Cei care îți spun că AI-ul îți va lua locul ca analist lucrează probabil cu AI-ul zilnic și nu au observat că-l folosesc ca pe un junior bine antrenat, nu ca pe un înlocuitor. La sfârșit de 2026, întrebarea „AI înlocuiește analistul” are un răspuns mai limpede decât a avut în orice moment din ultimii trei ani. Și e un răspuns nuanțat, nu spectaculos.

Trei ani după lansarea publică a ChatGPT și doi ani după ce Microsoft Copilot a intrat în Power BI, datele despre cum lucrează echipele de analytics arată o realitate diferită de retorica vendorilor. Rolul s-a deplasat. Nu a dispărut.

Ce a promis hype-ul și ce s-a întâmplat efectiv

Predicția 2023-2024 spunea că până în 2026 jumătate din munca de raportare va fi automatizată complet. Predicția a fost greșită — nu pentru că AI-ul nu poate, ci pentru că munca de raportare nu e ce credeau autorii predicției.

În realitate, un analist serios într-o companie medie petrece între 30 și 50% din timp în ce s-ar putea numi „context engineering”: înțelegerea cererii reale a unui manager, decizia despre care date sunt relevante, validarea calității input-ului, formularea răspunsului în limbajul afacerii. Restul — scrierea SQL-ului, construirea unui dashboard, generarea unui report scris — sunt componente mecanice. AI-ul a accelerat partea mecanică. Partea de context a rămas umană.

Asta nu e o concluzie consolatoare pentru profesie. E o constatare de teren.

Ce s-a schimbat concret în rolul analistului

Volumul muncii a crescut, nu a scăzut

Acesta este aspectul cel mai puțin discutat. AI-ul a făcut mai ieftin să se ceară un raport. Înainte, un manager se gândea de două ori înainte să ceară echipei BI un dashboard nou — știa că durează două săptămâni. Acum cere fără ezitare, pentru că „o face Copilot în zece minute”. Rezultatul: cererile către echipa BI s-au triplat în multe companii. Nu pentru că AI-ul face munca, ci pentru că deschide robinetul.

Un analist din 2026 livrează de 2-3 ori mai multe outputs decât unul din 2023. Cantitatea a crescut, calitatea unitară a scăzut ușor (mai puțin polish), valoarea per output a scăzut și ea (multe rapoarte sunt one-off). Salariul, în piață reală, a crescut moderat — nu spectaculos.

Atenția s-a mutat către validare

Pe Copilot, pe ChatGPT, pe Gemini, pe Claude — toate produc răspunsuri care sună plauzibil dar care, din lipsă de context, sunt greșite cu o frecvență mai mare decât tolerează un raport oficial. Analistul a devenit, mai mult ca niciodată, ultimul filtru de adevăr între date și decident.

În practică, asta se traduce în câteva schimbări concrete:

• Tot mai mulți analiști petrec timp scriind „prompts” — nu doar interogări.
• Validarea unui output AI ia uneori mai mult decât scrierea lui de la zero, mai ales când AI-ul a halucinat un nume de coloană.
• Munca de QA pe rapoarte automate a crescut considerabil. E o specializare emergentă.

Skill-urile de modelare a datelor au devenit critice

Paradoxul anului 2026: cu cât AI-ul e mai capabil să răspundă la întrebări în limbaj natural, cu atât e mai important ca modelul semantic din spate să fie curat. Un Copilot peste un model semantic Power BI prost va da răspunsuri prost, indiferent cât de bun e modelul lingvistic. Echipele care au investit în modelare în 2023-2024 culeg roade în 2026. Cele care nu au făcut-o au înțeles cu întârziere.

Analiștii care știu să modeleze date — star schema, dimensiuni conformate, măsuri DAX bine gândite — sunt mai căutați decât oricând. Cei care știu doar să tragă vizualizări dintr-un dashboard pre-existent au probleme reale pe piața de joburi.

Ce nu face AI-ul (și nu va face curând)

Există o listă scurtă de lucruri pe care un analist le face și pe care AI-ul nu le poate substitui într-un orizont realist:

• Formularea întrebării corecte. Un manager spune „de ce a scăzut conversia luna asta”. Întrebarea reală e „pe ce segment specific a scăzut, comparativ cu ce baseline și e statistic semnificativ”. AI-ul răspunde la prima, analistul reformulează în a doua.
• Înțelegerea politicii interne. De ce un VP de vânzări nu vrea să vadă o anumită cifră într-un raport e ceva ce nu se învață din date. Se învață lucrând cu el.
• Decizia despre ce nu raportezi. Cele mai bune dashboard-uri au mai puține KPI-uri decât li se cer. AI-ul nu va spune niciodată „nu, asta nu trebuie pe pagina principală”. Un analist bun, da.
• Apărarea unui număr în fața unui board. Nimeni nu va lăsa un agent AI să răspundă la întrebări de la CEO. Ar fi non-funcțional, dar mai ales ar fi non-acceptabil. Răspunderea umană are valoare instituțională.

Cum s-a împărțit piața joburilor

În 2026, piața de joburi pentru analytics arată o segmentare mai clară decât în trecut:

La capătul de jos — junior analyst care face în principal pull de date și raportare standard — pozițiile au scăzut. Multe companii nu mai angajează la acest nivel în volumul de acum trei ani. Studenții care intră în piață au nevoie să arate mai mult: SQL solid, un pic de Python, înțelegere de cloud platforms.

La mijloc — analist cu 3-7 ani experiență — cererea e stabilă sau ușor crescătoare. Acești oameni produc cel mai mult valoare cu AI ca instrument: au judecata de business, au skill-urile tehnice, pot delega rutina către automatizare.

