Дата-інженери посідають незвичне місце на карті заміщення AI: два з шести завдань уже міцно перебувають усередині межі AI-augmented, ще два належать до середнього класу, а два глибоко Human-critical. Роль не розпадається на акуратні фрагменти. Те, що робить вас цінним у 2026 році, — це вже не «я пишу SQL», але й не «я проєктую дата-інфраструктуру» окремо від решти. Це багатошарова робота, що пов'язує одне з одним.
Цей матеріал розбирає шість репрезентативних завдань з матриці спроможностей v1 і виводить зважену за часткою картину для типової клітинки дата-інженера рівня Tier-2-mid.
Розбір за завданнями
Писати SQL-трансформації. Спроможність 82, надійність 78, ціна помилки 2, контроль 15 хв/одиницю. Клас AI-augmented. Це клітинка з найвищою спроможністю в ролі. Передові моделі впевнено перекладають словесну специфікацію в SQL для більшості діалектів сховищ, а режими відмови достатньо помітні, щоб 15-хвилинний прохід контролю їх виловлював. Реальні команди повідомляють про скорочення часу на 40–60% на рутинних трансформаціях. Економіка тут сильно на боці AI: вартість токенів на одну трансформацію помітно нижча за долар за поточних цін на передові моделі проти $0,30 робочого часу аналітика.
Будувати ETL/ELT-конвеєри. Спроможність 78, надійність 70, помилка 3, контроль 25 хв. Теж AI-augmented, але розрив у надійності тут важливіший. Конвеєр з багом мовчки псує нижчі таблиці й створює роботу всім, хто їх читає. 25 хвилин контролю — не формальність, а перевірка інтеграції, що тримає конвеєр гідним довіри. На практиці AI добрий на розгортанні конвеєрів з нуля (скорочення на 40%) і буксує на інтеграції нестандартних джерел, де дані мають особливості форми.
Проєктування схем. Спроможність 55, надійність 50, помилка 4, контроль 45 хв. Human-led, AI-assisted. AI корисний для приведення наявних схем до канону й пропонування варіантів. Він марний для стратегічного питання — «який вигляд має мати ця таблиця з огляду на те, як компанія робитиме до неї запити за два роки». Це продуктове судження, а не проблема синтаксису. Надійність у районі середини п'ятдесятих, бо запропоновані AI схеми часто пропускають невисловлене припущення (наприклад, що в клієнта може бути кілька платіжних адрес у різних регіонах).
Відлагодження конвеєрів. Спроможність 50, надійність 45, помилка 4, контроль 50 хв. Теж human-led. AI вміє розпізнавати за шаблоном типові збої конвеєрів — дрейф схеми, баги з часовими поясами, обробку NULL — і пропонує правдоподібні виправлення. Але спроможність утримується внизу довгим хвостом збоїв, що вимагають системного контексту, якого в AI немає. Надійність — нижній обмежувач: коли AI помиляється у виправленні конвеєра, наслідок — псування даних, що поширюється вниз потоком і часто помічається лише за кілька днів.
Архітектура дата-інфраструктури. Спроможність 40, надійність 40, помилка 5 (найвища в ролі), контроль 90 хв. Клас Human-critical. Архітектурні рішення накопичуються: хибний вибір на цьому рівні коштує місяців на відкат і створює технічний борг, яким обкладається кожна команда, що торкається даних. AI вміє описати компроміси між Spark / Snowflake / DuckDB на рівні вендорського брифу; він не може ухвалити рішення з огляду на навички вашої команди, прогноз масштабу й вимоги комплаєнсу. Ціна помилки 5 відображає асиметрію: перевірити дешево, помилитися — дорого.
Захист конвеєрів перед стейкхолдерами. Спроможність 25, надійність 25, помилка 3, контроль 60 хв. Human-critical. Це завдання, де дата-інженери пояснюють продактам, чому «проста метрика, яку вони хочуть» вимагає шеститижневого рефакторингу, або де вони заперечують проти запиту, що підірвав би якість даних в інших команд. AI вміє підготувати матеріали, але не вміє вести саму розмову. Спроможність навмисно низька — ми не вважаємо, що цей розрив помітно скоротиться в горизонті v1.
Зважена за часткою зведення
Для типового дата-інженера Tier-2-mid, усереднюючи стандартний розподіл годин за завданнями, роль розподіляється приблизно так: 0% Replaceable, ~40% AI-augmented (SQL + ETL), ~30% Human-led-AI-assisted (схеми + відлагодження), ~30% Human-critical (архітектура + захист перед стейкхолдерами).
Операційна вартість AI на частку AI-augmented становить $3 200–$4 100 на місяць за типового обсягу завдань проти річної повністю навантаженої зарплати в $145K. Це співвідношення вартості приблизно один до трьох на замінюваній частині — значуще, але не те скорочення на порядок, що його підказують популярні формулювання. Решта 60% годин ролі не входять у цей розрахунок, бо за спроможностей v1 вони незамінні.
Що означає відсутність Replaceable
Зверніть увагу на те, чого немає: у v1 немає жодного завдання, де внесок дата-інженера повністю замінюється AI. Навіть SQL-трансформації — клітинка з найвищою спроможністю — вимагають людської інтеграції в ширшу кодову базу, перевірки на відповідність домовленостям команди й володіння отриманим артефактом. Економічна межа для цієї ролі — підсилення, а не заміна.
Це незвично. У кількох суміжних ролей (дата-аналітик, молодший фронтенд-розробник, агент підтримки) у v1 є щонайменше одне завдання Replaceable. У дата-інженерії його немає — і це факт про структуру ролі, а не пом'якшення заради тону бренду. Збої конвеєрів надто дорогі, а архітектурні рішення надто накопичуються, щоб віддавати їх системі, яка має рацію в 70–80% випадків.
Що з цим робити
Випливають три висновки:
Спирайтеся на підсилені завдання. Допомога передових моделей на SQL-трансформаціях і розгортанні конвеєрів — найдешевше скорочення часу на 40% у цій ролі. Команди, які його не беруть, лишають маржу на столі. Економіка сходиться навіть на масштабі одного інженера.
Не віддавайте архітектурні рішення на аутсорс. Розрив у спроможностях за архітектурою дата-інфраструктури (спроможність 40, помилка 5) ширший, ніж припускає дискурс. Оцінка вендора з рядком «ChatGPT рекомендує Snowflake» — це маркер: модель насправді не може зважити ваш прогноз масштабу, досвід вашої команди зі Spark чи вашу комплаєнс-позицію. Це й далі люди, за задокументованими критеріями.
Вкладайтеся в спілкування зі стейкхолдерами. Це клітинка з найнижчою спроможністю в ролі (спроможність 25). Підвищують тих дата-інженерів, чиї захисти перед стейкхолдерами перекладають технічну складність у зрозумілі бізнесу компроміси. AI може підготувати презентацію — сама зустріч лишається людською.
Дивіться розбір однієї клітинки /roles/data-engineer для канонічної розкладки Tier-2-mid, /insights/data-engineer для міжклітинкових розподілів у міру накопичення Wagecard, і /methodology для математики за оцінками спроможностей.