Postęp w analizie danych sprawia, że coraz więcej decyzji opiera się na złożonych zbiorach informacji. W rozdziale pokazano, jak generatywna sztuczna inteligencja, w szczególności duże modele językowe takie jak ChatGPT czy Claude, zmienia sposób pracy analityków i sprawia, że analiza danych staje się szybsza, bardziej dostępna i łatwiejsza do interpretacji. Tradycyjnie analiza danych wymagała znajomości programowania oraz narzędzi statystycznych. Obecnie wiele tych zadań może być wspieranych lub automatyzowanych przez modele generatywne. Sztuczna inteligencja pomaga w czyszczeniu danych, wykrywaniu błędów, tworzeniu kodu analitycznego oraz generowaniu raportów w języku naturalnym. Dzięki temu analitycy mogą skupić się na interpretacji wyników i podejmowaniu decyzji, zamiast na rutynowych czynnościach technicznych. Jednym z kluczowych wniosków jest to, że interakcja z danymi może odbywać się w formie rozmowy. Użytkownik zadaje pytania w języku naturalnym, a system generuje odpowiedzi, analizy i wnioski. To znacząco obniża bariery wejścia dla osób bez zaawansowanej wiedzy technicznej. Jednocześnie rośnie znaczenie umiejętności formułowania precyzyjnych poleceń, tzw. prompt engineeringu, który staje się nową kompetencją analityczną. Badanie podkreśla również ograniczenia tych technologii. Modele mogą generować wyniki wyglądające wiarygodnie, ale zawierające błędy merytoryczne lub metodologiczne, na przykład stosując niewłaściwy test statystyczny. Dlatego konieczna jest kontrola ekspercka oraz krytyczne podejście do otrzymywanych odpowiedzi. Ważne są także kwestie etyczne: bezpieczeństwo danych, przejrzystość działania modeli i odpowiedzialność za decyzje oparte na analizie wspieranej przez AI. Generatywna sztuczna inteligencja nie zastępuje analityków, lecz zmienia ich rolę z wykonawców obliczeń w interpretatorów i nadzorców procesu analitycznego, niczym dyrygentów orkiestry. To otwiera nowe możliwości, ale jednocześnie wymaga nowych kompetencji i odpowiedzialnego podejścia do technologii.