7月15日、Rashiが「How I'm Making Sure My Analytics Career Doesn't Get Eaten by AI」と題した記事を公開した。著者のRashiは2021年からシニアヘルスケアアナリティクスコンサルタントとして現場に立つ実務家で、本記事はその個人知見を共有するプラットフォーム「Towards Data Science」に掲載された。AIによってアナリティクスのキャリアが侵食されつつある現状を当事者として観察しながら、どのようなスキルに賭けるべきかを実体験とともに論じている。

「スクラムマスターがダッシュボードを自力で作った日」

Rashiがこの問題を抽象論ではなく実感として捉えたのは、先週のある出来事がきっかけだった。

社内のスクラムマスターが、2つのプロジェクト管理プラットフォームのデータを統合する必要に迫られた。彼はデータアナリストではない。それでもGitHub CopilotのようなAIアシスタントの助けを借りて、データパイプラインを設計し、Power BIダッシュボードを自力で構築してしまった。 RashiがようやくSlackで呼ばれた時には、プロセスの自動化とストーリーテリングの強化だけが残っていた。

「私にとっては、AIがいかに急速にロール間の境界線を曖昧にしているかを突きつけられた瞬間だった」とRashiは振り返る。5年前なら、熟練アナリストが午後を丸ごと費やしていた作業だ。

「部族知識」が文書化されると何が起きるか

Rashiが本記事で指摘する構造変化の核心はここにある。

**When tribal knowledge gets written down, the lines between roles blur.**（部族知識が文書化された瞬間、役割の境界が消える）

「部族知識（tribal knowledge）」とは、長年の経験によって特定の人間の頭の中だけに蓄積されたノウハウのことだ。ビジネスコンテキスト、メトリクスの定義、数字が「おかしい」と直感で気づく感覚——こういった知識がAIシステムに渡されると、誰もがそれを利用できるようになる。

その結果として起きていることをRashiはこう整理する。

• データアナリストはデータエンジニアのスコープをこなすことを期待される
• ソフトウェアエンジニアがA/Bテスト（施策の効果を比較する実験的手法）の結果を解釈する（かつてはデータサイエンティストの領域だった）
• 技術的バックグラウンドがゼロの人間が、AIの助けを借りてダッシュボードを作る

「アナリティクスが消えるわけではない。ただ、実行への障壁が下がっている。価値の源泉は判断力・コンテキスト・影響力・意思決定へのつなぎ方に移っていく」というのがRashiの見立てだ。

Rashiが今実際にやっていること

記事の後半では、抽象論ではなく「自分が今日やっていること」として5つの方向性が示されている。最も力点が置かれているのは「AIが苦手な判断力を磨くこと」だ。

具体的には：

• AIが静かに嘘をついている（事実と異なるインサイトを生成している）ことに気づく
• 生存者バイアス（成功事例だけが可視化され、失敗事例が見えなくなる認知の歪み）を意思決定に反映させる前に見抜く
• 相関と因果の境界線を守る
• 確証バイアス（自分の既存の信念に合う情報を優先して受け入れてしまう傾向）に自分で気づく
• 「観察」と「インサイト」の違いを見分ける
• そもそも何をメトリクスとして定義すべきかを交渉する

これらはSQLで書けるものではない。Rashiはこの判断力こそが「AIに食われないスキル」だと位置づける。

残りの4点についても、Rashiは一つひとつ実践的な観点から掘り下げている。

AIシステムの仕組みを理解するでは、エージェントがどう推論するか、コンテキストをどう構造化するかを知ることを指す。Rashiは「あると便利」ではなく「必須」になると断言する。AIが出力した結果を検証・修正できるのは、仕組みを理解している人間だけだからだ。

ビジネス知識・分析的判断・AIシステム設計の交差点に立つという方向性では、クエリを書くこと・グラフを作ることを「唯一の価値」と捉えるのをやめることを促す。三つの領域が重なる場所にいる人材は、単機能の専門家よりも代替されにくい、というのがRashiの論拠だ。

ヒューマンスキルへの投資については、SQLクエリは商品化されるが、認知科学的な意味での人間的なスキルは商品化されにくい、という立場を取る。「ハードスキルは採用を決め、ソフトスキルは昇進を決める」というのがRashiの持論だ。ステークホルダーとの信頼構築、曖昧なビジネス課題の言語化、意思決定者を動かすナラティブの設計——これらはAIが代替しにくい領域として明示されている。

AIを実行・見栄え・インパクトの3層で活用するでは、分析の自動化（実行層）、ステークホルダー向けのナラティブ構築（見栄え層）、ビジネスインパクトの可視化（インパクト層）にAIエージェントを組み合わせて使う設計を指す。AIを「補助ツール」ではなく「設計対象」として扱う視点の転換が求められている。

5年後のアナリストキャリアをどう読むか

現場の変化を間近で見てきたRashiの予測は明確だ。

「アナリスト→シニアアナリスト→プリンシパルアナリスト」という直線的なキャリアパスは、5年後には今の形では存在しないかもしれない。 代わりに、AI・ビジネス・データ・ソフトウェアエンジニアリングが交差するハイブリッドな役割が増える。

「AIツールは過去にも何度も変化してきた。しかし、アナリストの本質的な価値は常にSQLクエリそのものではなかった——ビジネス課題を理解し、信頼を構築し、意思決定者が動ける確信を与えること。それはAIには代替しづらい」とRashiは締めくくっている。

詳細はHow I'm Making Sure My Analytics Career Doesn't Get Eaten by AIを参照していただきたい。