La capătul de sus — senior și principal analyst, lead BI, head of data — cererea a crescut. Companiile vor oameni care pot decide arhitectură, pot conduce echipe mixte (analytics engineers, data engineers, analiști), pot vorbi cu CFO-ul și CIO-ul cu autoritate. AI-ul nu a redus nevoia de acest tip de rol. A crescut-o.

O observație pentru piața românească

În România și Moldova, distribuția salariilor pentru analytics a urmat aceeași tendință ca în restul Europei, dar cu un decalaj de 12-18 luni. Pozițiile junior au început să scadă vizibil în 2026. Pozițiile senior cu specializare AI-aware au crescut și au atras pe outsourcing extern (companii americane care plătesc 1.5-2x față de piața locală pentru senior remote). Pentru analiștii din piață locală cu experiență, asta înseamnă o presiune pozitivă pe salarii.

Cum arată o zi de muncă în 2026 versus 2023

În 2023, o zi tipică a unui analist arăta cam așa: dimineață, două ore de SQL pentru a pregăti datele pentru un raport săptămânal. La prânz, două ore de Power BI/Tableau pentru a construi vizualizările. După-amiaza, o ședință cu stakeholderii pentru a explica.

În 2026, aceeași persoană face: dimineață, 30 de minute pentru a revizui SQL-ul propus de Copilot și pentru a face ajustări. La prânz, o oră pentru a structura dashboard-ul (Copilot face primul layout, el rafinează). După-amiaza, două ședințe cu stakeholderi diferiți pentru două rapoarte diferite. Plus încă o oră pentru a investiga o anomalie pe care un agent AI a detectat-o automat.

Mai puțin timp în tool, mai mult în comunicare și decizie. Nu e o transformare lipsită de stres — comunicarea consumă alt tip de energie decât SQL-ul.

Greșelile pe care le fac analiștii cu AI-ul

După trei ani de utilizare la scară, câteva pattern-uri de greșeli au devenit clare:

• Acceptarea outputului fără verificare. Cel mai des văzut. Un analist întreabă Copilot „care e conversia pe segment X”, primește un număr, îl pune în raport. Nimeni nu observă că asistentul a inclus o lună greșită. Mai târziu, CFO-ul observă.
• Folosirea AI pentru întrebări greșite. AI-ul e bun la „cum scriu un query care face X”. E mediocru la „ce întrebare ar trebui să-mi pun aici”. Mulți juniori îl folosesc pentru a doua.
• Abandonarea fundamentelor. Analiști care nu mai pot scrie un join complex fără AI. Pe termen scurt funcționează. Pe termen lung, la primul interviu pentru o poziție senior, devine vizibil.

Pentru cei care intră acum în profesie

Sfatul realist pentru un student care întreabă în 2026 dacă merită să devină data analyst: da, dar cu o redefiniție a planului de carieră. Pozițiile entry-level pure sunt mai puține. Drumul de creștere e mai pretențios. În schimb, plafonul senior e mai înalt decât a fost vreodată — pentru că responsabilitatea s-a mutat în sus.

Skill-urile care merită investiție în 2026-2027: SQL avansat (inclusiv window functions, query optimization), modelare dimensională, fundamentele statisticii și A/B testing, un limbaj de programare (Python), înțelegerea unui cloud (Azure sau GCP sau AWS, oricare), și — surprinzător pentru unii — comunicare scrisă și prezentare orală. Acestea din urmă fac diferența între un analist bun și unul indispensabil.

Ce urmează în 2027

Direcția pe următoarele 12-18 luni e previzibilă: agenții AI vor lua mai mult din munca operațională recurentă (refresh-uri, monitorizări, alerte). Asta nu va elimina locuri de muncă în volum mare, dar va schimba ce face un analist într-o zi. Mai puțin „să trag raportul”, mai mult „să interpretez ce am primit automat”.

În paralel, va continua tensiunea între ce poate face AI-ul tehnic și ce acceptă o organizație instituțional. Companiile mature vor înțelege că o decizie de business nu poate fi semnată de un agent — și își vor menține echipele de oameni.

Concluzie cu unghi

AI-ul nu înlocuiește analistul. Înlocuiește o anumită versiune a analistului — versiunea care făcea în principal munca mecanică. Pentru analiștii care s-au reformat — care au investit în modelare, gândire de business, comunicare — AI-ul a devenit cel mai util coleg pe care l-au avut vreodată. Pentru cei care nu au făcut acest tranzit, întrebarea „AI înlocuiește analistul” e formulată greșit. Întrebarea reală e: ce versiune a ta vrei să fii în 2027?

Întrebări frecvente

S-a automatizat jumătate din munca de raportare, cum se prezicea?

Nu. Un analist serios dintr-o companie medie petrece între 30 și 50% din timp în ceea ce s-ar putea numi „context engineering”: înțelegerea cererii reale a unui manager și traducerea ei în ceva ce se poate calcula. Predicția din 2023-2024 spunea altceva.

Ce s-a schimbat cel mai mult, atunci?

Volumul, nu direcția. Un analist din 2026 livrează de 2-3 ori mai multe rezultate decât unul din 2023 — e aspectul cel mai puțin discutat. Iar atenția s-a mutat spre validare: uneori verificarea unui output generat ia mai mult decât scrierea lui de la zero, mai ales când modelul a halucinat un nume de coloană.

De ce au devenit critice skill-urile de modelare?

E paradoxul anului 2026: cu cât AI-ul răspunde mai bine la întrebări în limbaj natural, cu atât contează mai mult ca modelul semantic din spate să fie curat. Un model prost înseamnă răspunsuri greșite livrate cu mai multă încredere.