Каждый день, каждую минуту и каждую секунду ИИ углубляется в анализ данных. Он автоматизирует рутинные задачи, пишет SQL-запросы, очищает неаккуратные наборы данных, строит диаграммы — и на первый взгляд даже кажется, что понимает, что делает. Ну… почти.
Это вызывает очень реальный, немного тревожный вопрос: заменит ли ИИ аналитиков данных? Или хотя бы тех младших аналитиков, которые все еще колдуют с таблицами в Excel?
На первый взгляд все выглядит разумно. Аналитика — это выявление паттернов, поиск корреляций и написание скриптов. Может ли ИИ находить корреляции? Может ли он структурировать данные? Да, может. Собрав все воедино, ИИ начинает казаться не просто помощником, а реальным конкурентом в команде аналитиков.
Но есть загвоздка. Их несколько, на самом деле.
ИИ в аналитике: между ожиданиями и реальностью
Если посмотреть поближе на то, что пишут о ИИ в аналитике данных сегодня, то можно заметить четкое разделение во мнениях.
С одной стороны — чрезмерно оптимистичные суждения, обычно направленные на новичков. Здесь ИИ представлен как универсальное решение: он быстро находит паттерны, очищает данные, пишет SQL-запросы и даже делает выводы. После прочтения нескольких таких статей можно начать верить в то, что аналитики на грани устаревания.
С другой стороны — опытные профессионалы поднимают очень обоснованные опасения. Эти статьи сосредоточены на слабых сторонах ИИ: как он справляется с комплексными случаями, генерирует сомнительные инсайты и не всегда понимает, с чем имеет дело. Часто итог звучит так: «ИИ не заменит людей — он просто легкий помощник».
Но обе стороны упускают полную картину. Первая склонна переоценивать возможности ИИ. Вторая рискует недооценить реальную ценность, которую он уже приносит в повседневной аналитической работе. Что же нам делать? Либо поддаваться ажиотажу, либо игнорировать инструмент, который уже способен сэкономить часы усилий.
Цель этой статьи — предложить третью точку зрения: практическое мнение от тех, кто уже использует ИИ в реальных рабочих процессах. Давайте посмотрим, где он помогает, где не справляется, и как заставить его работать без ожидания чудес.
Мы пройдем через реальные примеры использования ChatGPT, внимательно рассмотрим, как ИИ может дополнять работу аналитика и почему продуманная интеграция уже не просто модный тренд, а новый уровень профессиональной реальности.
Простые технические задачи: насколько хорош ИИ на самом деле?
Прежде чем мы перейдем к примерам, немного контекста.
Я основатель и бывший CTO Infolek (до 2022 года) и в настоящее время CTO OMNI Digital. Я сосредоточен на создании инновационных решений для автоматизации и оптимизации бизнес-процессов в аптеках и фармацевтической дистрибуции, в том числе в Казахстане. Примеры ниже являются реальными вызовами, с которыми мы столкнулись, и взяты непосредственно из фактических проектов.
Пример 1: Парсинг адресов Казахстана на сегменты
Представьте набор данных с 30 000 адресами из Казахстана. Задача состоит в том, чтобы разделить каждый адрес на отдельные компоненты: регион, район, населенный пункт, улица и номер здания.
Простая команда вроде «разделить адрес на эти части» не работает — структура данных слишком сложна. Существует много нюансов. Например, если пытаться делить по разделителю, количество сегментов может варьироваться от 3 (например, Алматы, улица Байзакова, д.7) до 8 и более (например, Казахстан, Актюбинская область, Актобе, Алматы, Карагалинский район, жилой район Каргалы, микрорайон Есет Батыра, 1 микрорайон, д.34). Некоторые адреса даже содержат несколько вложенных населенных пунктов. Короче говоря — правила не последовательны.
Что делать? Итерации. Команда → результат → уточнение → новая команда. И так до тех пор, пока не сработает.
Ручное решение этой задачи заняло бы гораздо больше времени. Но здесь ИИ проявляет себя:
С учетом точной команды он может быстро тестировать гипотезы, генерировать скрипты или регулярные выражения и адаптироваться к сложным условиям. Он легко выделяет конкретные подзадачи, когда они четко сформулированы — как в этом случае:
«Создайте новый столбец adr1_hc2, который содержит подстроку, составленную из последних сегментов адреса, соединенных запятыми, которые ранее не были классифицированы. Извлеките цифры, начиная с первого встреченного числа, до первого нечислового символа…»
С четкими инструкциями ИИ становится мощным помощником — быстрым, последовательным и удивительно точным в обработке технической логики.
Проверка массовых данных: где ИИ сталкивается со своими пределами (и затем их преодолевает)
Пример 2: Проверка казахских сельских районов
Предположим, у вас есть таблица с 1,000 сельскими районами Казахстана — и список предполагаемых совпадений с административными регионами, к которым они принадлежат. Проблема в том, что нет надежной открытой таблицы, которую вы могли бы просто подключить к своей модели. Человеку придется искать каждую запись вручную — одна за другой.
