你打开电脑，看到又一条推送：
「GPT-5 发布，数据分析将被彻底颠覆」
你划掉。
半小时后，又一条：「某大厂用 AI 替代了 30% 的数据分析师」
你又划掉。
但你没划掉的，是心里那个声音。
这声音不是恐慌。恐慌是明天就要失业的那种。你不至于。
你还在岗位上，工资照发，需求照接，该开的会还在开。
这声音是焦虑。一种更隐蔽的焦虑。
它在问：我现在做的这些事，还值钱吗？
你想想自己每天的工作。
取数。写 SQL。做报表。画图。写分析报告。开会讲结论。
这些事占了你工作时间的 80%。
而现在，ChatGPT 能写 SQL。能根据自然语言生成图表。能自动做归因分析。
Copilot 能帮你补全代码。
各种 BI 工具开始支持”对话式分析”，用户自己就能拖拖拽拽出一份报告。
你看着这些演示视频，心里有点凉。
不是说这些工具现在就能替代你。它们还有很多问题。
幻觉、不准确、不理解业务上下文。
你的领导也不会明天就把你换掉。
但趋势是明确的。
这些工具在变强。速度很快。
今天做不到的事，明年可能就做到了。
今年 70 分的能力，明年可能就 90 分了。
你开始怀疑：
如果连写 SQL 这件事都不需要人来做了，那我的价值在哪？
如果 AI 能比我更快地出图表、做报告，那公司为什么还要我？
如果”取数”这件事被自动化了，那我这个”取数工具人”还有什么存在的意义？
更让人焦虑的是，你不知道该往哪个方向使劲。
学 AI？学大模型？学 Prompt Engineering？
你看了几篇文章，好像又不对。这些东西和你现在的工作有什么关系？学了能干嘛？
继续深耕现有技能？可是现有技能正在被替代啊。
你把 SQL 写得再溜，能溜过 GPT 吗？
你越想越乱。越乱越焦虑。越焦虑越想。
这是一个死循环。
核心洞察你的工作可以分成三层：执行层、判断层、决策层。AI 正在吞噬执行层，但判断层和决策层需要对业务的理解、对组织的洞察、对人心的把握——这些是 AI 的盲区。AI 越强，人的判断力越值钱。 你的出路不是跑得比 AI 快，而是站到 AI 够不到的层。
工作三层模型：你站在哪一层？
先记住这张图，后面所有的分析都围绕它展开。
你现在 80% 的时间花在执行层。
这正是 AI 最擅长、进步最快的那一层。
接下来的每一段分析，都是在帮你搞清楚：怎么把重心从下面移到上面。
先看清现实
很多人不愿意面对一些事实。
觉得承认这些事实就是在唱衰自己的职业。
但不承认，问题不会消失。它只会在某一天以更猛烈的方式爆发出来。
基础分析工作正在被自动化。
这不是预测，是正在发生的事情。
两年前，你用 SQL 取个数，可能要写半小时。
现在，很多工具已经能根据自然语言描述生成 SQL。
准确率怎么样？还行。不是 100%，但也有 70%-80%。
而且这个数字每年都在涨。
取数这件事，曾经是数据分析师的”核心技能”。很多人面试就考这个。
SQL 写得溜，就能拿到 offer。
现在呢？SQL 还重要，但它正在变成一个”基础能力”，甚至是”可选能力”。
不会写？没关系，工具能帮你。
这意味着什么？
意味着单纯的”取数”技能，价值在快速下降。
AI 正在改变用户的预期。
这一点很多人没意识到。
以前，业务方提一个数据需求，他们的预期是”三天后给我”。
因为他们知道你要写 SQL、要跑数、要做图、要整理。这需要时间。
现在，业务方的预期开始变了。
他们用过 ChatGPT。他们知道 AI 能秒出结果。
他们开始问：为什么你们数据团队还要三天？
他们不管你的数据在哪、数据质量怎么样、需求描述清不清楚。
