Когда я прошу специалиста по данным объяснить анализ, мне часто дают запрос на вытягивание и отправляют понять реализацию. Через двадцать минут я могу понять, как организован код, и все еще не знать, что показали данные. Я хочу понять вопрос, что мы нашли, и поддерживают ли доказательства вывод. Кодирующие агенты, такие как Claude Code, OpenAI Codex и Databricks Genie Code, могут писать, выполнять и изменять код, уменьшая усилия между идеей и ее проверкой на данных. Это дает нам возможность пересмотреть, где должно быть внимание специалиста по данным.

Наука о данных всегда была сосредоточена на открытии того, что мы можем узнать из данных. По мере снижения усилий по написанию кода мы должны уделять больше внимания исследованию и делать это исследование более легким для проверки коллегой. Код — это инструмент для научной работы, расширение чертежной доски, где гипотеза принимает форму, которую мы можем проверить и изменить. Анализ в Microsoft Excel может дать полезное научное понимание, и его достоверность зависит от тех же соображений, что и анализ, написанный на Python.

Для кодирующих агентов сравнение с калькулятором поучительно: понимание арифметики и формулирование проблемы остаются важными, даже когда мы делегируем вычисления. Основы программирования помогают нам понять, как код преобразует данные, и определить, делает ли реализация то, что требует анализ. Научный вклад требует дополнительных знаний для формулирования полезных вопросов и получения защитимых выводов из неполных наблюдений.

Моя озабоченность заключается в том, что код может прервать исследование, необходимое для определения того, что должно делать приложение, особенно когда код получает больше внимания, чем анализ, или исследовательская корректировка должна пройти проверку, прежде чем мы сможем изучить ее достоинства. По моему опыту, более крупные команды по науке о данных часто испытывают трудности с сохранением процесса открытий, когда доминирует проверка кода.