本文来源于数据从业者全栈知识库，更多体系化内容请访问知识库。
Agentic Analytics：分析师角色的终局推演
写在前面这不是一篇安慰你的文章。如果你现在的工作是”接需求、写 SQL、导出表格、发邮件”，这篇文章会让你不舒服。但不舒服，比继续睡着要好。
2026 年，Snowflake Cortex Analyst 和 Databricks AI/BI Genie 相继对外宣称 Text-to-SQL 准确率达到 90%。主流媒体的标题是：“数据分析师要失业了吗？”
这个问题问错了。
正确的问题是：哪种数据分析师要失业，哪种数据分析师会因此受益？
这两个群体，今天坐在同一间办公室，做着表面相似的工作，但三年后的命运会完全不同。
一、终局推演：同一批人的三种命运
从今天起的三年，当前这批数据分析师会分化成四个方向。分化不是因为智商差异，而是因为选择做出的时间节点不同。
方向 A：指标架构师 / Semantic Engineer
这条路向上走。核心工作是设计语义层——把业务概念翻译成机器可理解的结构。当 AI Agent 在回答”上周的 GMV 为什么下降了”之前，它需要知道：GMV 怎么算？退款算不算？哪个口径的 GMV？这些定义，需要人来写、来维护、来治理。
方向 B：业务分析顾问 / Decision Scientist
这条路向业务走。AI 能出数，但出了数之后怎么解读、怎么决策，这是人的工作。这类分析师不再花时间取数，而是花时间在会议室里讲清楚一件事：为什么用户留存率这个月掉了 3 个点，下一步我们该怎么做。
方向 C：Agent 训练师
这条路向 AI 走。为 Text-to-SQL 系统构建评估集，持续测试 Agent 的输出质量，设计指标体系让 AI 能够自主触发分析。这个角色正在从零创造，薪资溢价在 30%-50%，但进入门槛需要同时理解业务和 AI 系统。
方向 D：被淘汰的取数工具人
这是最大的群体，也是最危险的位置。不是能力差，而是没有意识到自己在做的事已经可以被 AI 批量替代。等到公司开始裁员，才发现自己没有足够的筹码谈判。
如果你现在就在 D 的位置，这不是坏消息说”最大的群体是被淘汰的那部分”不是要吓唬谁。事实是：D 类现在的存量，大部分人三年前选这条路的时候并不知道它会变。行业变了，不是你选错了。
给现在还在 D 位置的分析师三条过渡建议：
- 先别慌，别急着离职转型。你手上做的”取数工作”短期内还在，但价值曲线在下行。用这段缓冲期——大概 12-24 个月——主动靠近 A、B、C 三个方向中的一个。
- 挑离你业务最近的那个方向。做电商/增长的分析师向 B（Decision Scientist）迁移最快；做 BI 看板的向 A（指标架构师）最自然；对 AI 有兴趣又懂一点工程的可以试 C。
- 每周抠出 5 小时做”新能力”的积累——搭一个最小 Text-to-SQL、写一次指标定义文档、给一个 Agent 建 Eval 集。不用多，坚持做，6 个月后你的简历就不一样了。
这个时代淘汰的是工种，不是人。工种可以换，人不用放弃自己。
二、90% 准确率为什么还不够
Text-to-SQL 工具的准确率数字，在实验室里看起来很吓人。但那剩下的 10%，是整个分析工作的核心价值所在。
案例一：指标歧义陷阱
某电商公司的 AI 分析工具被问到：“最近 30 天的活跃用户数是多少？”
AI 给了一个数。业务负责人把这个数拿去汇报了。
问题在于，这家公司有三个”活跃用户”定义：运营口径（7 天有登录）、产品口径（30 天有下单）、财务口径（当期有付款）。AI 用了数据库里最近一次被查询的口径，没有任何预警。
这个错误，有经验的分析师不会犯，因为他知道在哪个场合该用哪个数。
案例二：数据陷阱
另一家公司的分析 Agent 被问：“哪些城市的用户 LTV 最高？”
AI 返回了正确的 SQL，查询结果也准确无误。但结果显示，某四线城市 LTV 排名第三。
实际情况是，那个城市有一批企业账户，订单金额极高，严重拉高了均值。AI 不知道这件事，因为这个背景信息从来没有被录入任何系统。