他们只知道：AI 很快，你很慢。
这种预期的转变，会给数据团队带来巨大的压力。
你要么变快，要么证明你的价值不在”快”上。
大多数人的焦虑错在哪
看完上面这些，你可能更焦虑了。
别急。
这些确实是事实，但大多数人对这些事实的解读是错的。
错误的解读导致了错误的焦虑。
把”技能被替代”等同于”人被替代”。
这是最常见的误解。
SQL 被 AI 替代了，不等于数据分析师被替代了。
这两件事之间有一个巨大的鸿沟：判断力。
AI 能写 SQL，但它不知道该写什么 SQL。
AI 能出图表，但它不知道这个图表对业务有什么意义。
AI 能做归因分析，但它不知道这个归因结论能不能用、该不该用。
这些”该不该”、“能不能”的判断，需要对业务的深刻理解。
AI 没有这个理解。
它不知道你们公司上周为什么改了定价策略。
不知道你们的竞争对手刚发布了什么新功能。
不知道你们老板最近关心什么。
这些上下文，是正确解读数据的关键。
数据本身不会说谎。但脱离上下文的数据会误导。
把”效率提升”理解成”人数减少”。
很多人一听到”AI 提升效率”，第一反应就是”要裁人了”。
这个逻辑听起来很顺：效率高了，同样的活需要的人少了，自然要裁人。
但现实往往不是这样。
效率提升之后，更常见的结果是：需求增加了。
以前业务方想要一个分析，要等三天。他们就会筛选需求，只提真正重要的。
现在一个分析可能只要半天。需求的门槛降低了。业务方会提更多的需求。
以前你一周做 5 个分析。现在你一周可能要做 15 个。
人数没减少，工作量增加了。这才是很多公司的真实情况。
以为”学 AI”就能解决问题。
很多人焦虑之后，第一反应是”我要学 AI”。
然后报了一堆课。学 Prompt Engineering、学大模型微调、学 LangChain。
学完之后呢？
发现和自己的工作没什么关系。
你还是那个数据分析师。你的工作还是取数、做报表、写报告。
只不过现在你会用 ChatGPT 帮你写 SQL 了。
这当然有用。但这不是根本性的改变。
学 AI 不是目的。用 AI 解决问题才是目的。
而”解决问题”这件事，需要的不是 AI 技能，而是对业务的理解、对组织的洞察、对人的判断。
这些东西，ChatGPT 教不了你。
AI 做不了什么
AI 确实很强。但它有明确的边界。
这个边界，就是你的位置。
AI 不知道该问什么问题。
这是最本质的一点。
AI 是一个回答问题的工具。你问它什么，它答什么。
问得好，答得就好。问得差，答得就差。
但它不会自己问问题。
“我们应该分析什么？“——它不知道。
“这个数据异常重要吗？“——它不知道。
“这个项目值得投入资源吗？“——它不知道。
这些判断，需要对业务的深刻理解。
需要知道公司的战略方向是什么、老板关心的是什么、当前的核心矛盾是什么。
AI 没有这个上下文。它不知道你们公司是什么情况。
所以，定义问题这件事，AI 做不了。
AI 不理解组织的政治。
这一点很多人不爱听。但它是事实。
数据分析的结果要产生价值，必须被人采纳。而人是有立场的。
你做了一个分析，结论是”A 部门的策略有问题”。
这个结论对不对？可能对。
但 A 部门的负责人会接受吗？不一定。
他可能会质疑你的数据口径。可能会说”你不懂我们的业务”。
你怎么办？
AI 帮不了你。
它不知道 A 部门负责人和你老板是什么关系。
不知道最近公司内部有什么派系斗争。
不知道你的分析结论会触动谁的利益。
AI 不能为结果负责。
这一点是根本性的。
AI 可以给建议，但它不能承担后果。
