Як ШІ-агенти змінюють роль аналітика в продуктовому ІТ: погляд продакт-ліда

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Привіт! Я Максим Мироненко, Product Lead ко-фаундингової IT-компанії глобального рівня Universe та лектор Genesis Academy.

Маю понад три роки досвіду в продакт-менеджменті з основним фокусом на розробці ШІ-продуктів. Свій шлях в IT я починав саме як AI Development Product Manager — будував продукти на основі штучного інтелекту: від чат-ботів і рекомендаційних систем до мультимодальних рішень та різних копайлотів.

Зараз це одна з моїх ключових доменних експертиз поряд із продакт-менеджментом. Також я викладаю на Genesis Analytics Week і спілкуюся з великою кількістю студентів та кандидатів на позицію аналітика в продуктовому IT.

У цій статті хочу поділитися своїми думками про те, як через розвиток ШІ змінився запит до ролі аналітика та як залишатися конкурентоспроможним у нових умовах.

Важливий дисклеймер: я не аналітик — я людина, яка працює з продуктом. Але я — кінцевий споживач роботи дата- та продакт-аналітиків. Я використовую їхні результати, щоб ухвалювати рішення: що ми робимо, які гіпотези тестуємо, куди рухається продукт і які ресурси виділяємо. Саме через призму бізнес-запитів я й ділюся своїми спостереженнями.

І ще один дисклеймер: усе, що тут написано, — моя суб’єктивна думка, сформована досвідом роботи з продуктами, аналітиками, маркетингом і штучним інтелектом у різних ролях. Ви можете з нею не погоджуватися — це абсолютно окей.

Штучний інтелект у 2026: тренди та еволюція

Щоби зрозуміти, де ми зараз, корисно подивитися на те, як розвивався ШІ за останні кілька років.

2023–2024 роки — це епоха ChatGPT у класичному розумінні. Більшість людей сприймала штучний інтелект як «розумний пошук». ШІ пояснював, структурував, перефразовував. Поступово чат почав обростати модулями: з’явилися плагіни, режим «думання», робота із зображеннями.

2025 рік — рік вайбкодингу. Фокус змістився на роботу з кодом. З’явилися ШІ-IDE: Cursor, Claude Code, Codex — середовища, де мовна модель є повноцінним учасником розробки, а не просто підказкою збоку. Однією з причин популярності стало те, що обсяг коду, на якому тренуються мовні моделі, настільки великий, що дозволяє швидко навчатися на його основі.

2026 рік — рік агентів. Це якісний стрибок. ШІ більше не просто відповідає на запитання і не просто пише код — він діє автономно. Агент може сам зібрати контекст із десятків джерел, виконати послідовність завдань, взаємодіяти із зовнішніми сервісами й повернути готовий результат, поки ви займаєтеся іншими справами.

Три речі, які вже змінились у щоденній роботі

Якщо говорити конкретно про те, що змінилося в практиці, я виділяю три речі, які спостерігаю у своїй компанії та серед аналітиків, з якими працюю.

Контекст більше не потрібно вносити вручну. Раніше, щоб розпочати аналіз, потрібно було самостійно збирати інформацію: переглядати в Confluence описи метрик, шукати в Jira попередні задачі, перечитувати Slack-треди. Зараз агент підключається до цих ресурсів напряму — через MCP або плагін — і дістає потрібний контекст за секунди. Amplitude, Tableau, Figma, Notion, Google Drive, Asana — для більшості інструментів, з якими працюють аналітики, такі підключення вже існують. Ви просто питаєте: «Чи проводили ми схожий тест раніше?» — і отримуєте відповідь миттєво замість того, щоб витрачати годину на ручний пошук.

ШІ працює з артефактами, а не лише з текстом. Це важливий зсув, який часто недооцінюють. Сучасні агенти вміють не просто пояснювати — вони створюють конкретні робочі об’єкти: SQL-запити, Python-скрипти, дашборди, презентації, документацію. Я, наприклад, кілька років будував дашборди в Tableau і навіть тоді активно використовував ChatGPT для написання запитів. Зараз же можна просто сказати агенту: «Побудуй мені моніторинговий дашборд» — і він сам підключиться до джерела даних, напише запити, збере чарти. Результат, який раніше займав кілька годин, з’являється за 3–5 хвилин.

Швидкість стала видимою. Це стосується всіх етапів: продукту, дизайну, аналітики, розробки, маркетингу, HR, рекрутингу тощо. Наприклад, я витрачав близько пів години на написання документації в Confluence для одного A/B-тесту. Зараз у мене є окремий набір інструкцій та скриптів, де штучний інтелект взаємодіє з Confluence та Figma. Я просто додаю посилання на дизайн — і через 20–30 хвилин маю готову документацію, поки займаюся іншими справами. Так я економлю приблизно 2–3 години на тиждень лише на написанні документації.

Буде важко на початку — я міг витратити 10 годин на автоматизацію того, що займало 30 хвилин, — але коли навчитеся, з кожним разом буде легше інтегрувати автоматизації у свою роботу.

