AI 现在能完成大量检索、总结、初稿和取数工作，但最后判断哪个答案更好、错在哪里、由谁负责，仍需要专业深度。没有领域判断力的人，AI 反而会放大盲区；会用 AI 的领域专家则被放大。对数据分析师来说，这意味着同样写 SQL，一种人只是产出报表，另一种人能说清这个口径对不对、这个实验结论能不能信、这个指标异常该不该报警。后者更难被替代。你可以先自查：过去半年里，有多少次是你对结果拍板负责，而不是把数字交给别人判断⁠1？

如果还想留在组织内，更有效的方向不是原地补更多工具，而是主动靠近“更接近模型、也更接近结果”的位置。这类角色的价值不在亲手写多少代码或搭多少看板，而在四件事：把模糊业务问题翻译成 AI 能消费的上下文；设计评估标准和反馈回路；编排模型、工具、数据和流程；判断什么该自动化、什么该人工接管。名字叫 AI engineer、AI PM 还是别的都不重要，关键是你在设计系统，还是在维护流程——前者更值钱，后者越来越尴尬⁠2。

与其先决定“要不要转”，不如挑一个你手头真实的业务问题，尝试用 AI 端到端做一遍：从理解需求、取数、到给出结论并说明哪里可能出错。做完后观察两点——你是否比 AI 更能判断结果好坏，以及你是否能说清这个流程该怎么改。如果两点都吃力，说明缺的是领域判断和系统视角，而不是又一个工具；如果做得顺，这条路径就值得继续投入。这个动作本身不承诺结果，只是帮你拿到判断自己位置的证据⁠1,2。

数据工作的产品不是报表或模型，而是更好的决策：要不要修产品、资源投向哪里、一个项目该扩大还是停。只有先认清这一点，才能判断 AI 到底有没有让工作变好——如果分析本身没价值，AI 只会更快地生产中间品。所以用 AI 之前先问：这份产出完成后，下游会作出什么不同的决定？说不清的话，AI 只会更快地生产代理信号⁠1,2。

AI 适合做三件事：快速生成很多变体让你有更多对象可比较、从你认为好或不好的例子里总结共性、以及在你指出问题后马上重做。但它不该替你决定哪个更好。可以试的做法是让它给出多个方向或几个质量不同的版本，由你逐一说明为什么选这个、为什么那个不对——这个过程本身就在训练你的判断力。反过来，把 AI 当成替你判断的东西，你会越来越少做判断，最后失去自己的质量感⁠3。

你脑子里那些说不清的经验——指标口径、分析思路、什么算异常——如果始终只停留在“我有感觉但讲不清”，就很难放大。把它们整理成规则、模板或判断标准，AI 才能在这些基础上持续产出更符合你标准的结果。数据筛查就是个例子：确定性的部分交给程序，规则不够用的模糊判断交给 AI，但最终判断和反馈留给人，人的反馈再回去改进规则。这样 AI 才不是一次性的聊天工具，而是会被校准的工作流⁠4,5。