TL;DR
Data analyst nggak digantikan AI secara utuh, tapi bagian mekanis dari kerjaannya iya. Nulis query rutin, bikin chart standar, dan bersihin data kini bisa dilempar ke AI dalam hitungan detik. Yang masih di tangan manusia adalah milih pertanyaan yang layak dijawab, tau kuirk data di perusahaan sendiri, dan bertanggung jawab atas keputusan yang diambil dari angka itu. Analis yang kena dampak paling besar adalah yang kerjaannya cuma jalanin permintaan tanpa mikirin konteksnya.
Data analyst nggak digantikan AI secara utuh. Tapi sekitar 40% kerjaan hariannya iya, dan bagian itu yang paling gampang dikerjain mesin.
Aku nulis ini bukan buat nenangin kamu. Aku nulis ini soalnya jawaban "aman kok, santai aja" dan "habis kita, ganti karir sekarang" dua-duanya males dan nggak berguna.
Yang lebih berguna: tau persis bagian mana yang kena.
Tiga bagian, dan semuanya punya ciri sama: aturannya jelas.
Nulis query buat pola standar. Agregasi per bulan, ranking per cabang, hitung persentase kontribusi. AI nulis ini dalam 10 detik dan hampir selalu benar.
Bikin chart dari tabel yang udah rapi. Kasih tabel, minta bar chart, jadi. Nggak ada bagian yang butuh pertimbangan.
Ngecek kualitas data. Nyari duplikat, nilai kosong, nilai di luar akal. Kerjaan membosankan yang justru paling cocok dilempar.
Kalau aku hitung dari log kerjaan aku sendiri sepanjang 2025, tiga hal ini makan sekitar 40% waktu. Sekarang tinggal 12%.
Sisanya ke mana? Ke bagian yang lebih susah, dan itu kabar baik.
Milih pertanyaan yang layak dijawab. Tim bisnis dateng minta "data penjualan bulan ini". Analis yang bagus nanya balik: buat apa? Kalau ternyata mereka mau tau kenapa target meleset, pertanyaan yang benar bukan "berapa penjualan" tapi "segmen mana yang turun".
AI nggak nanya balik. Dia ngasih apa yang kamu minta, termasuk kalau yang kamu minta salah.
Tau kuirk data di kantor kamu. Kolom status di tabel kamu punya nilai "aktif", "AKTIF", dan "active", gara-gara migrasi sistem tiga tahun lalu. AI nggak tau. Dia bakal ngitung tiga nilai itu sebagai tiga kategori beda.
Hasilnya kelihatan masuk akal. Dan itu yang bahaya.
Bertanggung jawab atas keputusan. Waktu rekomendasi kamu bikin perusahaan ngeluarin Rp800 juta buat ekspansi cabang, ada nama yang harus nempel di rekomendasi itu. Nama itu bukan nama model AI.
Ngeyakinin orang. Angka nggak ngubah keputusan. Orang yang percaya sama angka itu yang ngubah keputusan. Bagian ini terjadi di rapat, bukan di query editor.
Ini kejadian nyata di dataset toko_berkah, 18.400 transaksi dari 6 cabang UMKM retail.
Aku minta AI hitung rata-rata belanja per pelanggan. Dia nulis ini:
Querynya jalan. Hasilnya keluar. Angkanya kelihatan wajar.
Tapi ada dua masalah yang cuma kelihatan kalau kamu ngerti datanya.
Pertama, LEFT JOIN narik pelanggan yang belum pernah transaksi. Nilai total_harga mereka NULL. AVG ngelewatin NULL, jadi angka rata-ratanya masih benar. Kebetulan selamat.
Kedua, dan ini yang parah: rata-rata per transaksi bukan rata-rata per pelanggan. Pelanggan yang belanja 12 kali dihitung 12 kali.
Yang aku mau sebenernya ini:
Selisih hasilnya? Versi AI bilang rata-rata belanja di Jakarta Rp247.000. Versi yang benar: Rp1.184.000.
Beda 4,8 kali lipat. Kalau angka pertama masuk ke deck buat manajemen, keputusan budget marketing bisa meleset jauh.
AI nggak salah nulis SQL. AI salah ngerti pertanyaan aku. Dan aku yang seharusnya nangkep itu.
Bukan yang SQL-nya lemah. Yang perannya cuma penerima permintaan.
