AI时代数据工作者的核心竞争力是什么？

8 月 7 日，OpenAI发布了GPT-5，我在 Cursor 上体验了 GPT5 的多模态识图功能，以及用它解决此前遗留的网站代码 BUG。对比来看，其识图能力相较于豆包、代码处理能力相较于 Claude-Sonnet4，均实现了显著提升。近期我借助 AI 完成了不少工作 —— 从开发项目到图生视频、文生视频等，不禁感叹：AI 时代的发展速度实在令人震撼（顺带提一句，纳斯达克、国内人工智能相关板块值得关注）。​

2022 年我进入数据行业，基础工作包括 Excel、DataWind 等工具的操作表哥和SQLBoy，此外还参与过离线数仓开发、业务数据分析、业务算法建模、大模型应用及推荐算法等有一定技术深度的项目。如今回望，这些工作中的诸多技术性任务，在当下 AI 的加持下已不再是难题。​

有个案例：2022 年刚入职时，我独立开发了一个关于用户终端属性的离线数仓应用宽表。当时面临两个核心难点：一是需在 DWD 层构建拉链表，二是用户终端数据来自手机厂商注册的型号（如 “2100240C”），并非直观可理解的名称（如 “小米 13”）。为此，我做了两方面努力：一方面通过百度、CSDN 等平台研究拉链表在 Hive 中的实现方案；另一方面学习爬虫技术，爬取京东手机栏目中型号与扩展字段的对应数据，再通过这份维表关联出用户手机的上市时间、当前价格及具体型号等信息。最终，我结合互联网公开知识与公司实际数据、业务需求，完成了这个主题数仓的搭建。但放到现在，这两个技术难点只要交给 Cursor，分分钟就能解决。​

当然，我强调的只是技术层面的问题。上文中其实隐含了更关键的信息 —— 业务难点。当时我面临的业务挑战主要有两点：第一，业务线存在割据情况，数据生产方与使用方分属不同团队，需要大量跨团队沟通协调；第二，即便掌握了拉链表的技术原理，也需结合生产实际落地 —— 比如 DWD 层需要记录用户上一次的换机时间，这就涉及如何定义换机时间、如何用拉链表实现该记录、DWD 层分区表的结构设计及数据生命周期设定等业务细节，显然这些是目前 AI 难以胜任的。​

AI 确实能提升数据工作者的效率，但短期内绝无可能取代垂类业务领域的数据分析人员，尤其是那些对业务和公司数据有深刻理解的核心数据人才。而 “业务思维”，正是数据工作者在当下时代应具备的核心竞争力。​

前两周听说我们正在使用的数据报表工具要接入智能体，主打 “智能商业决策”“智能分析”，听起来高大上，但我只能持观望态度。智能体真的懂业务吗？它学习的是泛化的公域知识，那私域的垂类知识该由谁来 “喂” 给它？可能有人会说：“你们把业务信息准备好喂给它就行了。” 诶，这话确实说到了重点，但数据治理听说过吗？ —— 几个 PB 的数据、上万张数据表，仅处理这些所需的服务器资源，就足以让 99.99% 的公司原地解散。说白了，从数据梳理到业务口径统一，这些核心环节 AI 既做不了也做不好。人都讲不明白，或者往往需要开几十次会才能达成共识，AI 难道能靠 “吃掉” 几个 PB 的数据就自己搞明白吗？何况它吃不下。​

企业要跟上这个潮流节约成本咋做呢？先培养一批懂业务的数据分析师，经过数年沉淀后，让他们梳理出核心业务数据（还得确保这些内容不会轻易变动，否则后续又要重新梳理）；然后招聘核心的大模型工程师、算法工程师搭建系统；最后，在一切就绪后开除数据分析师，进入 “节约人工成本” 的环节。仔细想想，这性价比拉满了。

说了这么多，最后我想表达的是：AI 是 “工具” 而非 “决策者”，它能处理 “如何做”，却难以定义 “做什么” 和 “为什么做”。AI 作为效率工具，其价值上限始终由使用者的业务认知所决定。对于数据工作者而言，与其焦虑 “被 AI 替代”，不如深耕 “业务理解 + 组织协同 + 数据与业务的映射能力”—— 这些基于企业私域经验的 “软技能”，才是 AI 时代最稳固的核心竞争力。我不低估技术进步的力量，也不否定人的价值，只是身处这个时代洪流中，稍有不慎，脚下可能就是万丈深渊。