AI融入数据团队：协作挑战先于效率提升

过去一年，很多团队都在讨论 AI 怎么进入数据工作。

有人用它写 SQL，有人用它解释报表，有人让它生成指标口径说明，有人试着把数据查询、分析摘要、异常归因连成 Agent 工作流。演示时效果经常不错：输入一句自然语言，模型给出查询；上传一份数据，模型生成洞察；接入元数据，模型还能解释字段。

但真正放进团队之后，第一批被放大的，往往不是效率，而是协作问题。

这听起来有点反直觉。AI 不是来提高效率的吗？为什么先看到的是协作问题？

因为数据团队里的很多低效，本来就不是工具慢造成的。

它们来自需求没说清楚，指标口径不统一，字段没人维护，权限边界模糊，代码缺少审查，业务问题和数据问题之间缺少翻译。AI 进入之后，并不会自动消除这些问题。相反，它会更快地触碰它们。

如果只是把 AI 当成一个更聪明的搜索框，问题还不明显。你问它一个 SQL 写法，它给你一段参考；它解释一个错误，它给你几个方向。这种场景下，AI 只是个人效率工具。

但一旦它进入团队流程，性质就变了。

比如业务同事通过自然语言问数，AI 直接生成查询。分析师让 AI 根据指标变化写日报。数据开发让 AI 根据上游表结构生成模型代码。主管让 AI 总结异常原因并推送到群里。

这时 AI 不再只是工具，它变成了协作链条里的一个参与者。

参与者意味着它会接收上下文、做出判断、产生中间结果，并影响其他人的工作。

问题也从“它会不会写 SQL”变成“它基于什么口径写 SQL”“它有没有权限看到这些字段”“它生成的结论由谁负责”“它错了以后谁来发现”。

这些都不是模型能力本身能单独解决的。

人和人协作时，模糊需求有时会被追问。业务说“帮我看一下转化为什么下降”，分析师可能会问：哪个转化？哪段时间？哪个渠道？和什么比？

AI 很容易跳过这个过程。

用户问：“最近用户转化为什么下降？”它可能直接去查数据，生成一个看似完整的分析。内容里有图表、有原因、有建议，看起来很像那么回事。但如果转化定义错了，分析对象错了，比较基准错了，后面的所有漂亮表达都没有意义。

这就是 AI 在数据场景里的一个危险点：它会把不确定的问题包装成确定的答案。

团队原本需求澄清弱，AI 不会自动变强。它只会让“没澄清就开做”的速度更快。

数据团队最常见的旧问题之一，是指标口径分裂。

同一个 GMV，财务一个口径，运营一个口径，增长一个口径；同一个活跃用户，不同看板算法不同；同一个新客，注册、下单、支付各有版本。过去这些问题已经麻烦，但传播速度有限。一个分析师用错口径，影响一份报告；一个看板口径不一致，影响一个会议。

AI 接入之后，传播速度会变快。

如果它能被很多人调用，又能自动生成 SQL、看板解释和文字结论，那么一个错误口径可能会被复制到更多场景里。

所以 AI 问数真正依赖的，不只是大模型，而是指标字典、血缘、元数据、权限、审计和口径责任人。

没有这些底座，AI 看起来越聪明，风险可能越大。

很多数据开发同学已经在用 AI 写 SQL、写 dbt model、写 Airflow DAG、写测试脚本。这个方向当然有价值。

但在团队里，代码生成只是第一步。

更关键的是：生成的代码怎么审查？谁确认业务口径？谁确认性能影响？谁确认不会把上游字段误用？谁确认不会扫全表、不会造成成本飙升、不会破坏已有任务？

如果原本团队就没有清楚的 review 机制，AI 只会让更多代码更快地产生。

更多代码不等于更多产出。有时只是更多需要维护的东西。

这和低代码平台曾经遇到的问题很像。低代码降低了创建门槛，但如果没有治理，最后会出现大量没人维护的流程、表单和报表。AI 也一样。生成门槛下降后，治理的重要性会上升，而不是下降。

还有一个容易被低估的问题，是权限。

过去数据权限通常藏在后台。谁能查哪张表，谁能看哪些字段，谁能导出明细，主要由平台、数仓、BI 系统控制。

AI 进入之后，权限会变得更复杂。

用户可能不是直接查表，而是问 AI：“帮我分析一下高价值客户流失原因。”AI 需要决定要不要访问客户标签、交易记录、客服工单、地区信息、甚至敏感字段。它可能生成中间摘要，也可能把字段含义暴露在回答里。

这时权限不再只是“能不能 select 某张表”，还包括“能不能推断某类信息”“能不能在摘要里出现某些字段”“能不能跨域组合数据”。

如果团队没有提前设计边界，AI 会把权限问题从后台带到前台。

我不悲观。AI 进入数据团队是大方向，而且会带来实实在在的效率提升。

但前提是，我们不能只画工具链路图，还要画责任图。

谁提出问题？谁定义指标？谁授权数据？谁审查 SQL？谁确认结论？谁对发布出去的分析负责？AI 在其中负责生成、检索、解释、提醒，还是可以自动执行？哪些步骤必须有人确认？哪些步骤可以自动化？

这些能力过去就重要。AI 来了以后，只是让它们更重要。

AI 进入数据团队，最终一定会改变工作方式。

一些重复查询会被自动化，一些日报周报会被自动生成，一些异常分析会更快触发，一些代码和测试会由模型辅助完成。

但在那之前，团队会先遇到旧问题的新形态。

需求没说清，AI 会更快地产生错误答案。口径没治理，AI 会更快地复制混乱。权限没设计，AI 会更容易越过边界。审查机制没有建立，AI 会让不可维护的代码变多。

所以，别只问“AI 能不能提高数据团队效率”。

更应该问的是：我们现在的协作方式，配得上一个会自动生成答案的参与者吗？

如果答案还不确定，那第一步不是接更多工具，而是把需求、口径、权限、审查和责任重新梳理一遍。

AI 会放大效率，也会放大混乱。它放大哪一个，取决于团队原来是什么样子。

如果你想系统理解 AI 时代数据团队需要补哪些工程、治理和协作能力，可以继续看数据从业者全栈知识库。我会把 Agent、语义层、指标治理和数据工程实践逐步整理成更完整的学习路径。

关于「拾穗数据」

十来年数据行业里摸爬滚打的一点东西——

都在 ss-data.cc，点下方【阅读原文】去看。

想一起聊？扫码加微信，备注「拾穗」进群：

[1]数据从业者全栈知识0.35em 0.9em;background: #f0f0f0;">想一起聊？