Чого тепер очікує бізнес від аналітика

Розвиток ШІ дозволив аналітикам ще глибше інтегруватися в бізнес-процеси та посилити свій вплив на стратегічні рішення.

Коли написання SQL і збір даних делегуються агенту, з’являється час на головне — ставити правильні запитання ще до того, як щось почали рахувати. Чи правильно сформульована гіпотеза? Чи та відповідь, яку ми очікуємо, взагалі допоможе ухвалити рішення? Це те, чому мої колеги навчають на Genesis Analytics Camp.

Хороший приклад: аналітик бачить дроп на воронці онбордингу. Перша реакція — «проблема з екраном». Але аналітик із продуктовим контекстом скаже інше: «Ми крутимо рекламу з тезою А, а в онбордингу продаємо тезу Б — можливо, дроп узагалі не про дизайн». Це різниця між людиною, яка рахує, і людиною, яка розуміє.

Саме такі аналітики, які челенджать, питають, пропонують, стають більш цінними в компанії.

Профіль сильного аналітика в новій реальності

Якщо спробувати окреслити, які якості стають ключовими, я виділяю чотири.

1. Сильний аналітик не чекає, поки до нього прийдуть із завданням, а проявляє проактивність. Він сам помічає аномалії, сам формулює запитання, сам пропонує гіпотези. Саме проактивність — одна з речей, яка найбільше впливає на кар’єрний ріст. Коли у вас вивільняється час завдяки автоматизації, з’являється простір зробити щось екстра, і це помічають.
2. Говорить мовою аргументів, а не фактів та пояснює свої рішення. Є величезна різниця між «метрика впала на 12%» і «метрика впала на 12%, і ось чому це сталося, і ось що це означає для нашого рішення щодо X». Як продакт, я не можу працювати з голими числами — мені потрібні факти, прив’язані до контексту й висновку. Аналітик, який вміє так комунікувати, стає партнером в ухваленні рішень, а не просто постачальником даних.
3. Челенджить бізнес не з позиції протистояння, а з позиції бажання отримати кращий результат для всіх. Якщо продакт приходить із задачею, корисно не просто виконати її, а спочатку уточнити: «Що саме ти хочеш дізнатися? Яке рішення ти ухвалиш залежно від результату?» Дуже часто виявляється, що початкове завдання було сформульоване не зовсім точно — і правильне питання коштує більше, ніж правильна відповідь на неправильне запитання.
4. Уміє делегувати агентам. Це нова навичка, яка з’явилася буквально зараз — і вона неочевидна. Делегування взагалі складна штука, навіть у роботі з людьми. Але той, хто навчиться ставити задачі агенту чітко, перевіряти результат і вибудовувати свої робочі процеси навколо цього, отримає величезну перевагу. Думайте про агента як про джуніора: йому можна доручити рутину, але ви залишаєтеся відповідальними за якість кінцевого результату.

Що вже зараз варто спробувати автоматизувати

Я б ділив робочий процес на три частини: до аналізу, під час аналізу і після аналізу. На кожному з цих етапів можна значно оптимізувати свою роботу за допомогою ШІ.

Daily-моніторинг. Це вже не просто сповіщення про помилки, а повноцінне аналітичне звітування. Штучний інтелект самостійно аналізує дані та приходить до вас із конкретикою: «Дивись, у нас тут є дроп. Моя гіпотеза полягає в тому, що...». Вам залишається роль експерта — заглибитись і перевірити припущення. Сьогодні більшість аналітичних інсайтів можна отримувати в автоматичному режимі.

Дослідження. Дуже часто я приходжу і кажу аналітику: «Тут щось дропнуло, треба поресерчити». А можна або самому це зробити через MCP-підключення до BI-інструменту, або аналітик може зробити це значно швидше через агентську систему.

Комунікація. ШІ чудово справляється з написанням звітів про результати тестів, структуруванням презентацій та формулюванням складних висновків простою мовою. Це суттєво економить час.

Кілька live-демо та практичних кейсів про побудову дашборда в Amplitude, аналіз відкритих відгуків користувачів і пошук інсайтів через Tableau я зібрав у своїй лекції в межах Genesis Analytics Week. Якщо цікавить ця тема — раджу переглянути.

Висновок

ШІ-агенти фактично автоматизують технічну підготовку та збір даних — етапи, які раніше поглинали значну частину робочого дня. Завдяки цьому цінність аналітика зміщується в бік роботи з контекстом: якщо агент може миттєво обробити масив даних, то лише фахівець здатен верифікувати ці висновки та зіставити їх із реальними бізнес-процесами.

Навчившись будувати власну систему агентів для рутинних завдань, ви зможете за день виконувати обсяг роботи, на який раніше йшов тиждень. У продуктовому IT, де швидкість перевірки гіпотез є важливою метрикою успіху, такий підхід стає визначальним для кар’єри.