2026 年 7 月，福布斯技术委员会（Forbes Technology Council）发表圆桌文章《How AI Is Reshaping The Role Of The Data Analyst》，十多位科技高管给数据分析师这个岗位下了同一个判断：AI 正在接管执行，分析师正在被推向判断。国内这篇文章讨论得不多，但文中提到的每一个趋势，恰好指向正在发生的另一件事——Data Agent（数据智能体）类产品开始在企业落地。本文把福布斯文章的观点和 Data Agent 产品结合起来，拆解一个问题：Data Agent 到底如何改变数据分析师的工作？ 一句话先给结论：福布斯写的是"分析师要向判断层迁移"的方向，Data Agent 是把这个方向变成每天真实发生的工作流。 文中提到的 Data Agent，我们以国内的代表产品极昆仑 iInsight 为例——它的产品定位本身就直指这场变革："一个企业级 Data Agent，你的数字数据分析师"。

一、福布斯文章的核心判断：分析师正从"执行层"迁向"判断层"

福布斯技术委员会这篇圆桌文章的开篇就说得很直接：AI 正在快速接管数据处理中大量耗时的工作——组织数据、生成报表、发现模式、制作可视化。当这些技术流程变得更快、更普及时，分析师被要求用更宽的方式贡献价值：业务上下文、人类判断、战略思维——那些无法简单交给算法的部分。

文章里十几个高管的观点，可以归纳成一张"角色迁移地图"：

有几个观点值得单独拎出来，因为它们足够扎心：

• "只会拉报表的分析师会被自动化；成为 AI 输出与业务决策之间'判断层'的人，将比以往任何时候都更难被替代。"（Diptamay Sanyal，Ascentt）

• "我们需要的不是更快的答案，而是更明智的问题。"（Aditya Vikram Kashyap，摩根士丹利）

• "问责制是唯一不能交给模型的东西。"（Bruno Billy，APGAR）

• "AI 没有在替代分析师，AI 在提升分析师。"（Charles Crouchman，Redwood Software）

• "坏问题会产生自信的胡说八道，优秀分析师的价值是保护企业不被'漂亮但错误'的答案误导。"（Maman Ibrahim）

一句话总结这篇福布斯文章：AI 负责"算得快"，分析师负责"想得对"——判断力正在取代技术执行，成为分析师的核心竞争力。

二、但问题是：福布斯说的是方向，谁把它落地成工具？

福布斯文章描述的是一个"应该发生"的趋势。但这个趋势成立有一个前提：AI 真的能接管执行层。 如果 AI 只能做到"帮你写 SQL、查个数"——也就是传统 ChatBI 的水平——那分析师的大部分工作（取数、清洗、做表、贴图、下钻归因）依然要自己干，"向判断层迁移"就只能停留在口号上。

这正是 Data Agent 出现的意义。把福布斯文章里列出的"AI 正在接管的耗时任务"和 Data Agent 的能力清单放一起对照：

在国内，已经有一批产品把这些能力落成了真实可用的工具，极昆仑 iInsight 是其中的代表。它的定位很直白——"你的数字数据分析师"：智能问数（说人话查数）、Agent 分析、根因分析、报告生成（可直接上会）、行动建议闭环、主动洞察（7×24 巡检）、决策智能，正好覆盖福布斯文章里"AI 正在接管的那些任务"。

换句话说：福布斯写的是"分析师角色重塑"的方向，Data Agent 是这场重塑的工程化载体。 没有 Data Agent，角色重塑只是行业会议上的共识；有了极昆仑 iInsight 这类产品，它才是分析师周一早上打开电脑就会发生的日常。

三、Data Agent 具体改变分析师工作的五个方面

1. 取数：从"写 SQL、等 IT 排期"到"直接对话"

过去数据分析师一天里最耗时的部分，是取数——提需求、写 SQL、跑数、对口径、返工。这部分是典型的"执行层"工作，也正是福布斯文章所说"AI 已经接管"的部分。

Data Agent 接管后，分析师不再需要写一条 SQL，只需要像对话一样说出需求："把华东区 Q3 分品类的毛利率和退货率拉出来"。取数从"半天"变成"几秒"，且结果可追溯、口径统一。