当决策出了问题——项目失败了、预测错了、资源浪费了——需要有人来复盘、来解释、来承担责任。
这个人不能是 AI。
“是 ChatGPT 让我这么做的”——这不是一个有效的解释。
AI 不能推动事情发生。
分析做完不是终点。让分析产生结果才是。
你做了一个分析，结论是”应该调整 A 策略”。然后呢？
你需要说服业务方接受这个结论。需要协调技术团队做改动。需要跟进效果。
这一系列”让事情发生”的工作，AI 做不了。
把工作分成三层
回到前面那张图。
AI 擅长执行，不擅长判断和决策。
把数据从业者的工作分成三层：
执行层：写 SQL、跑模型、画图表、出报告。这是具体的技术操作。
判断层：这个查询逻辑对不对？这个结论可信吗？这个异常重要吗？这需要业务理解和专业判断。
决策层：我们应该分析什么？应该投入多少资源？分析结果出来后下一步怎么做？这需要战略视野和组织洞察。
你的工作，AI 替代风险有多大？
对照下表，找到你日常工作的位置：
| 工作类型 | 典型任务 | AI 替代风险 | 你该怎么办 |
|---|---|---|---|
| 标准化取数 | 按固定口径跑日报/周报 | 高 | 尽快用 AI 工具接管，腾出时间 |
| 探索性分析 | 写 SQL 做 ad-hoc 查询 | 中高 | 用 AI 加速，重心转向解读 |
| 数据可视化 | 画图表、做 Dashboard | 中 | 模板化部分交给 AI，专注讲故事 |
| 业务归因 | 分析指标波动原因 | 中低 | AI 可辅助，但”为什么”需要你判断 |
| 需求定义 | 和业务方对齐分析方向 | 低 | 这是你的核心价值区，持续深耕 |
| 结论推动 | 说服决策者采纳方案 | 极低 | 纯人际能力，AI 无法替代 |
| 战略建议 | 用数据影响业务方向 | 极低 | 越往这走，你越不可替代 |
AI 擅长执行层。你告诉它做什么，它能做得又快又好。
但判断层和决策层，需要对业务的理解、对组织的洞察、对人的判断。
这些是 AI 做不了的。
所以你的位置很清楚：往判断层和决策层走。
不是放弃执行层的技能。
而是把执行层的工作交给 AI，把省下来的时间用来做更有价值的事。
具体怎么做
驾驭 AI，而不是和它竞争。
不要和 AI 比谁 SQL 写得快、谁代码写得好。那是它的主场。
你在它的主场和它竞争，必输无疑。
正确的做法是：把 AI 当成你的工具。
学会用各种 AI 工具。ChatGPT、Copilot、各种支持 AI 的 BI 平台。
让它们帮你做执行层的工作。
你用 AI 一小时完成的工作，别人用传统方式要一天。这本身就是竞争力。
重点是：你来指挥，它来执行。
你定义问题，它来解决问题。
你检查结果，它来改进结果。
你做最终判断，它来提供支持。
这是人机协作的正确模式。
深入理解业务。
这是你真正的护城河。
AI 可以学会所有的分析方法。但它学不会你对公司业务的深入理解。
什么叫”深入理解”？
不是知道”我们是做电商的”。这谁都知道。
是知道：
我们的核心用户是谁？他们为什么来我们这买东西？
我们和竞争对手的差异是什么？我们的护城河在哪？
老板最近在关心什么？公司的战略方向是什么？
业务的关键驱动因素是什么？哪些指标真正重要？
这些”软知识”不会出现在任何教程里。但它们是你最重要的资产。
怎么获取？
花时间和业务方聊天。不是接需求的那种聊，是真正去理解他们的痛点和目标。
去参加业务会议。听他们在讨论什么、争论什么、担心什么。
关注行业动态。知道竞争对手在做什么、行业的趋势是什么。
一个深刻理解业务的数据分析师，和一个只会写 SQL 的数据分析师，价值差距是 10 倍起步。
