别纠结AI是否取代你，关键是你能否用AI解放自己

每天早上九点，你打开电脑，泡好咖啡，然后开始——刷。

刷知乎热榜，看有没有数据相关的话题火了。刷B站首页，瞅瞅同行又出了什么新内容。打开小红书搜搜"数据分析师"，看看最近的风向。顺手瞄一眼微博热搜，确认没有和行业相关的大新闻。

这套动作，你可能每天花四十分钟到一个小时。你管这叫"信息搜集"，管这叫"保持敏感度"。可你心里清楚，这四十分钟里，真正有价值的信息可能就两三条，剩下的时间你在看沙雕新闻和明星八卦。

我也一样。直到昨天，我决定让机器替我干这件事。

说个不好听的实话：数据从业者的很多日常工作，是可以被自动化掉的。

不是说你的分析能力、业务判断力可以被替代——那是你真正值钱的部分。我说的是那些重复性的、机械的、你闭着眼睛都能做的事。

比如每天早上的信息搜集。比如定时从某个数据源拉数据做报表。比如把一堆散落在各处的信息汇总到一个地方。比如监控某个指标有没有异常波动。

这些事有个共同特点：它们很重要，但不需要你的大脑全程参与。

你之所以还在亲自干，不是因为只有你能干，而是因为你没想过可以不干。

这就是我想说的核心问题——不是"AI 会不会取代你"，而是你有没有想过让 AI 替你干那些不值得你亲自干的活。

这两个问题，差着一整个思维层级。

说回我自己的事。

做自媒体这一年多，选题一直是个体力活。我得保持对行业动态的敏感，知道大家在讨论什么、关心什么、焦虑什么。这意味着我每天要花不少时间"泡"在各个平台上。

说实话，这事让我烦。不是嫌累，是嫌蠢。因为我很清楚，我花在刷信息流上的时间里，至少有一半被算法带偏了——你本来想看数据行业动态，结果在B站刷了二十分钟美食视频，这种事你也干过吧？

昨天我动手写了一套脚本，做了这么几件事：

自动采集四个平台的热门内容。 知乎热榜、B站热门视频、小红书笔记、微博热搜。不用什么高级爬虫框架，就是最朴素的 HTTP 请求，复用浏览器里已有的登录态。

自动筛选和数据行业相关的内容。 设了一组关键词——数据分析、数据工程、SQL、Python、大模型、AI、求职、转行、简历。命中的留下，其他的扔掉。

自动整理成一份简报，推送给我自己。 每天早上跑一次，结果推到飞书，我起床看一眼就知道昨天行业发生了什么、哪些话题有讨论度。

整个过程，零额外成本。没有用任何付费 API，没有订阅任何 SaaS 工具，甚至没有单独租服务器。就是一个脚本，跑在已有的机器上，用的是已有的登录态。

从动手到跑通，大概花了半天时间。

你可能觉得这事没什么了不起。确实，从技术角度看，这就是个初级爬虫加定时任务，任何有一点编程基础的人都能做。

可重点不在技术难度，重点在你有没有动手去做。

算笔账。每天省四十分钟，一个月就是二十个小时。二十个小时能干什么？能写四五篇深度文章，能做两期视频，能和三四个读者深度交流。这些事，才是真正产出价值的事。

更关键的是，机器筛出来的信息质量，比我自己刷出来的高。因为机器不会被算法带偏，不会看着看着跑去刷短视频。它严格按照我定义的规则执行，给我的就是我需要的。

你可能会说：我又不做自媒体，用不着采集选题。

那我换个场景。

你是数据分析师，每周要出一份竞品分析报告。你现在的做法是：打开竞品的 App 或者网站，一个个截图，一条条记录数据变化，再手动整理成表格。这事儿，脚本能干。

你是数据工程师，每天要检查几十个数据管道有没有跑成功。你现在的做法是：登上 Airflow 或者调度平台的后台，一个个点开看状态。这事儿，一个监控脚本加告警推送就解决了。