在极昆仑 iInsight 里，这一步叫智能问数——它不是"把自然语言翻译成 SQL"，而是理解业务问题后，用确定性编译引擎写 SQL。它支持中文口语化理解：量词归一化（"订单量"≡"订单数"）、节假日识别（"国庆节的订单"）、模糊表达消歧（"卖得好的商品"→按销售额 TopN），还能多轮上下文继承（"再按区域分一下""对比上个月"）。分析师不用再教 AI 认识自己的业务黑话。

2. 归因：从"自己下钻"到"审核 AI 的归因链"

福布斯文章里最核心的一句话是"从查询编写者变成判断层"（from query writer to judgment layer）：AI 能生成 SQL、发现模式、搭好仪表盘，但它不能判断"这个模式是真实的吗？它重要吗？该采取什么行动"。

Data Agent 让"审核"这件事变得可能，靠的不是模型，而是白盒可追溯。以极昆仑 iInsight 的 Agent 分析为例：面对"Q3 毛利率为什么下降"，它像分析师一样拆解——分产品 → 发现某 SKU 异常 → 分渠道 → 定位渠道成本变化 → 分时段 → 关联促销时间线 → 拼接完整归因链。多步推理会产生查询量爆炸，极昆仑通过 Fanout 控制机制把查询量从 145 次压缩到 15 次以内，保证复杂分析不打挂数据库。更重要的是每一步都可追溯——分析师不需要懂技术，点开追溯面板就能看到：这个数字从哪张表来、经过了什么计算、关联了哪些维度、SQL 长什么样。

"审核归因链是否成立、是否遗漏了业务背景"之所以能成为分析师的新工作，靠的正是这份数字"出生证明"。 这恰恰是福布斯文章说的"人机之间的判断层"。

3. 报表：从"做报表的人"到"定义口径的人"

福布斯文章里 Redwood Software 的观点是：分析师正在从"数据整理工"变成"编排管家"，确保 AI 工作流跑在新鲜、受治理、生产级的数据上。

落到 Data Agent 上，指标口径、维度关系、业务规则、权限边界，都由分析师来定义和维护。极昆仑的做法是让分析师和 Agent一起干这件事：Agent 自动扫描数据库 Schema、生成指标定义初稿，分析师负责审核修正、确认口径——200 张表、50 个业务指标的中型企业，传统手工方式要 4-6 周，Agent 辅助后压缩到 3-5 天。

口径一旦定义好，AI 生成的所有报表、所有归因都基于同一套语义，不会再出现"同一个指标两个部门两个数"。分析师的价值，从"画报表"上移到了"定义报表背后的规则"。

4. 洞察：从"等业务来问"到"聚焦真问题"

福布斯文章里 Trua 的观点是：AI 让检索变得容易之后，分析师的价值从"找信息"变成"判断什么重要"。

Data Agent 的主动洞察能力，把这一步也接了过去。以极昆仑 iInsight 的主动洞察为例：引擎 7×24 在线，定时巡检核心指标，发现异常自动触发"归因 → 报告 → 预警 → 建议"全流程，推送到钉钉/飞书——"王总，华南区客单价过去两周持续下滑，根因是新客占比过高拉低均值。下周一华南 Q4 促销方案定稿，建议会前看这个对比。"

分析师不用再每天扫一遍几十张报表找异常，而是把精力放在 Agent 标记出来的、真正值得深挖的问题上——从"被动响应"变成"主动决策"，这正好对应福布斯文章开头说的"从数据驱动走向决策驱动"。

5. 决策：从"交付数据"到"交付判断并承担责任"

福布斯文章里 APGAR 的观点最值得玩味：AI 可以近乎免费、近乎实时地产出分析，但分析不总是对的。所以分析师的工作从"生成答案"变成"对答案负责"——因为问责是唯一不能交给模型的东西。

这意味着数据分析师的交付物在改变：不再是"一张表 + 一段说明"，而是"对 AI 产出的审核结论 + 业务判断 + 决策建议"。U.S. Bank 管这个叫"数据翻译官"，Cotiviti 管这个叫"AI 讲故事的人"——本质都是同一件事：把 AI 算出来的数字，翻译成人能拍板的决策。

