AI 正在替代初级数据分析师，企业智能决策的时代来了？
大家好，我是 Penny。
上次我开玩笑说，如果你的职业技能里面有“研究”“分析”之类的词，那你绝对是跟 AI 战斗的一线战士。
换句话说，你也是最应该花时间去了解 AI 进展的人。
之前我们讲过金融领域的AI投研，今天的主题是，在数据分析这一领域，AI 到底在做什么？进展如何？
当然，主讲人并不是我。前阵子见了一个老朋友，他创业做的事其实就是让 AI 赋能数据分析。
这位技术大佬叫周卫林，花名敬智。创业之前，他在阿里工作了 15 年，一直在做数据这一件事。离职前是蚂蚁金服数据平台部的负责人，职级 P10（打工天花板了…）。
他 21 年出来创业，创立的公司叫做 Aloudata 大应科技，此前获得了红杉资本、博华资本的投资。
我们认识多年了，这次也一起录了一期播客，想深入了解的话，文末有收听方式。
但是此前，让我多花一些时间来介绍这件事情的意义。
首先，数据分析师是一个普遍存在于互联网行业的职能，一般叫 BI 或者商业智能，存在于业务和战略部门。主要是解决业务部门的数据需求，协调数据开发资源。必备技能是写 SQL取数，做数据指标体系的搭建。
归根结底，都是为了能够更好地用数据解决实际的业务问题。
这年头，数据分析是一个底层技能，毕竟我们所有的业务目标，不管是 OKR 还是 KPI，都需要用量化的数据指标来呈现。
我在互联网公司做过，也曾经为了把我的需求提前一点，给 BI 小哥哥小姐姐送过咖啡哈哈。太知道 BI 的需求排得有多满，有多限制业务的灵活性。
过去 20 年，数据中台加 BI 服务了人类分析师，催生了千亿级的数据智能市场。今天，AI Agent 将成为前端很多线上工作的执行者，而且它没有人力的瓶颈，永不停歇，你只需要给它打钱（买 token）。
所以，新的数据基础设施，不仅要服务人类的数据分析师，还要考虑怎么服务好 AI。
打个比方，大家现在都在很热情地养虾，但未来有一天，如果它不但能帮你执行一些自动化的简单任务（比如整理发票，爬取网页），它还能够真正成为你企业的智能决策中枢呢？
比如说，你可以在里面问它：
1）我上个月的销售额是多少？同比情况怎么样？（精准取数）
2）涨跌的原因是什么？（数据归因）
3）我能够通过哪些产品组合，或者流量渠道的调整，让我下个月的销售额增长 30%？（业务策略）
4）如果市场出现了变动，下个月我的销量跌了 30%，那我的库存跟现金流情况怎么样？（风险预测）
要做到这一点，它要能获取到你的准确的业务数据，并且分析给你提供业务优化建议。
就我个人的感觉，这也太棒了吧，简直是一种麦肯锡式顶级智能的下沉……从理解上，你确实可以在分析逻辑上要求它采用头部咨询公司的分析逻辑，写成 skills，还是实时获取的。
这些并不是白日做梦，而是已经被实现的现实。
我们再畅想一下，当它的上下文够长，获取的业务数据够全，颗粒度够细，它是不是可以成为 CEO 的最佳业务伙伴？甚至成为企业的首席战略官？
就我了解的，如果说投研类的 Agent 分析能力已经到了投资总监级别，那么目前的数据分析 AI Agent 的能力，大概在 20-30 万年薪左右的数据分析师级别。这种差别，其实是在于优质的数据源和数据基础。
大家在使用 AI 的过程中，此前有一个经常被诟病的点，那就是 AI 的幻觉。
在企业场景里，尤其是涉及到业务决策，一旦数据的可靠性不够，这是致命的。（想想你给老板汇报的时候，被老板当场指出上面某个数据是错误的是 AI 编的，导致你的所有逻辑都不成立，天塌了……）
而且因为生成式 AI 的特性，这种幻觉在当前的情况是无法避免的。
Aloudata 的解决方案，是为企业构建一套标准语义层（context layer）+数据分析 Agent 。
