Mentionsy

Skills On Podcast
Skills On Podcast
23.05.2026 08:10

#7 Czy Analityk powinien bać się AI? | Vladimir Alekseichenko

Czy AI zastąpi analityków danych? Vladimir Alekseichenko wyjaśnia, jak Agentic AI i Software 3.0 rewolucjonizują rynek. Poznaj kompetencje przyszłości!Polecane materiały:

🎁 Software 3.0 od Vladimira — wejdź na inżynierski poziom AI: zbuduj produkcyjne systemy z RAG i naucz się tworzyć autonomicznych Agentów🔗 Podcast Biznes Myśli — tu znajdziesz podcast Vladimira🎁 Analityk Danych 10x od Piotra — bezpłatny plan rozwoju dla Analityków oparty na analizie 2000 ofert pracy🔗 LinkedIn Piotra — chętnie pogadam o tematach związanych z Analizą Danych

🔗 Claude Code — narzędzie od Anthropica, dzięki któremu zautomatyzujesz swoją pracę dzięki agentom

🔗 OpenClaw — podcast w którym twórca tego narzędzia zdradza kulisy jego powstawania

🔗 Linear — system do zarządzania zadaniami, który świetnie się integruje z agentami AI

Znikają stanowiska skupione na pracy odtwórczej. Jedna osoba generuje dziś tyle co 50-osobowy zespół. Vladimir Alekseichenko — CEO Data Workshop, 10+ lat w ML, podcast Biznes Myśli (500k pobrań) — tłumaczy, co to znaczy dla Twojej kariery w danych i jak nie tylko przetrwać, ale wygrać w erze AI.


Dowiesz się:

👉 Czy junior w 2026 ma przewagę nad seniorem, i dlaczego Vladimir twierdzi, że tak?

👉 Które umiejętności tracą wartość, a które stają się ważniejsze?

👉 Czym Software 3.0 różni się od "używania ChatGPT"?

Kluczowe momenty:

— Prawda czy halucynacja? Cyfrowe alter ego Vladimira

— Czy analitycy i programiści stracą pracę przez AI?

— "Ownership": Jedyna umiejętność, która uchroni Cię przed AI

— Co Vladimir w pełni zautomatyzował, a czego NIGDY nie odda AI?

— Paradoks rynku: Dlaczego juniorzy z AI mogą wygryźć seniorów?

— Autorytety? Jak naprawdę uczyć się sztucznej inteligencji?

— Ciemna strona agentów AI: Bezpieczeństwo i utrata kontroli

— Software 3.0: Dlaczego Vladimir przestał używać frameworków i pisze od zera?

— 7 poziomów autonomii AI. Kiedy powstanie prawdziwe AGI?

— Gdybyś zaczynał od zera w 2026 — co Vladimir zrobiłby inaczej?

Więcej materiałów znajdziesz tutaj:

- Instagram - https://www.instagram.com/piotr.menclewicz/

- LinkedIn - https://www.linkedin.com/in/piotr-menclewicz/

- Facebook - https://www.facebook.com/piotr.menclewicz/

- Tik Tok - https://www.tiktok.com/@piotr.menclewicz

Rozdziały (20)

1. Wprowadzenie i przedstawienie gościa

Wprowadzenie do tematu i przedstawienie gościa, Vladimir Alekseichenko, założyciela firmy Data Workshop.

2. Rekrutacja i wpływy AI w branży

Diskussja o rekrutacji i wpływie AI na branżę, w tym nauczanie ML i data science.

3. Cyfrowe alterego i aplikacje

Przedstawienie cyfrowego alterego i aplikacji, takich jak Day One, używanych przez gościa.

4. Zmiany w zawodach i roli analityka danych

Analiza zmian w zawodach, w tym roli analityka danych, i wpływy AI na te zmiany.

5. Wartość kodu i umiejętności analityka

Diskussja o wartości kodu w obecnych warunkach i kluczowych umiejętnościach analityka danych.

6. Podsumowanie i przyszłość

Podsumowanie rozmowy i omówienie przyszłości zawodowej analityka danych.

7. Responsabilidade i ownership

Rozmowa o konsekwencjach odpowiedzialności w karierze analityka, w tym ownership i priorytety. Aleksyichenko podkreśla istotność podejmowania decyzji wewnętrznie i przyjmowania odpowiedzialności.

8. Przykłady zastosowania ownership

Przykłady zastosowania ownership w codziennej pracy, w tym testowanie Open Cloud przez żonę Aleksyichenkowa.

9. Introwertyzm i ownership

Rozmowa o osobistych doświadczeniach Aleksyichenkowa z introwertyzmem i przyjmowaniu ownership w różnych sytuacjach.

10. Automatyzacja w machine learning

Przebieg pracy w machine learningie 5 lat temu w porównaniu do obecnej sytuacji, z podkreśleniem automatyzacji i brainstormingu.

11. AI w strategii i decyzjach

Rozmowa o roli AI w strategii i decyzjach, z podkreśleniem konieczności osobistego podejmowania decyzji i brania odpowiedzialności.

12. Ochrona prywatności i AI

Ważność ochrony prywatności danych w interakcjach z AI, z podkreśleniem konieczności aktywnego myślenia i działania.

13. Nowa perspektywa na pracę juniorskich i seniorskich roli

Podróżnik omawia nową perspektywę na pracę juniorskich i seniorskich roli, podkreślając przewagę juniorskich pracowników ze względu na ich otwartość umysłu i zdolność do szybkiego nauczenia się.