你是数据产品经理，要跟踪十几个核心指标的日常波动。你现在的做法是：每天打开 BI 看板，肉眼扫一遍。这事儿，异常检测加自动推送就行了。

场景不同，逻辑是一样的：把重复的、机械的、有明确规则的工作交给机器，把省出来的时间用在需要判断力和创造力的地方。

我知道你在想什么。

"我不是程序员，我不会写脚本。"

三年前我也这么想。那时候我还在做运维，Python 对我来说只是个听说过的名词。后来转数据工程，逼着自己学了，才发现编程这东西，入门没有想象中那么难。难的不是学语法，是你不知道可以用它来解决什么问题。

但这现在情况又不一样了。现在你有 ChatGPT、有 Claude、有各种 AI 编程助手。你甚至不需要"学会编程"，你只需要能把问题描述清楚。

我那套采集脚本，有一半代码是 AI 帮我写的。我告诉它我要干什么——"帮我写一个 Python 脚本，请求知乎热榜接口，返回标题和热度，筛选包含这些关键词的条目"——它就给我一个能跑的版本。我自己调一调细节，搞定。

这和"AI 取代程序员"是两码事。AI 没有取代我，它是我的工具。我提供思路和判断，它提供执行力。就像你用 Excel 做分析，Excel 没有取代你，它只是让你不用手算。

关键区别在于：你是在使用工具，还是在被工具的可能性推着走。

前者是"我知道 ChatGPT 能写 SQL，所以我遇到不会写的查询就去问它"。这是工具使用者。

后者是"我梳理了自己工作中所有重复性的环节，设计了一套自动化流程，用 AI 辅助我把它搭起来"。这是工具驱动者。

两者的生产力差距，不是一点半点。

我给你一个最小可行方案。

第一步：列出你每天重复做的事。 打开一个笔记，连续记录三天你在工作中做了哪些事。标记出那些"不需要动脑但必须做"的环节。

第二步：挑一件最烦的，尝试自动化它。 不用挑最复杂的，挑最让你烦的。因为"烦"说明你已经意识到这件事不值得你亲自干了。

第三步：用 AI 帮你写初始代码。 把你要做的事，用大白话告诉 ChatGPT 或者 Claude。它给你一个初版，你试图跑一下。跑不通就把报错信息再丢给它，来回两三次，大概率能跑起来。

第四步：设个定时任务，让它每天自动跑。 在 Mac 上用 crontab，在服务器上用系统调度，甚至在 n8n 这类工具里拖拽配置，都行。

一开始不用追求完美。我的选题采集脚本第一版也很粗糙——筛选规则太简单，有些不相关的内容也会混进来。但没关系，能跑就行，后面慢慢优化。

重要的是你迈出了第一步：从"手动干活"到"设计一个系统替你干活"。

这个思维转变，比任何技术栈都值钱。

做数据这些年，我见过两类人。

一类人技术很好，SQL 写得漂亮，Python 用得溜，模型调得准。但他们的工作模式是"等需求"——业务方提了什么就做什么，永远在被动响应。时间都花在了执行层面，忙得要死，却说不清自己的价值在哪。

另一类人技术未必最强，但他们有个习惯：遇到重复的事就想办法自动化掉，省出时间去做更有价值的事——理解业务、发现问题、主动输出洞察。他们的技术是为目标服务的，不是为完成任务而完成任务。

第一类人是"被工作驱动"，第二类人是"驱动自己的工作"。

AI 不过是把这个差距放大了。以前你想自动化一件事，可能需要花一周学一个新框架。现在你花半天时间，甚至几个小时，就能搭起一套能用的系统。门槛降低了，但思维的门槛一直在那里。

大多数人还在讨论"AI 会不会取代数据分析师"。这个问题不是没有意义，但对个体来说，它是错误的问题。

正确的问题是：我的工作里，有哪些环节可以让机器来干？省出来的时间，我能不能做那些真正需要人来做的事？

回答这个问题，不需要你成为 AI 专家，不需要你懂大模型的原理。你只需要：愿意梳理自己的工作流程，愿意动手试一试，愿意接受"第一版很粗糙但能用"的状态。

说到底，让 AI 替你干活这件事，最大的障碍从来不是技术，而是你有没有停下来想过——

我每天在忙的那些事，真的都需要我亲自干吗？

——石头