Dobro, karte na stolu - ovo se pitanje pojavljuje posvuda. Na tehnološkim sastancima, pauzama za kavu na poslu, pa čak i u onim dugim LinkedIn temama nitko ne priznaje da ih čita. Briga je prilično izravna: ako umjetna inteligencija može podnijeti toliko automatizacije, čini li to znanost o podacima nekako... za jednokratnu upotrebu? Brzi odgovor: ne. Dulji odgovor? Komplicirano je, neuredno i puno zanimljivije od glatkog "da" ili "ne"
Članci koje biste možda željeli pročitati nakon ovog:
🔗 Znanost o podacima i umjetna inteligencija: Budućnost inovacija
Istraživanje kako umjetna inteligencija i znanost o podacima oblikuju sutrašnji inovacijski krajolik.
🔗 Hoće li umjetna inteligencija zamijeniti analitičare podataka: Pravi razgovor
Razumijevanje utjecaja umjetne inteligencije na uloge analitičara podataka i potrebe industrije.
🔗 Upravljanje podacima za AI alate koje biste trebali pogledati
Ključne prakse upravljanja podacima za maksimiziranje potencijala alata umjetne inteligencije.
Što zapravo čini znanost o podacima vrijednom 🎯
Stvar je u sljedećem - znanost o podacima nije samo matematika i modeli. Ono što je čini moćnom je taj čudan koktel statističke preciznosti, poslovnog konteksta i daška kreativnog rješavanja problema . Umjetna inteligencija može izračunati deset tisuća vjerojatnosti u trenu, sigurno. Ali može li odlučiti koji je problem važan za profit tvrtke? Ili objasniti kako je taj problem povezan sa strategijom i ponašanjem kupaca? Tu nastupaju ljudi.
U svojoj srži, znanost o podacima je poput prevoditelja. Uzima sirovi nered - ružne proračunske tablice, zapisnike, ankete koje nemaju smisla - i pretvara ga u odluke na temelju kojih normalni ljudi zapravo mogu djelovati. Uklonite taj sloj prijevoda i umjetna inteligencija često izbacuje samouvjerene gluposti. HBR to govori već godinama: tajni sastojak nisu metrike točnosti, već uvjeravanje i kontekst [2].
Provjera stvarnosti: studije sugeriraju da umjetna inteligencija može automatizirati mnoge zadatke unutar posla - ponekad i više od polovice . Ali određivanje opsega posla, donošenje procjena i usklađivanje s neurednom stvari zvanom "organizacija"? Još uvijek je u velikoj mjeri ljudski teritorij [1].
Brza usporedba: Znanost o podacima u odnosu na umjetnu inteligenciju
Ova tablica nije savršena, ali ističe različite uloge koje oni imaju:
| Značajka / Kut | Znanost o podacima 👩🔬 | Umjetna inteligencija 🤖 | Zašto je to važno |
|---|---|---|---|
| Primarni fokus | Uvid i donošenje odluka | Automatizacija i predviđanje | Znanost o podacima postavlja pitanja o „što“ i „zašto“ |
| Tipični korisnici | Analitičari, stratezi, poslovni timovi | Inženjeri, operativni timovi, softverske aplikacije | Različita publika, preklapajuće potrebe |
| Faktor troška 💸 | Plaće i alati (predvidljivo) | Računarstvo u oblaku (varijabilno u zavisnosti od veličine) | Umjetna inteligencija može izgledati jeftinije dok upotreba ne poraste |
| Snaga | Kontekst + pripovijedanje | Brzina + skalabilnost | Zajedno su simbiotski |
| Slabost | Sporo za repetitivne zadatke | Bori se s dvosmislenošću | Točno zašto jedno neće ubiti drugo |
Mit o "potpunoj zamjeni" 🚫
Zvuči uredno zamisliti da umjetna inteligencija proždire svaki posao s podacima, ali to je izgrađeno na pogrešnoj pretpostavci - da je cijela vrijednost znanosti o podacima tehnička. Većina toga je zapravo interpretativna, politička i komunikacijska .
-
Nijedan rukovoditelj ne kaže: „Molim vas, dajte mi model s 94% točnosti.“
-
Kažu: „Trebamo li se proširiti na ovo novo tržište, da ili ne?“
Umjetna inteligencija može generirati prognozu. Ono što neće uzeti u obzir: regulatorne probleme, kulturne nijanse ili sklonost riskiranju izvršnog direktora. Analiza koja se pretvara u djelovanje i dalje je ljudska igra , puna kompromisa i uvjeravanja [2].
Gdje umjetna inteligencija već mijenja stvari 💥
Budimo iskreni - dijelove znanosti o podacima već jede umjetna inteligencija:
-
Čišćenje i priprema podataka → Automatizirane provjere uočavaju nedostajuće vrijednosti, anomalije i brže se mijenjaju od ljudi koji se muče s Excelom.
-
Odabir i podešavanje modela → AutoML sužava izbor algoritama i obrađuje hiperparametre, štedeći tjedne petljanja [5].
-
Vizualizacija i izvještavanje → Alati sada mogu izrađivati nadzorne ploče ili tekstualne sažetke iz jednog upita.
