周五下午，会议室的投影还亮着。
一个业务负责人把 AI 问数 Demo 演示完，屏幕上跳出一段挺像样的分析：最近三个月 GMV 下滑，原因可能来自新客减少、渠道转化下降、老客复购不足。旁边还配了一张折线图，看上去比很多人工周报都整齐。
屋子里安静了几秒。
然后老板问了一句：“那以后还需要数据团队吗？”
这句话不一定带恶意。很多时候，老板只是看见了一个会说话、会画图、会写 SQL 的新工具，顺手问出了一个管理者都会问的问题：既然一部分动作能自动完成，原来做这些动作的人还要站在哪里？
我理解这种问题为什么刺耳。
过去很多数据岗位的安全感，来自熟练动作：取数快、报表稳、SQL 写得漂亮、分析报告交得及时。现在 AI 把这些动作的一部分搬到了按钮后面。按钮一多，人就容易怀疑自己是不是也变成了按钮的一部分。
但我不太认同“数据岗位会被 AI 整体替代”这个说法。
更准确的说法是：AI 不会先替代一个岗位，它会先重定价岗位里的任务。低上下文、规则明确、输入输出清楚的动作会变便宜；高上下文、牵涉责任、需要组织判断的工作会变贵。
真正变化的不是岗位名字，而是岗位边界。
先别问岗位会不会消失，要问任务被拆到哪里
“数据分析师会不会被替代”“数据开发会不会被替代”，这类问题听起来很直接，实际有点粗。
一个岗位不是一块铁板。
一个数据分析师的一天里，可能有四类事情：帮业务取一批数，解释一个指标为什么变了，写一页经营分析，和产品一起讨论下个月应该改哪个策略。一个数据开发的一天里，也可能有四类事情：补一条调度任务，排查一张表为什么延迟，改一个数据模型，和风控团队确认一批字段能不能开放。
这些事情都叫“数据工作”，但它们的上下文完全不同。
让 AI 根据自然语言生成一段 SQL 初稿，这是一类任务。让 AI 判断“有效订单”到底该不该扣掉退款和取消单，是另一类任务。前者输入清楚、结果可以快速验证；后者牵涉业务口径、财务口径、历史口径和组织里的责任分配。
同样是“分析 GMV 下滑”，让 AI 按模板拆渠道、拆地区、拆用户分层，这是一类任务。判断这次下滑到底是投放减少、库存不足、价格策略变化，还是某个埋点升级造成的假波动，是另一类任务。
把这两类任务混在一起讨论，就会得出很吓人的结论。
可是一旦拆开看，事情就清楚多了：AI 会吃掉大量“可描述、可重复、可验证”的动作；但它越进入真实业务，越需要有人提供上下文、校准边界、留下证据、承担结果。
Anthropic 在 2025 年发布 Economic Index 时，用的也是类似思路：不是只看职业名称，而是看具体任务。它们分析了大量匿名使用数据后发现，当时 AI 使用更偏向增强人的能力，而不是完全替人做完整任务。这个比例后来会继续变化，但任务视角本身很重要。
岗位焦虑最容易把人带进死胡同。任务视角才比较诚实。
会变便宜的，是低上下文动作
低上下文动作有几个特点。
第一，输入比较清楚。比如“帮我写一段 SQL，统计过去 30 天每个渠道的订单数”。
第二，输出比较标准。比如一张表、一段代码、一页摘要、一组图表。
第三，验收比较容易。SQL 能不能跑，图表有没有画出来，摘要有没有覆盖重点，稍微看一眼就能判断。
这类动作过去占了数据岗位不少时间。
很多分析师每天要做的，并不是“提出一个新的商业判断”，而是把业务发来的需求翻译成 SQL，把 SQL 跑出来，把 Excel 发出去，再把领导已经知道的事情写成一页更顺的文字。很多数据开发每天要做的，也不是重新设计系统，而是在旧链路上补字段、修任务、查日志、回工单。
这些事情并不低贱。公司离不开它们。
可是 AI 进入以后，它们的价格一定会下降。
以后业务同事会越来越习惯先让工具查一遍，产品经理会越来越习惯让 AI 生成分析初稿，数据同学自己也会越来越习惯用模型补 SQL、写文档、检查异常。原来需要半小时的动作，可能变成五分钟；原来需要一个人排队支持的需求，可能变成自助入口。
这时候，如果一个人的价值主要停在“我来帮你做动作”，他就会越来越累。
不是因为他没用。
而是因为组织会自然地追问：这类动作能不能自助化？能不能产品化？能不能让 AI 先做一版？能不能只在异常时找人？
低上下文动作不是突然消失，而是会从“人工服务”变成“系统能力”。