有经验的分析师会在看到这个数字的第一秒钟说”这不对，让我看一下分布”。这种本能，来自对业务的长期浸泡，不是 SQL 能解决的。
案例三：时间序列中的假相关
某平台分析师让 AI 分析”广告投放和次日留存的相关性”，AI 给出了一个正相关系数 0.73，结论是”增加广告投放可以提升留存”。
实际上，那段时间恰好同时发生了产品改版。广告投放和产品改版都在同步上升，留存提升来自产品，跟广告的相关性是虚假的。
AI 没有办法知道在这段时间里还发生了什么。它只能看到数字之间的关系，看不见数字背后的故事。
10% 的价值这 10% 的误差，发生在歧义判断、业务背景、因果推断这三个领域。它们恰好是分析工作中最高价值的部分。AI 不是在跟分析师竞争，它是在把低价值的部分清场，把高价值的部分留给真正能处理的人。
三、分析师”不可被 Agent 替代”的五项能力
1. 业务语境理解
知道一个指标的 SQL 怎么写，和知道这个指标在特定业务场景下意味着什么，是两种完全不同的能力。前者 AI 已经超过大多数人，后者需要花时间在真实业务里打滚。
用户留存率从 40% 掉到 37%，这三个点背后是什么？是新用户质量变差，是产品某个功能崩了，还是竞品做了大促？这个判断，需要的不是 SQL，而是对这门生意的理解。
2. 异常归因
AI 能发现异常——“这周的数字比上周低了 12%“。但它不能解释为什么。
归因需要的是组织知识：上周有没有搞活动？这个功能最近是不是改版了？运营团队上周把资源投在哪里？这些信息分散在会议记录、钉钉消息、老员工的记忆里，不在数据库里。
会归因的分析师，是把数字和组织现实连接在一起的节点。这个节点，AI 无法替代。
3. 指标设计与口径治理
语义层的供应者，是分析师转型最重要的方向之一。
指标不是自然存在的，它是被定义出来的。“用户活跃”的定义，会影响整个公司的运营策略。谁来定这个定义？谁来在不同部门争论这个定义时主持公道？谁来管理这个定义随时间的演变？
这是分析师的工作，不是 AI 的工作。
参考：语义层工程实践 详细介绍了语义层的技术实现，分析师需要能够参与这个设计过程，而不仅仅是使用它。
4. Eval 与反馈闭环
Text-to-SQL 系统给出了一个答案，这个答案对不对？
90% 的准确率意味着 10% 是错的。在生产环境中，需要有人持续检查 AI 的输出，建立评估集，设计测试用例，当 AI 出错时能够识别并纠正。
这个角色，需要懂业务才能判断”这个 SQL 结果是不是合理的”。它天然是分析师的工作。
5. 跨部门沟通与商业判断
数据最终是为决策服务的。把一份分析结果变成一个被接受、被执行的决策，需要的是沟通、说服、政治智慧，和对商业逻辑的判断。
讽刺的是，这些”软技能”在 AI 时代变得更值钱，因为 AI 无法做这些事，而这些事变得更加必要——当取数被 AI 承包后，分析师能贡献的价值就集中在这里。
四、“被替代”的五类工作（直白说）
不要绕弯子。下面这些工作，在三年内会大规模被 AI 承包：
-
日常提数 — “帮我拉一下上周各渠道的新增用户数”，AI 比人快，比人便宜，比人少犯拼写错误。
-
简单的看板维护 — 每天跑一遍固定指标，更新数字，发邮件。这是典型的重复劳动，自动化程度极高。
-
基础的同比环比分析 — “本月 GMV 同比上月增长了多少”，这类问题 AI 可以直接回答，不需要人在中间。
-
标准化的 SQL 查询 — 如果一个查询需求可以用自然语言描述清楚，Text-to-SQL 就能处理。能描述清楚的，通常都是规范化需求。
-
描述性统计报表 — 每月的运营月报、数据汇总表、各维度拆解，AI 生成的质量正在逼近人工。
不是吓你如果你现在 80% 的工作时间花在上面五类事情上，你需要非常认真地思考接下来的十二个月怎么过。这不是未来的问题，这是当下的问题。
五、三种角色的详细画像
A. 指标架构师 / Semantic Engineer
一天的工作是什么样的
早上开一个与产品经理和财务的三方会议，讨论”复购率”的定义要不要把同一天的两次购买算成复购。下午用 dbt 更新语义层的 Metric 定义，写文档解释这个口径变更的业务背景。傍晚 review 其他分析师提交的指标变更 PR，打回了两个定义不清晰的。
