AI 時代，數據分析師的下一步是什麼？從寫 Code 到商業判斷力

Uber 今年上線了一個 AI 數據分析 Agent，叫 Finch。

消息出來，很多人第一反應是： 「數據分析師要失業了嗎？」
我的看法是：不會失業，但工作的本質，確實會發生根本性的改變。

過去幾年，我們一直在期待「自然語言查數據」這件事能成真。
Text-to-SQL 的概念不是今天才有的， 早在 2022、2023 年就已經在討論了， 但為什麼一直沒有真正落地？

原因不在技術不夠強， 而在於每家公司的數據語境，都是一座孤島。
模型不認識你公司的黑話， 不知道 Corridor 指的是哪條業務線， 更不知道主打商品跟非主打商品的區別。

這個語義層的缺口，才是 AI 落地數據分析最大的障礙。

Uber 的 Finch 解決了這個問題之後， 我認為數據分析領域正在形成三個清楚的趨勢：

1️⃣ 基礎查詢工作，大規模移轉給 AI：規則清晰、重複性高的報表需求，將不再需要人工處理，因此數據分析師的時間會被釋放出來。

2️⃣ 數據人的新身份是 AI Agent 的設計者：你必須定義哪些黑話要放進語義層， 大表該怎麼設計，數據品質該如何管控。 這些判斷，AI 做不了，只有懂業務的人能做。

3️⃣ 業務端的自助式分析：十幾年前，Tableau 喊出「人人都是分析師」的願景，但實際上，很多人還是需要分析師協助整理與解讀數據。現在有了自然語言介面，業務端終於有機會自己處理日常反覆出現的數據問題。

所以對數據人來說，最重要的一個提醒是：
未來的數據分析師，是業務理解力、技術判斷力、AI 協作能力三者的混血角色。
單純只靠寫 Code，會越來越難建立自己的不可取代性。

你現在的數據工作，有沒有開始往這個方向轉型？ 或者你觀察到自己的產業，數據需求的樣貌正在改變？

很多 AI 專案最尷尬的時刻，不是在開發前，而是在 PoC 或 Demo 之後。

許多 AI 專案並非技術問題，而是團隊從未在開發前對齊「什麼叫做成功」。
當工程師、PM、主管與使用單位對成效各有解讀，測試分數再漂亮，也難以成為共同接受的驗收依據。
上線後問題才浮現，時程延誤、反覆修改，沒人敢真正驗收。 這場公開體驗課將帶你從企業真實 AI 專案出發，拆解常見驗收盲點，
釐清團隊在驗收前真正需要對齊的核心問題。