Kto dziś naprawdę pcha AI do przodu? Inżynier danych wychodzi z cienia

926883202

Czy w firmach naprawdę rządzi jeszcze „wizja” zarządu, czy raczej to, co daje się policzyć i wdrożyć? Najnowsze badanie MIT Technology Review Insights we współpracy ze Snowflake pokazuje coś, co wielu praktyków widzi od dawna: inżynier danych z roli „cichego bohatera ETL-i” wskakuje na poziom, gdzie rozmawia się o strategii i wyniku kwartalnym.

Co mówi liczba, a co mówi praktyka

• 72% menedżerów uważa, że rola inżyniera danych stała się integralna dla biznesu (w firmach >10 mld USD przychodu – 86%).
• Czas pracy inżynierów na projektach AI wzrósł od 2023 r. z 19% do 37%; do 2027 r. ma sięgnąć 61%.
• 74% firm widzi wzrost liczby projektów i generowanego kodu w ostatnich dwóch latach.
• 77% przyznaje: AI zwiększa presję na zespoły – szczególnie przez nieustrukturyzowane dane i real-time.

To brzmi jak slajd z konferencji, ale pod spodem jest prosty mechanizm: im więcej decyzyjności opieramy na danych, tym bliżej stołu zarządu przesuwa się inżynier danych. Chris Child ze Snowflake nazywa rzecz po imieniu: jeśli firma nie zasila decyzji danymi, zostaje z tyłu. A jeśli zasila – to potrzebuje ludzi, którzy potrafią te dane zamienić w działające, bezpieczne i skalowalne systemy pod AI.

Zmiana akcentów: mniej klejenia rurek, więcej architektury

W wielu organizacjach praca inżyniera danych przestaje być „operacją na schematach” i staje się projektowaniem całego krwiobiegu: od źródeł, przez jakość i linie przetwarzania, po inferencję modeli. Automatyzacja przez agentów AI przejmuje część żmudnych zadań, a rola człowieka przesuwa się w stronę decyzji architektonicznych i nadzoru nad ryzykiem: wersjonowanie danych, kontrola jakości, koszt chmury, compliance. Krótko: mniej ręcznego ETL, więcej „jak to zrobimy, żeby działało dziś i za dwa lata”.

Trzy rzeczy, które decydują, czy inżynier danych wskoczy do pierwszego składu

Snowflake wskazuje trzy obszary rozwoju – i trudno się z tym spierać:

1. AI na serio, nie „z nazwy”

   • Zrozumienie LLM-ów: jak pobierają, filtrują, weryfikują dane; co robi RAG; gdzie czają się halucynacje.
   • Rzemiosło ML: feature engineering, ewaluacja, metryki jakości, drift, MLOps.
   • Praktyka nad teorią: pipeline’y, które się skalują i dają się audytować.

2. Biznes jako „źródło prawdy”

   • Zanim zbudujesz, zapytaj: co jest KPI-em? co jest decyzją? gdzie będzie ROI?
   • Zespoły międzydziałowe: inżynier danych + product owner + właściciel procesu = krótsza droga od danych do wyniku.

3. Komunikacja bez dymu i luster

   • Mówienie o ryzyku, kosztach i kompromisach w języku, który rozumie CFO i dyrektor operacyjny.
   • Pokazywanie wpływu w liczbach, nie w „synergii rozwiązań”.

Mikro-reportaż z firmowej kuchni

W jednej z dużych spółek, która na AI przeznacza już siedmiocyfrowe budżety, wąskie gardło nie było w modelu, tylko w danych. Dwa sprinty poszły na poprawę metadanych i polityk dostępu; dopiero trzeci sprint przyniósł skok jakości odpowiedzi modelu. Puenta? Największy „zysk z AI” zrobił zespół inżynierii danych, nie zespół od promptów.

Presja rośnie, ale to presja sensowna

77% firm czuje większą presję na zespoły danych – głównie przez dokumenty, obrazy, strumienie zdarzeń. To trudne, ale jednocześnie właśnie tu leży przewaga konkurencyjna: kto ogarnie nieustrukturyzowane i real-time, ten zagra szybciej i czyściej. A szybszy obieg informacji często wygrywa z „lepszym algorytmem na papierze”.

Co z tego wynika dla zarządów i dla ludzi od danych

• Dla zarządów: inwestycja w architekturę danych pod AI to nie „koszt IT”, tylko fundament decyzji. Bez tego każde demo AI będzie tylko demem.
• Dla inżynierów: ścieżka awansu idzie dziś przez architekturę, bezpieczeństwo i język biznesu. Umiejętność pokazania wpływu na KPI to nowy super-skill.

Metodologia, czyli skąd te wnioski

Badanie MIT Technology Review Insights z czerwca 2025 r. objęło 400 liderów technologicznych (CIO, CTO, CDAO i menedżerów odpowiedzialnych za dane/technologię) z 10 krajów w USA, Kanadzie, Europie (Francja, Niemcy, UK) i APAC (Australia, Indie, Japonia, Nowa Zelandia, Korea Płd.). Respondenci pracują w firmach z min. 500 mln USD przychodu, w siedmiu branżach. Do tego – pogłębione wywiady z kadrą zarządzającą i ekspertami.

AI robi dużo hałasu, ale cichy metronom postępu tyka gdzie indziej: w jakości, dostępności i ruchu danych. I właśnie tam rośnie rola inżyniera danych – z wykonawcy zadań na współautora strategii. Jeśli firmy to wykorzystają, różnica między „mamy AI” a „zarabiamy na AI” przestanie być zagadką.

Źródło: MIT Technology Review Insights / Snowflake. Raport do pobrania: na stronie Snowflake.