Data scientist и AI: модели, эксперименты и новые навыки
AI ускоряет подготовку кода, разведочный анализ и построение базовых моделей. Data scientist отвечает за постановку измеримой задачи, качество данных, эксперимент, причинность и внедрение результата.
AI меняет работу, а не просто название должности
Для профессии «Data scientist» главный вопрос — не сможет ли модель выполнить отдельное действие, а можно ли передать ей весь рабочий процесс вместе с исключениями, проверкой и последствиями ошибки. Сегодня AI лучше всего справляется с тем, что можно выразить в цифровом виде, повторить по примеру и быстро проверить.
В этой роли уже можно ускорить: Подготовка данных, код анализа, базовые модели. Однако результат остаётся частью более крупного процесса. Человек отвечает за: Постановка гипотез, причинность, валидация. Поэтому реальный сценарий для большинства компаний — перераспределение времени и требований к качеству, а не мгновенное исчезновение должности.
ILO рекомендует анализировать профессию на уровне задач. Это важно: высокая техническая возможность автоматизации не равна фактическому внедрению, а внедрение не равно сокращению штата. Между ними находятся данные компании, интеграции, стоимость контроля, регулирование и готовность клиентов доверить системе решение.
Google Cloud DORA 2025
Опрос почти 5 000 технических специалистов: 90% используют AI на работе, более 80% отмечают рост продуктивности, но 30% мало или совсем не доверяют сгенерированному коду. DORA связывает результат не только с инструментом, а с тестированием, платформой и быстрым контуром обратной связи.
Открыть первичный источник ↗Что помогает делать AI
- Подготовка данных
- код анализа
- базовые модели
Где нужен человек
- Постановка гипотез
- причинность
- валидация
Что усиливать
- Причинно-следственный анализ
- эксплуатация моделей (MLOps)
- знание предметной области
Что можно передать AI, а что нужно контролировать
Практическая модель внедрения для команды, а не обещание полной автономности.
| Этап | Роль AI | Контроль человека | Что измерять |
|---|---|---|---|
| Подготовка | Подготовка данных, код анализа, базовые модели | Проверить входные данные, ограничения и конфиденциальность | Время цикла, полнота данных |
| Черновой результат | Собрать первый вариант, классификацию или рекомендацию | Постановка гипотез, причинность, валидация | Доля исправлений, критические ошибки |
| Решение | Показать варианты и объяснить использованные данные | Выбрать действие и принять ответственность за последствия | Качество результата, риск, жалобы |
| Обратная связь | Найти повторяющиеся ошибки и обновить подсказки | Изменить процесс, правила проверки и границы автоматизации | Повторные ошибки, стоимость контроля |
Как адаптироваться специалисту и команде
- Недели 1–2. Разложить работу на задачи.Отметить повторяемые операции, источники данных, цену ошибки и того, кто утверждает результат.
- Недели 3–4. Проверить один безопасный сценарий.Начать с направления: Подготовка данных, код анализа, базовые модели. Сравнивать скорость и качество с прежним процессом.
- Месяц 2. Добавить обязательную проверку.Закрепить ответственность за: Постановка гипотез, причинность, валидация. Записывать ошибки и случаи, когда AI использовать нельзя.
- Месяц 3. Пересобрать навыки и метрики.Развивать: Причинно-следственный анализ · эксплуатация моделей (MLOps) · знание предметной области. Оценивать не объём сгенерированного результата, а итоговое качество, риск и время всего процесса.
Как профессия связана с другими
Связи показывают общий рабочий процесс, а не замену одной роли другой.
Модели в продуктеРазработчик ПО ↗
Прототип модели превращается в поддерживаемый сервис с данными и интерфейсами.
Данные и прогнозыФинансовый аналитик ↗
Подготовка данных и проверка моделей поддерживают финансовые сценарии.
Валидация моделейРадиолог ↗
Разработка анализа снимков требует клинической разметки и проверки на реальных случаях.
Анализ для расследованийЖурналист ↗
Очистка и анализ данных помогают проверять гипотезы журналистского расследования.
Источники и границы данных
Ссылки ведут на первичные отчёты организаций и компаний. Исследования поставщиков помечены как отраслевые сигналы и не используются как независимое доказательство увольнений.
Каждый четвёртый работник находится в профессии с некоторой экспозицией к GenAI; только 3,3% мировой занятости относится к самой высокой категории. Основной ожидаемый эффект — изменение задач, а не полная замена профессий.
2026-01-15Anthropic Economic Index: New building blocks ↗Доля профессий, где Claude наблюдался как минимум в четверти задач, выросла с 36% до 49% в объединённой выборке. После поправки на успешность и частоту задач картина заметно меняется между профессиями.
2026-05-26OECD AI Exposure Measure ↗OECD показывает, что AI ближе всего к задачам с рутинной обработкой информации, а дальше всего — от работы, требующей контекстного суждения, межличностного понимания и ответственности.
2025-09-23Google Cloud DORA 2025 ↗Опрос почти 5 000 технических специалистов: 90% используют AI на работе, более 80% отмечают рост продуктивности, но 30% мало или совсем не доверяют сгенерированному коду. DORA связывает результат не только с инструментом, а с тестированием, платформой и быстрым контуром обратной связи.
Короткие ответы
Заменит ли AI эту профессию?
Точнее говорить об изменении набора задач. Рутинные операции автоматизируются быстрее, а решения, проверка качества и ответственность остаются у человека.
Чему учиться сейчас?
Развивайте навыки из раздела «Что усиливать» и учитесь проверять результат AI на реальных рабочих данных.
Какие задачи автоматизируются первыми?
В первую очередь меняются повторяемые цифровые операции с понятным входом и проверяемым результатом. Исключения, переговоры, физический контекст и ответственность автоматизируются значительно сложнее.
Можно ли использовать проценты из исследований как прогноз увольнений?
Нет. Экспозиция задач, фактическое использование AI и сокращение рабочих мест — разные показатели. На занятость также влияют спрос, стоимость внедрения, регулирование и решения компаний.