锻炼”让事情发生”的能力。
分析做完不是终点。让分析产生结果才是。
很多数据从业者有一个通病：
觉得”我分析做完了，结论给你了，采不采纳是你的事”。
这种心态是错的。
如果你的分析没有被采纳，那它的价值就是零。
所以你需要学会”让事情发生”。
说服的能力。让别人相信你的结论。
协调的能力。让多个部门配合起来。
推动的能力。让事情落地。
这些能力看起来不像”硬技能”。但它们决定了你能不能从”做分析的人”变成”用数据解决问题的人”。
建立向上的影响力。
你的分析要产生价值，最终要影响决策。
而决策通常是上面的人做的。
所以你需要影响你的上级。
主动沟通。不要等着被问。定期把你的发现、你的判断、你的建议主动汇报上去。
用他们的语言说话。老板不关心你用什么模型、写了多少行代码。他们关心的是：这对业务有什么影响？能带来多少收益？
建立信誉。你的预测准过几次，你的建议带来过什么结果，这些都是你的信誉资本。
敢于提出不同意见。如果你总是”领导说什么你说对”，你就只是一个工具。
案例：周远的”反向升级”
背景：周远在一家中型电商公司做数据分析师，工作三年，日常就是取数、做报表、写周报。他是团队里 SQL 写得最快的人，同事有搞不定的查询都找他。他一度把这当成自己的核心竞争力。2024 年底，公司引入了一套内置 AI 的 BI 平台，业务方可以用自然语言直接查数。他发现找他写 SQL 的人越来越少了。
转折点：有一次，运营总监拿着 AI 生成的一份分析报告来找他：“这个结论靠谱吗？AI 说我们的用户流失主要是因为价格，但我觉得不对。“周远看了一眼，发现 AI 把一次临时促销的价格波动当成了长期趋势，归因完全跑偏。他花了两个小时，结合最近三个月的竞品动作和用户调研数据，写了一份修正分析。运营总监拿着这份报告调整了留存策略，次月流失率降了 8%。
做了什么：
- 不再和 AI 比”谁取数快”，主动把标准化报表全部迁移到 AI 工具，每周省出 10+ 小时
- 用省出来的时间参加业务周会、跟运营团队跑了两周的用户访谈，建立起对业务的第一手理解
- 给自己定了一个新角色——“数据质检员+翻译官”：检查 AI 产出的分析是否靠谱，把数据结论翻译成业务团队听得懂的行动建议
结果：半年后，周远从”取数最快的人”变成了”最懂业务的数据人”。业务方遇到重要决策都会先找他聊。年终考核，他拿到了 S 评级，晋升为数据分析 Lead。他的 SQL 技能没有退步，但 SQL 已经不是他最重要的武器了。
启示：AI 拿走了周远的”手速优势”，却逼出了他真正的价值——判断力和业务理解力。当执行层的门槛被 AI 拉平，能站在判断层的人反而更稀缺了。
跟着做：评估你的工作中 AI 替代风险
这个练习帮你看清自己目前的”楼层分布”，找到往上迁移的第一步。
预计用时：30 分钟
第 1 步：列出你本周的工作清单（5 分钟）
打开你的日历、任务管理工具或工作日志，把本周做过的所有工作列出来。至少 10 项。不用分类，先列完。
我本周的工作：
…（至少 10 项）
第 2 步：给每项工作标注层级（5 分钟）
回到前面的”工作三层模型”，给你列出的每一项工作标注：
- [执行]：有明确输入和输出，换个人（或 AI）也能做
- [判断]：需要结合业务上下文做专业判断，AI 可能做错
- [决策]：涉及资源分配、方向选择、利益协调
标完后数一下各占多少比例：执行 ___% / 判断 ___% / 决策 ___%
第 3 步：圈出”高风险”任务（5 分钟）