“语义层”这个词听上去有点技术，但其实说清楚很简单：这是一份让不同系统可以相互理解数据含义的统一规范，是 AI Agent 与数据库对接的新基础设施。
打个比方，“月度净利润”“活跃用户”“业务健康度”这些指标在不同企业都有不同的计算方式。在此之前，是通过人类开会，大家确定数据口径一致，才能达成统一认知，但是 Agent 不会开会。。。
有了语义层之后，你可以把它的计算方式在里面固定下来，把数据逻辑代码化了。以后所有的Agent 只要需要用到这个指标，就从语义层调用，数据是完全一致，清晰可溯源的。
另外，这套体系也可以实现指标和岗位的动态匹配，解决数据权限和安全的问题，通过监控指标的使用，还可以消除大量无效和重复的宽表，降低数据的存储成本。
近几年，他们已经为很多头部企业提供了整套解决方案，合作伙伴包括招商银行、平安证券、麦当劳中国、理想汽车、Lululemon 等等。敬智自己把这套系统比喻为数据管理的“自动驾驶”。
举几个实际的例子：
在麦当劳中国，这套系统整合了“人、货、场”的数据，成为了店长运营的智能大脑。把优秀店长的管理半径大大增加了。
例如餐厅的运营日报、周报自动化，营销活动复盘，甚至可以实时监控出餐速度、服务质量和能耗管理。
在平安证券，数据平台建立起了统一的语义层指标库后，在此基础上做了各类看板、驾驶舱，微卡片，给业务人员作为自助化分析工具，在客户洞察、营销活动、业绩分析方面都有很多应用。
在未来几年，只具备初级取数能力的分析师，可能确实会被淘汰了。
但是，那些具备业务思维和认知，以及数据分析和运营思维的高级运营/分析师和业务决策者，将如虎添翼。
在过去的两年中，语义层也取代“Text to SQL”，逐渐成为全球数据行业的共识。
大家意识到，AI 不需要学会写 SQL，AI 需要学会的是调用指标。
到现在，几乎主流的所有数据平台（例如 Snowflakes、Databricks、DBT labs 等）都发布了针对 AI 的语义层协议。 2025 年 9 月，这三家联合发起了 OSI 协议倡议，正式将语义层定性为 AI Agent 与数据对接的全球通用标准，目前已经有几十家全球数据技术公司参与。
传统的“数仓+ BI ”的两层架构，正在被“数据湖 + 语义层 + 消费层”的三层架构所替代。
SQL 的标准是 1986 年发布的，统治了 30 年，现在新的标准刚刚发布几个月。中国的厂商也有机会参与全球的生态建设。
在中国过去轰轰烈烈的 20 年 IT 基础建设中，很多大型企业建立了数据中台，积累了大量的数据资产，但是却没有能够把它用起来。
数据越大，进入 AI 时代的包袱越重，当然，能够挖掘的金矿也越多。
国内 AI Agent 的进展其实比想象中要快，但是此前投资机构的关注度都集中在 C 端+出海，软件过于冷了。
我们在交谈中，敬智也提到，他认为未来 2 到 3 年会是企业级 Agent 的一个爆发期，而且他认为，目前的 Agent 不光是像 SaaS 那样实现了业务的线上化，而是实际交付了业务结果。从理解上，他应该会有新的定价和收费方式出来。
也许这是一次能够改写商业模式，重塑企业软件+SaaS+AI 的机会。
我也问过敬智，是不是目前只有大一些的企业才会有这样的需求？
他告诉我，借助这一套标准系统，你不需要学会写 SQL，人人都能成为数据的消费者。
底层的数据不会说谎，只要你有想解决的问题，又不想拍脑袋，而是从数据中去发现问题，你就是潜在意义上的需求者。
也欢迎大家留言讨论，或者转发给你认为需要的人。
如果有企业想要试用，或者投资的朋友想要聊，可以私我，我可以帮你们 问下周老师哈哈～