核心技能
- 精通 dbt、Looker Semantic Layer 或 Cube.dev 等语义层工具
- 能够主导多部门的指标治理讨论，有足够的业务深度参与争论
- 理解 LLM 如何解析用户意图，知道如何写好 Metric 描述让 AI 更准确
薪资参考
国内大厂对标高级分析师到数据产品经理段位，30-50K/月，部分公司在创建此类岗位时会有额外溢价。
B. 业务分析顾问 / Decision Scientist
和传统分析师的核心差异
传统数据分析师：业务方提需求 → 我写 SQL → 我出图 → 我发报告。
Decision Scientist：AI 出数 → 我判断这个数说明了什么 → 我给出建议 → 我参与决策落地 → 我跟踪效果。
核心差异在于离决策的距离。传统分析师在决策上游，Decision Scientist 在决策现场。
不适合这条路的人
不喜欢开会，不擅长在不确定信息下做判断，习惯用数字说话而不习惯在模糊中讲故事，就不适合走这条路。
C. Agent 训练师 / Prompt 工程师
怎么入行
目前没有成熟的招聘渠道，多数是从内部转岗。最常见的路径是：在公司引入 AI-BI 工具时，主动承担”负责人”角色，积累 Eval 设计和系统调优的经验，再对外包装成这个方向的能力。
需要什么背景
比其他两条路更需要技术基础。要能写 Python，要理解 Embedding 和 RAG 的基本原理，要能设计测试集和评估指标。但不需要成为 AI 工程师，理解原理、能够沟通、能够判断输出质量，比会自己训练模型更重要。
参考路径：Agentic Data Engineering 方法论 是理解这个方向技术背景的必读文档。
六、12 个月转型路线图
月 1-3：建立认知基础
重点是建立对新技术栈的认知，不是精通。读懂 语义层工程实践 和 Text-to-SQL 实战 这两份文档，理解技术架构，而不是学会编程实现。同时，开始有意识地在日常工作中记录 AI 的输出质量问题。
具体行动：
- 在公司找一个 AI-BI 工具试用，记录五个出错案例
- 阅读 dbt Semantic Layer 文档，理解 Metric 定义语法
- 参加一次公司内部的数据治理讨论，观察指标口径如何被争论
月 4-6：动手搭第一个原型
用开源工具搭一个最小可用的 Text-to-SQL 系统（推荐从 Vanna.ai 或 SQLChat 开始，门槛低），然后为它建立一个 Eval 集：设计 30-50 个标准问题，记录 AI 的回答和正确答案，计算准确率。
这个过程会让你真正理解 90% 准确率是怎么来的，以及为什么剩下的 10% 那么难。
- 本地部署一个 Text-to-SQL 工具，接入公司的测试数据
- 建立包含 50 个测试用例的 Eval 集
- 完成一篇关于”AI 在哪些场景失败了”的内部分析报告
月 7-9：参与一个真实项目
主动争取参与公司的 AI-BI 产品设计，或者找一个开源项目贡献 Semantic 设计。重点是让外部可见——在 GitHub 有记录，在内部有 credit，在简历上有案例。
同时，做一个完整的业务归因分析案例，文档化从发现异常到提出建议的全过程。这是 Decision Scientist 方向的核心能力展示。
月 10-12：选定方向，对外包装
三个方向里选一个，集中精力完善这个方向的技能，更新简历，增加外部可见度（掘金、知乎、公众号写一篇技术复盘）。
参考 2026 数据人必学 TOP10 校准技能选择，确保学的东西在市场上有需求。
七、给三类分析师的具体建议
大厂数据分析师（资源多、工具新）
你的优势是能第一时间接触到新工具，公司可能已经在内测 AI-BI 产品。
策略：主动争取 AI 项目的负责人角色。
不要等公司安排培训。当团队开始讨论”要不要引入 AI-BI 工具”的时候，举手说”我来负责”。这个角色一开始可能是打杂的（写测试用例、整理文档），但它会给你积累真实的转型经验，而不是只在旁边看。