14. Edukacja i nauka w nowym świecie

Podróżnik omawia proces edukacji i nauki w nowym świecie, podkreślając ważność eksperymentowania i odwagi do przekroczenia komfortu.

15. Software 1.0, 2.0 i 3.0

Rozmowa o zastosowaniach Software 3.0, w tym Cloud Code i Open Cloud, oraz jego korzyści w analizie danych.

16. AI i jego ograniczenia

Analiza możliwości i ograniczeń AI, w tym halucynacje i konsekwencje ich wdrożenia, oraz przyszłość architektury AI.

17. Perspektywy przyszłości i nauka

Pytania o przyszłość nauki i technologii, w tym zmiany w pracy i życiu w 2026 roku.

18. Fundamenty i eksperymentowanie

Vladimir omawia, jak powinien się zacząć nauka o LLM, podkreślając znaczenie zrozumienia fundamentów i eksperymentowania z narzędziami.

19. Adaptacja do zmian i krytyczne myślenie

Rozmowa o adaptacji do zmian i krytycznym myśleniu, szczególnie w kontekście analizy informacji i osi czasu.

20. Edukacja i Agentic AI

Wspomnienie o firmie Data Workshop i jej programie edukacyjnym, skupiającym się na Agentic AI.

Szukaj w treści odcinka

Znaleziono 25 wyników dla "AI"

W pełnym sensie tak, chociażby jak osobę teraz rekrutuję się na stanowiska Data Science, ML albo AI, to dość często po obu stronach mogą być moje alumni, moi absolwenci.

No to teraz jeszcze, żeby jednak parę słów o Tobie powiedzieć, to ja, taka już mała tradycja, że zapytam AI-a, co o Tobie wie, przeczytam kilka rzeczy i możemy się zabawić w taką grę prawda czy halucynacja.

Teraz pewnie trzeba byłoby tu dodać jeszcze AI czy LLM.

Tak, AI zmienia swoje definicje czym jest.

Kiedyś AI równa klasyczny ML, teraz AI równa się LLM, ale warto pamiętać, to już mówiliśmy też przed podcastem, że LLM to też ML, tylko on faktycznie znacząco się różnie, więc wygląda jako coś odwzorownego, ale to cały czas machine learning pod spodem.

Tak, i tak jak mówiliśmy, cały ten background, który mają osoby, które wcześniej się emailem zajmowały, tutaj jak najbardziej się przydaje, chociaż też nie jest pewnie wystarczający.

Bardzo mi się przydaje, bo w emailu najtrudniejsze jest zarządzanie niepewnością i mierzenie tego.

Konceptualne, jeżeli chodzi o to, jak pracuje się z emailem.

Tak, no w takiej niszy to jest imponujący wynik, no bo co innego jak robisz taki jakby lifestylowy, lifestylową treść, która może dotrzeć do każdej osoby, tu temat jest dosyć trudny, więc tym bardziej... Trzeba powiedzieć, że mój pierwszy odcinek pojawił się, z tego co pamiętam, 2017 rok i wtedy już mówiłem o machine learningu, o AI, więc wtedy prawie nikt też o tym nie mówił.

Znaczy, nie wiem, to tak twierdzi AI, więc może mamy tutaj, złapaliśmy go na gorącym uczynku.

A jak mówisz głosem, i tym bardziej na początek to taki brainstorm, to są takie kawałki, które niekoniecznie są mega ustrukturyzowane, ale jak to nie zanotujesz, nie zapiszesz, to myśl się ciekawie.

Nagrywam siebie i teraz wicepaira różne i tak dalej pięknie umożliwiają to skonwertować w tekst, no a później elemy można wszystkie pięknie poukładać.

Bo większość rzeczy będą automatycznie generowane, tworzone, ale... Z czym ma problem AI i LLM ogólnie rzecz biorąc?

Jeżeli z tym już teraz masz problem, no to zastanów się nad tym i trzeba zacząć brać, bo tym się wyróżnisz od AI.

Bo z jednej strony AI staje się sprytne, on faktycznie nadaje różne wzorce, ale spędziłem sporo czasu z AI.

W pozycji juniorskiej ciężko będzie jakakolwiek konkurować z AI.

Po prostu w tej chwili AI robi tę robotę lepiej.

No bo do tej pory, tak jak ja to widzę, to przydaje się znajomość tych podstawowych technologii do takiego rewiewowania, czy to, co AI ci wypluwa, ma sens.

Open Cloud, takie Polarno po nim będziemy rozmawiać, taki agent, który możesz zainstalować i my go testujemy.

Teraz nie wchodzimy w szczegóły, ale idea jest taka, że to jest taki duży brainstorming.

W ogóle wszystkie brainstormingi znacząco przyspieszyli, jeżeli chodzi o posyłanie się do przodu.

A w ML-u dużo jest brainstormowania.

Czyli mamy tak, pisanie kodu, brainstorming, są jeszcze jakieś rzeczy, do których używasz AI i druga rzecz, chyba ciekawsza,

Czy są jakieś rzeczy, do których świadomie rezygnujesz, jakby uważasz, że nie powinno się tego robić przy pomocy AI i robisz, skupiasz się na tym, żeby to robić samodzielnie przy pomocy własnego umysłu?

AI ma duży problem ze strategią taką finalną, bo ja na przykład tak patrzę z punktu widzenia swojego życia też, wiadomo, jak człowiek pełni mnóstwo różnych błędów, ale często jest tak, że ty coś wyczułeś, pełną trajektorię, jak to Jobs mówił, ty nie jesteś w stanie odpowiedzieć albo połączyć kropki patrząc za przodem, jesteś w stanie zrobić to patrząc wstecz.