ChatGPT неплохо справляется с проверкой по одной строке. Дайте ему один район, и он может провести перекрестную проверку, рассуждать и предлагать исправления. Но если попытаться масштабировать это до 1,000 строк в стандартном интерфейсе, ситуация усложняется. Быстро.
Но ChatGPT вежливо (а иногда и не очень вежливо) откажет. Он начнет выдавать ограничения и предупреждения безопасности или просто скажет: «Извините, я не могу с этим помочь».
Обходной путь? Используйте API.
Переключившись на API и автоматизировав поток команд, задача стала полностью управляемой — и была успешно выполнена. То, что раньше занимало часы ручной работы, теперь можно выполнять последовательно в большом масштабе.
Ключевой вывод:
ИИ может действительно помочь с массовой проверкой данных — но для этого ему нужна правильная инфраструктура. Для всего, что выходит за рамки простых проверок, вам придется выйти за пределы окна чата и использовать автоматизацию.
Пример 3: Исследование несоответствий данных в фармацевтических отчетах
Фармацевтический дистрибьютор отправляет ежемесячные отчеты. В один из месяцев что-то пошло не так — 95% имен клиентов и адресов больше не совпадают с любыми предыдущими отчетами. Это не просто проблема форматирования — похоже, что это совершенно другой набор данных.
Быстрый ручной обзор показал, что около 25% записей можно частично сопоставить с использованием полуавтоматических методов. Остальные? Они потребовали полного человеческого обзора.
Итак, мы решили проверить ИИ.
-
Первая попытка: позволить ИИ разобраться самостоятельно. Мы загрузили оба файла и попросили ChatGPT выявить несоответствия и объяснить, что происходит. Это привело к полному провалу. Модель даже не приближается к выявлению проблемы — она просто выделяет очевидные несоответствия без значительного анализа.
-
Вторая попытка: помочь ему. Мы предоставили ChatGPT подробный контекст: структура данных, бизнес-логика, правила отчетности, возможные сценарии и гипотезы для проверки. Мы направляли его шаг за шагом. Все равно не повезло. Здесь модель либо предлагает неопределенные обобщения, либо цепляется за неуместные детали. Прогресса нет.
-
Финальная попытка: использовать ИИ как инструмент, а не как мозг. Человеческий аналитик берет на себя управление. Используя ChatGPT для рутинных проверок, написания гипотез и базовой структуры, аналитик протестировал несколько теорий за примерно 30–40 минут. В итоге появляется паттерн: проблема заключается в системе отчетности дистрибьютора — что позже подтвердил их технический отдел.
Вывод:
Когда речь идет о структурировании или визуализации известных данных, ИИ справляется хорошо. Но когда задача требует выявления скрытых паттернов, работы с нелинейными связями или формирования новых гипотез — ИИ сталкивается со своими текущими пределами.
Дело не в том, что он ужасен. Просто он не может заменить опыт, контекст и человеческую интуицию — по крайней мере пока.
ИИ отлично справляется с рутинными задачами. Он обрабатывает повторяющиеся задачи, такие как парсинг текста, распознавание паттернов и базовая структура, и даже пишет скрипты и регулярные выражения быстрее, чем большинство младших аналитиков. Он может даже делать простые прогнозы — но давайте проясним: качество этих прогнозов все еще зависит от человеческого аналитика, который задает направление, проверяет предположения и утверждает результаты.
ИИ также может помочь визуализировать данные — при условии, что метрики четко определены. Но когда дело доходит до выявления нестандартных KPI, часто теряется суть. Почему? Потому что новое не является его сильной стороной — он все еще занимается сопоставлением паттернов в известных рамках.
Нужно масштабирование? Здесь на помощь приходят API. С правильной настройкой вы можете автоматизировать задачи большого масштаба, которые обычно займут часы (или дни) ручного труда. Массовая проверка, массовые преобразования, структурированное проведение команд — все это становится выполнимым.
Но есть подводный камень. ИИ все еще выдает ложные корреляции и вводящие в заблуждение выводы — особенно когда ваши данные неряшливые, неполные или когда проблема нечетко определена. В такие моменты человеку необходимо вмешательство. Не только для проверки вывода, но и для того, чтобы задать правильные вопросы с самого начала.
Трудная истина? Вам все еще нужен человеческий мозг для всего, что требует нюансов, нелинейности или специфики бизнеса. Аналитики знают, как адаптировать методы к контексту, создавать пользовательские метрики и видеть паттерны, которые не заметит ни одна модель. Люди приносят интуицию. ИИ приносит скорость. И прямо сейчас это действительно сильная комбинация.