Alurnya gini: tim bisnis minta angka, analis narik angka, kirim, selesai. Nggak ada pertanyaan balik, nggak ada rekomendasi, nggak ada tantangan terhadap asumsi.
Peran itu memang bisa digantikan tool text-to-SQL, dan udah mulai kejadian di beberapa perusahaan.
Yang aman adalah analis yang ikut nentuin pertanyaannya dan bawa rekomendasi ke rapat.
Bedanya bukan di kemampuan teknis. Bedanya di seberapa dalam kamu terlibat di keputusan.
Poin nomor 4 sering ketuker jadi "belajar prompt engineering". Bukan itu maksudku. Maksudku: pakai AI kayak kamu pakai kalkulator, sambil tetap tau matematikanya.
Nolak pakai sama sekali. Kamu bakal kalah kecepatan dari analis lain yang pakai, dan kualitas kerja kamu nggak otomatis jadi lebih tinggi cuma karena kamu manual.
Percaya penuh tanpa cek. Kasus toko_berkah tadi buktinya. Query yang jalan bukan query yang benar.
Berhenti belajar SQL. Kalau kamu nggak bisa baca query AI, kamu nggak punya cara buat tau kapan dia salah. Mulai dari JOIN dan NULL, dua tempat AI paling sering keliru.
Ngira kecepatan sama dengan nilai. Ngasih 20 laporan seminggu nggak bikin kamu berharga. Ngasih 1 temuan yang ngubah keputusan, itu yang bikin.
Laporan Future of Jobs dari World Economic Forum masih nempatin analis data di kelompok pekerjaan yang tumbuh, bukan yang menyusut.
Yang berubah bukan jumlah kursinya. Yang berubah syarat duduknya.
Kalau kamu lagi mempertimbangkan masuk ke bidang ini, aku bahas angka pasarnya lebih detail di artikel prospek kerja data analyst 2026.
Nggak hilang, tapi isi kerjaannya berubah. Bagian yang berulang makin banyak yang otomatis. Yang tersisa buat manusia adalah bagian yang butuh konteks bisnis dan tanggung jawab keputusan. Yang paling kena adalah analis yang kerjaannya cuma nerima permintaan lalu ngirim angka.
Nulis query buat pola standar, bikin chart dasar dari tabel yang udah rapi, dan ngecek kualitas data. Ketiganya kerjaan yang jelas aturannya, dan itu yang paling gampang buat mesin.
Kemampuan milih pertanyaan yang layak dijawab, paham kuirk data di perusahaan sendiri, dan bisa jelasin hasil analisis ke orang yang nggak ngerti angka. Yang ketiga sering diremehkan padahal paling nentuin.
Iya. Kamu harus bisa baca query yang AI tulis buat tau kapan dia salah. AI sering keliru di dua tempat: nyambungin tabel yang salah, dan salah nangani nilai kosong. Tanpa SQL, kamu nggak punya cara buat nyadar.
Analis yang perannya cuma penerima permintaan. Yang aman adalah yang ikut nentuin pertanyaannya, nantangin asumsi, dan bawa rekomendasi ke rapat. Bedanya bukan di kemampuan teknis, tapi di seberapa dalam kamu terlibat di keputusan.
Ringkasnya: bagian mekanis kerjaan analis udah kena, dan itu nggak bakal balik. Bagian yang butuh konteks dan tanggung jawab masih di tangan kamu. Dan kamu tetap harus bisa baca SQL, justru supaya bisa ngoreksi AI.
Kalau selisih 4,8 kali lipat di kasus toko_berkah tadi bikin kamu ngeri, bagus. Itu yang bikin kamu ngecek.
Latih otot baca query kamu di NgulikSQL, langsung di browser.
Baca juga: AI agent untuk analis data, penjelasan gimana AI beneran kerja di balik layar.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kerja data analyst di luar negeri bukan soal ijazah luar negeri. Yang nentuin: sponsorship visa, portfolio, dan negara yang kamu incar.
Financial analyst kerja di angka uang, data analyst kerja di angka apa pun. Tapi di 2026 tools-nya makin sama. Ini beda dan irisannya.
Apa itu marketing analyst, metrik apa yang tiap hari dipegang, tools yang wajib bisa, dan jalur masuk yang paling realistis buat orang non-teknis di Indonesia.