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 34 wyników dla "RAC"

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

Więc jeżeli jesteś osobą, teraz zwracamy się do słuchacza, która bierze odpowiedzialność, to dobrze.

Ona jest taka w pewnym sensie płaska, czyli ludzie potrafią w sposób bardziej chaotyczny, można powiedzieć, taki racjonalny, wynajdować super fajne połączenia.

I ja uważam, że osoby, które myślą, które są w stanie brać odpowiedzialność, które teraz pracują na tym, żeby robić mniej oczywiste rzeczy, ale takie, które wprost rozwiązują problem, dają wartość,

Czyli po prostu jak ja dostaję jakieś zadanie, to raczej nigdy go nie traktowałem tak, że

I faktycznie to gdzieś tam karyluje z tym, no bo jak tam pracujesz pół roku, to ciężko nazwać się super doświadczoną osobą w którymś tam temacie, więc w pewnym sensie to chodzi o lata, ale przede wszystkim chodzi o ten ownership, że faktycznie ty jesteś osobą, która da wozie.

To między innymi oznacza, że bierzesz odpowiedzialność za wynik, podchodzisz odpowiedzialnie też za cały proces, że odpowiedzialnie też pracujesz z danymi, tam nie robisz jakichś wycieków i tak dalej.

To jest też ten mamy słynny, jak tam ktoś robił operację, pomylił rękę i mówi, oj, przepraszam, nie tą uciąłem.

Myślę, że to może być jakby podobna inspiracja dla kogoś, kto myśli o takim ownership'ie.

To teraz to z boku wydaje się, że dla mnie to jest łatwe, ale to była duża walka wewnątrz i ja rozumiałem też dlaczego mi to jest ważne, bo ja muszę przekazywać te myśli, które mam w głowie i teraz mam opracowane różne mechanizmy, jak sobie z tym radzę, natomiast dla mnie to nadal jest duże wyzwanie.

I nawet jeżeli on miał rację, a ty jednak pomyliłeś, to finalnie ty mówisz, no dobra, no ja przynajmniej na podstawie czegoś, i tam masz różne argumenty, podejmuję taką lub inną decyzję i biorę za to odpowiedzialność.

To jest ważne, bo jeżeli nie będziesz robić w taki sposób, to w pewnym momencie zaczynasz tracić kontekst i co powiesz wtedy?

Teraz jak pojawiają się agenci, to trzeba, żeby te agenci w jakiś sposób zaczęli współpracować.

Ja myślę, że to jest jedna z krytycznych myśli, które też chciałem, żeby wybrzmiały, bo na przykład pytałeś o rolę analityka, czy jest tracon tą rolę, którą obecnie robią i tutaj powiedziałam, że będzie na pewno transformacja, ale to, co na pewno, o czym koniecznie trzeba myśleć, żeby nie były takie sytuacje, że świadomie przekazujemy coraz większą kontrolę narzędziom typu AI, bo to jest bardzo zły kierunek, na pewno taki fatalny błąd, możemy tak to nazwać.

Ale myślę, że to jest fatalny błąd z perspektywy jakby pracownika, czy z perspektywy całej organizacji, z perspektywy ludzkości?

Ale no i mało osób pisze, że, znaczy pewnie pozytywne rzeczy ogólnie ludzie rzadziej piszą, ale często jak pojawiają się jakieś głosy to w stylu właśnie, że po co mam to robić, bo przecież i tak za chwilę nie będzie pracy, bo AI wszystko zautomatyzuje.

Trudniej to też mówić z perspektywy rynku, tam jakby procentu, ofert pracy i tak dalej, i tak dalej.

I to powoduje to, że ty de facto masz takiego pomocnika, który naprawdę, ja to często podkreślam, to jest twój agent, to słowo twój jest ważne i pracuje na twoją korzyść.

To zresztą już teraz na przykład jest taki tracker dataskowy Linear, taka jira od OpenAI, to używa tam i inne.

Jak ty szukasz do swojego zespołu, bo na pewno szukasz, mówisz o zespole, dowozicie projekty, macie laby, na co zwracasz uwagę u osób, które potencjalnie zatrudniasz?

My w naszym labie wypracowaliśmy z czasem taką pewną strukturę, jak w tym świecie się odnaleźć, bo jest dużo szumu.

I my wypracowaliśmy taki system, który nazwaliśmy Software 1.0, 2.0, 3.0.

My konceptualnie zupełnie inaczej to wypracowaliśmy i już tłumaczy, o co chodzi.

I teraz jak mówimy o Software 3.0, to już kojarzy się jednoznacznie z Data Workshop, no bo my tam opracowaliśmy koncepcję.

To się często nazywa jako RAC,

No bo LLM on jakoś, jego precyzje traci się w zależności od tego, jak dużo mamy tekstu.

Mieliśmy RAC, czyli zasilanie wiedzą.

Czyli poziom trzeci to był RAC, poziom czwarty to narzędzie i pamięć.

Natomiast ciężko to w tej chwili w ogóle ubrać w słowo, bo to raczej działa jako prawa natury, że po prostu to całość biegnie do przodu, brzmi do przodu i nie do końca wiadomo, kto to wynajdzie.

Ale nawet jeżeli rzeźbisz te pliki, ale bardzo tak ich rozbudowujesz, to maksymalnie poprawia o procent czy tam kilka procent, więc ktoś napracuje się kilka godzin, czuje się, że zrobił super roboty, ale niekoniecznie to było super.

Czyli opanowanie fundamentów i wracamy też do tego punktu, żeby uczyć się robiąc rzeczy, eksperymentując, popełniając porażki.

Jak zorganizować pamięć i tam mocno, mówiliśmy dzisiaj na temat ludzi, no to co ja robiłem, żeby wypracować ten model pamięci, to mocno się inspirowałem, jak działa pamięć u ludzi, jak działa nasz mózg.

Więc wypracowaliśmy taki model też siedmowarstwowy, który odpowiada za różne konteksty.

To jest taki unikalny know-how, że tak powiem, na który wypracowaliśmy i tam jest wiele takich smaczków, więc osoba, która chce zgłębić, jak takie rzeczy robić, bardzo polecam przyjść do nas.