这件事对数据从业者有点残酷，但也是机会。因为被工具接走的那部分时间，原本就不该永远占着我们的大脑。
会变贵的，是上下文、边界和责任
如果只是写 SQL，AI 会越来越快。
但真实公司的数据问题，往往不是 SQL 问题。
它们更像一张旧桌子底下缠在一起的线：订单口径一根线，渠道归因一根线，权限审批一根线，财务对账一根线，老板上次在会上临时改过的规则又是一根线。你不蹲下来摸一摸，很难知道哪根线一拔会让整张桌子晃。
这就是人的价值开始变贵的地方。
第一类价值，是口径判断。
AI 可以帮你写“统计有效订单”的 SQL，但它不知道你们公司有效订单到底怎么算。是付款成功算，还是履约完成算？退款订单扣不扣？售后中的订单算不算？今年的新规则能不能回溯到去年？这些问题不只是技术定义，它们会影响经营会、销售奖金、渠道预算和财务对账。
第二类价值，是证据判断。
AI 可以生成一段“下降原因分析”，但它不知道这次波动是不是因为埋点改版，不知道某张宽表昨天夜里延迟了两个小时，也不知道业务刚刚把一批大客户迁到了新合同。真正的分析不是把所有维度都拆一遍，而是在一堆可能性里判断哪些证据可信，哪些只是碰巧相关。
第三类价值，是权限判断。
AI 问数系统看起来很方便，但谁能问哪些数据？模型能不能返回明细？销售能不能看到客户手机号？区域经理能不能看到全国毛利？这些问题如果不提前设计，工具越好用，风险越大。
第四类价值，是结果责任。
当一个答案被业务拿去做决策，出了问题不能只说“模型这么回答的”。组织最后会问：这个口径谁确认过？这个数据谁开放的？这个结论谁审核的？这个场景是不是本来就不该自动化？
这些问题，AI 不会替组织承担。
它可以帮你更快地生成候选答案，但不能替你决定什么答案可以被使用。
所以数据岗位未来真正保值的部分，不是“我比模型更快”，而是“我知道哪里不能让模型快”。
数据分析师会从写报告的人，变成问题和证据的设计者
对数据分析师来说，变化会很明显。
过去，一个分析师的价值经常被理解成三件事：查数、画图、写报告。AI 会让这三件事里的基础动作大幅提速。它可以帮你起草分析结构，生成图表，改写文字，甚至给出一些初步归因。
如果分析师只守着这些动作，确实会被挤压。
但分析师还有更重要的工作：判断问题有没有问对，证据够不够，结论能不能被业务使用。
老板问“为什么销售下降”，AI 可能立刻拆渠道、拆区域、拆品类。好的分析师会先停一下：下降是同比下降，还是环比下降？是销售额下降，还是毛利下降？预算有没有变？供给有没有变？有没有活动档期？有没有统计口径变化？
这不是抬杠。
这是把一个含糊问题变成可验证问题。
以后分析师更像三种角色的合体。
一是问题设计者。业务扔来一句模糊需求，你能把它拆成可查询、可比较、可解释的几个问题。
二是证据审计者。AI 给出一个答案，你能快速判断它引用了哪些数据，漏掉了哪些变量，哪些结论只是看起来顺口。
三是决策翻译者。你能把分析结果翻译成业务下一步能做的选择，而不是只交一页“现象描述”。
这些能力看起来没有写 SQL 那么硬，但更靠近组织里的真实价值。
AI 会让报告更容易生成，也会让烂报告更多。能把报告变成判断的人，反而会更重要。
数据开发会从修管道的人，变成可信数据供给的负责人
对数据开发来说，变化也不是“写代码没用了”。
恰恰相反，数据开发的责任会更靠前。
以前很多数据开发被迫扮演救火队。任务挂了，修；字段缺了，补；报表慢了，调；业务催了，先跑一版临时 SQL。工作很辛苦，但经常被组织看成后台支持。
AI 进入企业以后，数据开发的价值会被重新摆到台前。
因为 AI 应用吃的不是“数据表”三个字，而是可信的数据供给。
一个 AI 问数系统，要知道哪些指标是权威口径，哪些表已经废弃，哪些字段不能暴露，哪些查询需要走审批，哪些答案必须带来源。一个经营助手，要能拿到及时数据，也要知道数据延迟时该怎么提示。一个风控辅助应用，要能追踪答案来自哪些规则、哪些样本、哪些模型版本。
这些事情都离不开数据工程。
只是未来的数据工程不再只是“把表跑出来”。它更像在给智能系统修水管、装阀门、贴标签、留检修口。
水能流，但不能乱流。
数据开发要更主动地把三件事做成资产。
第一，数据产品。核心数据集不是一张没人解释的宽表，而是有口径、有负责人、有适用场景、有质量说明的供给物。