在你标注为 [执行] 的任务中，找出符合以下条件的：
- 每周都在重复做
- 输入输出格式固定
- 你做的时候不需要动脑，只需要”按流程走”
这些就是最容易被 AI 替代的任务。在旁边画一个醒目的标记。
第 4 步：选一个任务尝试 AI 接管（10 分钟）
从”高风险”任务中挑一个最简单的，这周就试着用 AI 工具来做：
- 固定 SQL 查询 → 试试 ChatGPT 或你司 BI 平台的 AI 功能
- 标准化报表 → 试试让 AI 生成模板
- 数据清洗 → 试试 Copilot 辅助写脚本
我选择的任务是：____________ 我打算用的工具是：____________
第 5 步：规划一个”判断层”动作（5 分钟）
从你的工作中找一个目前停留在”执行层”、但有潜力升级到”判断层”的任务。写下你的升级计划：
任务：____________ 目前我只是在做：（执行层描述） 我可以升级为：（加入业务判断的描述） 我需要补充的业务知识是：____________ 我打算怎么获取：____________（比如：和某个业务同事聊一次）
一个更长远的视角
AI 时代，数据从业者的位置在哪？
不是”会用数据的人”。而是”用数据解决问题的人”。
这两者看起来差不多，但差别很大。
“会用数据的人”是工具使用者。他们的价值在于技能。
“用数据解决问题的人”是价值创造者。他们的价值在于结果。
工具使用者是可替代的。因为工具可以被更好的工具替代。
价值创造者是难替代的。因为解决问题需要理解问题，而理解问题需要深入业务、理解组织、把握人心。
这些东西，AI 学不会。
所以，与其焦虑”AI 会不会取代我”，不如问自己：
我在解决问题，还是在执行任务？
如果你每天的工作是等需求、接任务、交付成果，那你确实危险。
如果你每天的工作是发现问题、定义问题、推动解决方案落地，那你的位置是稳固的。
最后
焦虑是正常的。看到一波技术浪潮冲过来，不焦虑才奇怪。
但焦虑要有方向。盲目焦虑只会让你更乱。
今天我想说的核心就一句话：
AI 越强，人的判断力越值钱。
执行层的工作会越来越自动化。这是趋势，挡不住。
但判断层和决策层的工作会越来越重要。
因为当执行变得容易，“做什么”就变得更关键。
你的位置不是和 AI 竞争执行效率。
而是在 AI 之上，做那个定义问题、判断结果、推动落地的人。
学会驾驭 AI，把它当成你的效率倍增器。
深入理解业务，建立 AI 无法替代的知识壁垒。
锻炼软技能，学会说服、协调、推动。
往上走，从执行者变成判断者、决策者。
这条路不容易。但它是正确的方向。
AI 时代不是数据从业者的末日。是重新洗牌的机会。
那些只会执行的人，会被淘汰。
那些能用数据解决问题的人，会更值钱。
你想成为哪一种？
下一篇：35岁之后的路怎么走
本周影响力行动
立即做（5分钟）： 打开你今天的工作清单，把每一项标记为「执行层」「判断层」或「决策层」，数一下各占多少比例。如果你刚做完上面的”跟着做”练习，对照一下结果是否一致。
本周做（选一个）： □ 选一个你每周重复做的执行层任务（如取数、跑报表），尝试用 AI 工具（ChatGPT/Copilot）完成，记录省下的时间 □ 主动参加一次业务方的会议，记下三个你之前不知道的业务上下文 □ 找一个你最近做的分析，追踪它的结论是否被采纳、被谁采纳、产生了什么结果 □ 像案例里的周远一样，找一次 AI 产出的分析结论，检查它有没有犯”脱离上下文”的错
本月养成： 每周花 30 分钟和一位业务同事聊天，不是接需求，而是了解他们最近在关心什么、担心什么、争论什么。