Tko to najviše osjeća? Ljudi čiji se poslovi vrte oko repetitivne izgradnje grafikona ili osnovnog modeliranja. Izlaz? Popeti se više u lancu vrijednosti: postavljati oštrija pitanja, pričati jasnije priče i oblikovati bolje preporuke.
Kratki pregled slučaja: trgovac testira AutoML na odljev kupaca. Izbacuje solidan osnovni model. Ali velika pobjeda dolazi kada znanstvenik podataka preoblikuje zadatak: umjesto "Tko će odlaziti?" postaje "Koje intervencije zapravo povećavaju neto maržu po segmentu?" Ta promjena - plus partnerstvo s financijama radi postavljanja ograničenja - ono je što pokreće vrijednost. Automatizacija ubrzava stvari, ali okvir otključava rezultat.
Uloga znanstvenika podataka se razvija 🔄
Umjesto da blijedi, posao poprima nove oblike:
-
AI prevoditelji - čine tehničke rezultate probavljivima za lidere kojima je stalo do novca i rizika brenda.
-
Voditelji upravljanja i etike - uspostavljanje testiranja pristranosti, praćenja i kontrola usklađenih sa standardima poput NIST-ovog AI RMF-a [3].
-
Stručnjaci za strategiju proizvoda - uklapaju podatke i umjetnu inteligenciju u iskustva kupaca i planove razvoja proizvoda.
Ironično, kako umjetna inteligencija preuzima sve više tehničkih poslova, ljudske vještine - pripovijedanje, procjena domene, kritičko razmišljanje - postaju dijelovi koje ne možete lako zamijeniti.
Što kažu stručnjaci i podaci 🗣️
-
Automatizacija je stvarna, ali djelomična : Trenutna umjetna inteligencija može automatizirati mnoge zadatke unutar mnogih poslova, ali to obično oslobađa ljude da se preusmjere na poslove veće vrijednosti [1].
-
Odluke trebaju ljude : HBR ističe da se organizacije ne kreću zbog sirovih brojki - kreću se jer priče i narativi potiču vođe na djelovanje [2].
-
Utjecaj na radna mjesta ≠ masovna otpuštanja : Podaci WEF-a pokazuju da tvrtke očekuju da će umjetna inteligencija promijeniti uloge i smanjiti broj zaposlenih tamo gdje se zadaci mogu uvelike automatizirati, ali također udvostručuju prekvalifikaciju [4]. Uzorak više nalikuje redizajnu nego zamjeni.
Zašto strah i dalje postoji 😟
Medijski naslovi napreduju na propasti. "Umjetna inteligencija zamjenjuje radna mjesta!" prodaje. Ali ozbiljne studije dosljedno pokazuju nijanse: automatizacija zadataka, redizajn tijeka rada i stvaranje novih uloga [1][4]. Analogija s kalkulatorom funkcionira: nitko više ne radi dijeljenje s dugim brojem ručno, ali i dalje morate razumjeti algebru da biste znali kada koristiti kalkulator.
Ostanak relevantnim: Praktični priručnik 🧰
-
Započnite s odlukom. Uskladite svoj rad s poslovnim pitanjem i cijenom pogreške.
-
Neka umjetna inteligencija skicira, vi usavršavajte. Tretirajte njezine rezultate kao početne točke - vi donosite prosudbu i kontekst.
-
Ugradite upravljanje u svoj tijek rada. Lagane provjere pristranosti, praćenje i dokumentacija povezani s okvirima poput NIST-ovog [3].
-
Prebacite se na strategiju i komunikaciju. Što ste manje vezani za "pritiskanje gumba", to je teže automatizirati vas.
-
Poznajte svoj AutoML. Zamislite ga kao briljantnog, ali nepromišljenog pripravnika: brz, neumoran, ponekad užasno griješi. Vi pružate zaštitne ograde [5].
Dakle… Hoće li umjetna inteligencija zamijeniti znanost o podacima? ✅❌
Izravan odgovor: Ne, ali će ga preoblikovati . Umjetna inteligencija preoblikuje alate - smanjuje mukotrpan rad, povećava opseg i mijenja vještine koje su najvažnije. Ono što ne uklanja je potreba za ljudskom interpretacijom, kreativnošću i prosudbom . Ako ništa drugo, dobri znanstvenici podataka vrijedniji su kao tumači sve složenijih rezultata.
Zaključak: umjetna inteligencija zamjenjuje zadatke, a ne profesiju [1][2][4].
Reference
[1] McKinsey & Company - Ekonomski potencijal generativne umjetne inteligencije: Sljedeća granica produktivnosti (lipanj 2023.).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Znanost o podacima i umijeće uvjeravanja (Scott Berinato, siječanj-veljača 2019.).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Okvir za upravljanje rizicima umjetne inteligencije (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Svjetski ekonomski forum - Zatvara li umjetna inteligencija vrata mogućnostima zapošljavanja na početnoj razini? (30. travnja 2025.) - uvidi iz Budućnosti poslova 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. i dr. - AutoML: Pregled najsuvremenijih tehnologija (arXiv, 2019).
https://arxiv.org/abs/1908.00709