第二，语义层。让指标、维度、业务对象有机器也能理解的定义，而不是靠老员工口口相传。
第三，治理证据。权限、血缘、质量、变更、使用记录都要能查。不是为了写文档好看，而是为了出事时知道从哪里修。
Microsoft 在 2026 年的 Work Trend Index 相关文章里提到，AI 进入组织以后，约束不再只是个人能做什么，而是工作如何围绕 AI 重新设计；被调查的 AI 用户也把 AI 输出质量控制和批判性思考放在重要位置。对数据团队来说，这句话很现实：接入工具只是开始，能管理和校准工具产生的工作，才是长期位置。
不要把学习计划写成工具收藏夹
很多焦虑，最后会落到学习计划上。
一焦虑，就开始收藏工具。今天一个 Agent 框架，明天一个数据分析插件，后天一个自动报表平台。收藏夹越来越满，人越来越空。
工具当然要学。
但工具不是主线。
如果你想在 AI 时代保住数据岗位的长期价值，我更建议练三种能力。
第一，需求翻译能力。
你要能把“帮我看看用户情况”翻译成时间范围、用户分群、关键指标、对比口径和可行动问题。翻译得越清楚，AI 越能帮你；翻译不清楚，AI 只会把含糊放大。
第二，证据阅读能力。
以后 AI 输出会越来越多。你要能读它的 SQL，读它的分析，读它引用的数据来源，读它没说出来的假设。不是每个漂亮答案都可信。能读出问题的人，才有资格使用 AI。
第三，边界设计能力。
哪些场景可以自动化，哪些场景必须人工复核？哪些数据可以开放，哪些不能开放？哪些答案可以直接给业务，哪些只能作为参考？这些边界一开始不设计，后面就会变成事故。
这三种能力不是某个工具版本带来的。
它们会跟着你走。
你换公司、换平台、换模型，仍然有用。
下次老板问“还需要数据团队吗”，你可以这样回答
如果下次会议室里有人问：“AI 都能查数了，还需要数据团队吗？”
不要急着防御。
可以顺着这个问题往下问三句。
第一句：它查的是哪一套口径？
如果没有权威口径，AI 只是更快地制造口径冲突。
第二句：它能看到哪些数据？
如果没有权限边界，AI 只是把原来不容易犯的错变得更容易犯。
第三句：它答错了谁来改？
如果没有责任链路，AI 只是把问题从“没人做”变成“没人负责”。
这三句问完，大家通常会发现，数据团队不是没用了，而是角色变了。
以前数据团队常常被看成取数的人、做表的人、修管道的人。以后更应该成为组织里负责数据语义、证据质量、权限边界和结果可信的人。
这不是给自己贴一个更高级的标签。
这是把工作往真正不可替代的地方挪。
从今天开始，你也可以做一个小练习。
把自己本周做过的所有数据工作分成两列：一列叫“动作”，一列叫“判断”。
动作包括写 SQL、导数据、画图、改文档、生成周报。判断包括确认口径、识别异常、拒绝不合理需求、补充证据、设计权限、说明结论适用范围。
然后问自己：哪些动作应该让 AI 或系统接走？哪些判断我还没有留下证据？哪些判断如果我不做，别人就会默认它不存在？
这张表写出来，你会比单纯追工具踏实很多。
AI 不会温柔地等每个人准备好。
它会把便宜的动作变得更便宜，把模糊的责任暴露得更明显，把原来藏在老员工经验里的上下文重新摆到桌面上。
这时候，数据岗位不是简单消失。
它会分化。
只靠动作吃饭的人，会越来越焦虑。能把动作变成系统、把问题变成证据、把边界讲清楚的人，会越来越重要。
如果你问我“数据岗位会不会被 AI 替代”，我的答案是：一部分动作会，甚至会很快。
但真正懂数据、懂业务、懂责任边界的人，不会因为 AI 变得多余。
他们会从屏幕后面走到桌前。
如果你想系统补齐数据治理、AI 应用、指标体系和职业成长这些能力，可以继续看数据从业者全栈知识库。AI 会改变很多工具，但公司里真正难的，仍然是把数据变成可信、可用、可负责的工作方式。
我叫石头，在数据行业里摸爬滚打了十几年，越来越相信一件事：工具越会说话，人越要把边界想清楚。这里写的，就是这些教训——我觉得值得说出来的那部分。
参考资料：World Economic Forum《Future of Jobs Report 2025》 · Anthropic Economic Index · Microsoft 2026 Work Trend Index 相关说明
