去年聊 AI 替代数据分析，大家的反应还是"知道知道，但没那么快"。
龙虾出来之后就不一样。各个公司都在接 data agent，已经在比谁先跑通。上个月一个做电商的朋友跟我说，他们运营已经在用 agent 自己拉数，找分析师的需求砍掉一半。不是裁员的问题，是需求本身消失。
我开始重新想这份工作到底是什么。把时间真的拆开看，大部分花在拉数、刷数、做表上。等报表跑完，发现数字对不上，查一遍。改格式，发出去，等反馈，再改。周一开会，产品说转化率不对劲，回去写 SQL 查，查完发现是埋点口径变过，又花半天对齐，重新出数。等修正后的数发出来，那边已经拍掉别的决策了。坐下来想问题的时间反而很少。就是一个数据加工的小作坊——接单、加工、交付。
data agent 做的事，正好是这些。
前阵子大盘消耗在掉。我们老一点的分析师，三步就定位到问题在哪。刚入职的同事打开数据平台，不知道先看哪张表。
这个差距不在工具，在脑子里有没有那张地图。大盘掉了先看哪里，什么是正常波动，哪个版本上了之后数字开始偏——这些不在数据里，是做久了的人才有的体感。
agent 现在有点像第一天进公司的实习生，聪明，什么都能查，但你得告诉他查什么。留存率掉两个点，该不该拉警报，他不知道。没人跟他说过这家公司的业务是怎么跑的。
以前这些东西活在老分析师脑子里，新人待久了自然就懂了。但这个实习生不会自然懂，业务变了还得重新讲。
所以最近算是给自己找了个方向：把这些东西写下来。
一条链路该盯哪几个节点，什么范围算正常，什么样的异动得立刻查。再加一层 wiki，让它理解我们的业务在哪、各条线是怎么连的。有了这些，大盘出问题的时候它才能按我们的逻辑往下查，而不是拿到数据不知道从哪切。
真实习生待够了会长出自己的判断，不再依赖手册。这个不会。业务每变一次，手册就得跟着动。但每写一条进去，自己就少一件得亲手做的事。