大厂有一个特有的风险：资源太多导致不着急。身边的人都还在用传统方式，看起来一切正常。这种环境会让你失去转型的紧迫感。主动找有危机意识的人组成小团队，互相推动。
中小公司分析师（资源少、要自己搞）
你的资源没有大厂多，但你有一个优势：更容易接触到真实的业务决策。
策略：用开源方案积累，把局限变成案例。
开源社区里有足够多的 Text-to-SQL 工具可以试用，不需要公司采购。用下班时间搭一个 Demo，接上公司的脱敏数据，做出来之后在公司内部展示。这个 Demo 本身的价值不大，但它能给你带来内部可见度和转岗谈判筹码。
中小公司的风险是另一个方向：一个人做所有事，没有时间投入转型。如果现在的工作强度让你没有任何余力，这本身就是一个需要解决的问题。
业务方向分析师（不写很多 SQL 的）
这类分析师在用户研究、增长分析、市场分析方向，日常工作里 SQL 本来就不多，更多是理解数据、解读结论、给出建议。
你可能是这三类人里最不危险的。
因为你的核心工作——跟业务对话、解读数字、参与决策——恰好是 AI 最难替代的部分。你需要做的是主动补上技术认知（理解 AI 的能力边界在哪里），而不是技术能力本身。
参考 数据分析与数据运营导览 梳理一下自己的能力版图，确认哪些地方需要更新。
八、反模式：转型中的五个陷阱
陷阱 1：以为”学个 Prompt Engineering”就够了
Prompt Engineering 是入门，不是护城河。会写 Prompt 的人，在六个月内会从稀缺变成普通。
真正的壁垒在于：能够用 Prompt 的能力解决特定业务问题，并且能够建立评估和迭代的机制。光会写 Prompt 的人，和会使用计算器的人一样，没有专业优势。
陷阱 2：逃到技术深水区
看到 AI 威胁，去学机器学习，以为往”更技术”的方向逃就安全了。
这是一个误判。数据分析师学机器学习，往往是在和专业的算法工程师竞争，而你的优势（业务理解、沟通、判断）在这个方向没有用武之地。
你的业务知识是真正的壁垒，跑掉等于放弃了最大的优势。
陷阱 3：否认 AI 威胁，假装一切如常
“我们公司的数据很乱，AI 根本用不起来。”
“Text-to-SQL 看起来准确率高，但实际上错误太多，没法用。”
这些判断在今天可能是对的。问题是，一年后还是对的吗？两年后呢？等到 AI 工具真的可以用了，你的准备时间已经归零。
陷阱 4：完全依赖公司培训，不主动搭私域项目
公司的培训是给公司设计的，不是给你设计的。它会教你用公司选定的工具，完成公司需要的任务。
真正让你在市场上有竞争力的，是你自己主动搭的那个 Demo，写的那篇技术文章，在 GitHub 上的那个项目。这些东西，属于你，不属于公司。
陷阱 5：忽视”软技能”在 AI 时代的价值
很多分析师在 AI 浪潮里的本能反应是学更多技术。
但现实是：当 AI 把取数、出报告的成本降到接近零，人的时间会更集中在决策和沟通上。能够把分析结论讲清楚、能够在会议室里说服一个怀疑你数据的业务 VP，这些能力的价值在上升，不在下降。
参考 数据分析师求职导览 评估自己的完整能力图谱，不要只看技术维度。
九、结尾
分析师这个岗位不会消失。
但”取数工具人”这个职能会消失，和历史上许多被技术替代的职能一样，不是突然消失，而是慢慢找不到买家。
这一轮洗牌有一个不那么显而易见的好消息：当 AI 把低价值的工作承包出去，高价值工作的单价会上升。公司愿意为一个真正能够判断”这个数字背后发生了什么”的分析师付更多钱，因为这样的分析师变得稀缺了。
稀缺的原因不是因为这种能力难以习得，而是因为大多数人正在做的是等待，而不是转型。
引用“危机这个词，在中文里拆开来是危险和机会。这不是鸡汤，这是描述。同一件事，对不同准备程度的人，意味着完全不同的结局。”
接下来该做什么，你心里有数。
延伸阅读
- 数据分析与数据运营导览
- Text-to-SQL 自然语言查询实战
- 语义层工程实践
- Agentic Data Engineering 方法论
- 2026 数据人必学 TOP10
- 数据分析师求职全攻略导览
