рутины, может ли он потерять «чувство данных»? Ведь именно регулярная работа с данными даёт контекст и понимание бизнеса изнутри.

Абазов считает опасение справедливым, но решаемым:

Это задача руководителя — целенаправленно перестроить роль аналитика в сторону стратегии. В команде Абазова для этого создан Discovery-проект: аналитики участвуют в генерации идей, во всех встречах по приоритизации задач, рассчитывают потенциальный импакт — и имеют право вето.

Поверх Discovery-проекта поставлена финансовая цель: 2 миллиарда рублей бизнес-импакта от аналитиков за год. Цель декомпозируется на хедов (примерно 500 млн на каждого) и далее на аналитиков. Каждый аналитик должен найти бизнес-идею, провести исследование, довести до AB-теста и измерить результат в деньгах.

Результаты за три года: цель выполняется на 90–95%. Команды с проактивными аналитиками демонстрируют кратно более высокий ROI: по внутренним исследованиям, разница в ROI между командами с проактивным и пассивным аналитиком — драматическая (Абазов привёл пример: 200% против 10%, оговорившись, что цифры утрированы, но тренд устойчив).

Зачем аналитик, если менеджер может сам спросить AI?

Text-to-SQL снимает базовые ad-hoc вопросы: «сколько беременных женщин в 2024 году заказали коляски?» — такую задачу AI должен решать. Но Абазов подчёркивает: CEO на самом деле хочет не ответы, а стратегию.

Ключевая ценность аналитика — умение задавать правильные вопросы, прослеживать причинно-следственные цепочки и предлагать actionable-решения. LLM-кам пока критически не хватает контекста для стратегических рекомендаций. Человеческий мозг лучше удерживает широту контекста, строит неочевидные взаимосвязи и — что немаловажно — несёт ответственность за решения.

Что учить: SQL ещё нужен или уже нет?

Абазов категоричен: SQL умрёт нескоро. Даже если через четыре года Text2SQL станет стандартом, знание SQL — это понимание устройства баз данных, структуры хранения, логики джойнов. Это фундамент, как математика.

Базовый набор

Который не изменился за последние два года: SQL, математика, статистика, наука о данных, базовый ML, устройство баз данных.

Новый слой

Что добавить прямо сейчас: понимание текущих AI-инструментов — Claude, ChatGPT, OpenClaw, N8N. Умение создать личного ассистента, знание, какие задачи эти инструменты могут решать. И критически — следить за обновлениями.

Самое важное — Business Acumen (бизнес-чутьё). Если вы хотите быть маркетинговым аналитиком — разбирайтесь в маркетинге лучше маркетолога. Общий бизнес-контекст — как работает компания, экономика продукта, механика рынка — это «самый отстающий скилл у большинства аналитиков», по мнению Абазова.

Джуны — они вообще нужны?

Однозначно да. Абазов не просто декларирует — его команда наняла порядка 40 стажёров за прошлый год. Т-Банк, Яндекс, Авито — все крупные игроки активно инвестируют в джунов.

Почему джуны ценны? Энергия, свежий взгляд, незамыленность, креативность. Инструмент Text-to-Segments придумали и развивают именно джуны — и сделали это иначе, чем планировал бы сеньор.

Для средних и малых компаний Абазов советует нанимать джунов, если есть хотя бы один сильный сеньор или техлид, под которого можно растить новичков. Он даже предпочитает пару джунов одному «сверхсильному» сеньору: «Я их лучше доращу сам до сеньоров».

Как меняются грейды и специализации в аналитике

Смещения грейдов в команде Абазова пока не произошло. Но профессия уже начинает расслаиваться:

• Дата-инженерия растёт: появляются роли Analytics Data Engineer, Data Feature Engineer. Раньше аналитик и данные настраивал, и BI делал, и Яндекс.Метрику подключал — теперь инженерная часть выпочковывается в отдельные профессии.
• BI как отдельная функция: в Т-Банке BI-команда — это отдельное подразделение, которое отвечает за быстрый доступ к данным для бизнес-стейкхолдеров, встраивает LLM в дашборды, помогает интерпретировать данные.
• Аналитик → бизнес-консультант: часть аналитиков трансформируется в стратегических советников. Часть уйдёт в дата-инженерию, часть — в продуктовые, маркетинговые и бизнес-лидерские роли, раскрывая бизнесовый потенциал «не за 10 лет, а за 5».

Парадокс найма: не используй AI на собеседовании, но используй на работе

Распространённый парадокс: компании хотят, чтобы кандидат думал самостоятельно (и проходил тестовые задания без использования AI), но при этом требуют навыков работы с AI на рабочем месте. Абазов не видит в этом противоречия:

Базовые знания нужны — это не обсуждается. Если кандидат не понимает фундаментальных принципов, никакой AI-инструмент это не компенсирует. Но поверх базы — обязательно проверяется умение усиливать себя с помощью AI. В Т-Банке (как и в Яндексе, Сбере) прямо сейчас ставится общая корпоративная задача: 10% оптимизации рабочих процессов с помощью AI.

Абазов подчёркивает: умение учиться — «всё ещё, наверное, самый ключевой скилл». А собеседование — это проверка именно способности думать, а не гуглить.

Прогноз: к 2029 году аналитиков будет больше или меньше?

Абазов выделяет два конкурирующих фактора:

• Фактор автоматизации: если количество компаний не меняется или растёт с той же скоростью — аналитиков станет скорее меньше.
• Фактор экономического роста: AI демократизирует создание бизнеса. Доступ к разработке удешевляется, барьер входа снижается. Если появится больше компаний — спрос на аналитиков может вырасти.

Но профессия точно разделится надвое:

Один навык, который нужно качать аналитику в 2026 году

Last Mile / Genesis — умение превратить исследование в actionable-бизнес-идею и продать эту идею.

Абазов называл этот навык Last Mile на конференциях четыре года назад. Сейчас предпочитает термин «генезис» — подсказали друзья из консалтинга. Суть одна: из гигантского массива вычислений важны три строчки в начале — главный вывод и призыв к действию.

Совет тем, кто боится, что их заменят ИИ: «Мир на твоей стороне»

Можно взять простую метафору: если идёт дождь — открой зонт и иди по своим делам. Если дождь — это LLM, пойди изучи, как это работает. При этом, у джунов есть огромное преимущество: время и энергия.

На вопрос «если бы начинал с нуля, пошёл бы в аналитику?» Абазов без колебаний отвечает: «10 из 10, 100%. Обожаю аналитику. Очень крутая профессия, всем советую».