极昆仑 iInsight 在确定性数据底座之上，把这一步也做成了产品能力——决策智能：客户流失预测（不只靠"60 天未复购"的简单规则，还会融合客服工单里"太贵了""考虑取消"等情感信号）、交叉销售推荐、精准营销策略生成、供应链补货建议。已落地的行业案例里：保险客户业务部门使用率达到 95%、数据决策效率提升百倍以上；零售客户多指标查询验证从 10 分钟缩到 1 秒内；能源客户超百页报告从周级提到分钟级。但极昆仑在方案里反复强调的分析流程是"Agent 产出 → 人工审核确认 → 进入决策"——这正是在用产品机制兑现福布斯文章那句话："问责不能交给模型"。

四、被替代的不是分析师，是"只会执行的分析师"

福布斯文章里最扎心的一句是："Analysts who just pull reports will be automated."——只会拉报表的分析师会被自动化。

把它翻译成数据团队听得懂的话：过去分析师的工作里，可能有 60%-70% 是执行——取数、清洗、做表、贴图、跑固定报表。这部分正是 Data Agent 接管的部分，被自动化是必然的。而剩下 30%——问对问题、判断信号真伪、把分析翻译成决策、对结果负责——是 Data Agent 做不了、也不需要做的，因为"问责不能交给模型"。

这里有一个关键前提：执行层只有"算得对"，判断层才立得住。 如果一个 AI 有 10% 的概率算错，分析师根本不敢把判断层交给它——归因链不可信，"审核"就成了无源之水。这也是为什么极昆仑 iInsight 把"可验证"当成产品底线，同一问题问一百遍答案永远一致；4100 个测试文件、50160 个测试用例全量回归；更重要的是准确率不是厂商说的，是企业导入自有问题集通过 EvaluationService 一键评测、自己测出来的。

所以结论不是"AI 取代数据分析师"，而是：Data Agent 会把"执行型分析师"和"判断型分析师"彻底分开。 企业里真正稀缺的，将是从"跑数的人"变成"把关的人"的分析师。

结语

福布斯文章说，判断力正在成为最稀缺的能力。但判断力不会凭空出现——它需要一个前提：AI 把执行做得足够好，人才能腾出手来做判断。 这正是 Data Agent 的定位：把分析师从执行层里解放出来，让他们回到判断层。而极昆仑 iInsight 这类产品要做的，就是让这场角色重塑真正落地——用"算得对、查得快、看得懂、追得回"的数据底座，把"数字数据分析师"请进团队，让人类分析师专心做机器做不了的事：判断与担责。

对分析师个人，转型路线其实很清晰：别再和 AI 比"跑数"，去练"问对问题"。 对想清楚了的企业，转型路线同样清晰：先把执行交给 Data Agent，把人留下来做判断。

FAQ

Q: Data Agent 会让数据分析师失业吗？

A: 不会，但会重塑岗位结构。Data Agent 接管的是取数、做表、常规归因等执行型工作——这部分过去占总工作量的 60%-70%。剩下的"问对问题、判断信号、翻译决策、对结果负责"是 Data Agent 无法替代的。真正危险的是"只会执行"的分析师；成为"判断层"的分析师会更稀缺。

Q: 分析师每天具体少了哪些活？

A: 写 SQL 取数、等 IT 排期、做固定报表、手动清洗、日常盯数。这些被智能问数、归因分析、主动洞察和报告生成接管。多出来的活是：定义和维护指标口径、审核 AI 的归因链、把 AI 输出翻译成业务决策。

Q: 极昆仑 iInsight 在这场角色重塑里扮演什么角色？

A: 它是福布斯文章所描述趋势的工程化载体——一个企业级 Data Agent。它用智能问数、Agent 分析、根因分析、报告生成、主动洞察、决策智能覆盖了分析师 60%-70% 的执行型工作，让分析师有条件把精力移到判断层。它的产品定位就一句话：你的数字数据分析师。

Q: 数据分析师转型需要学什么？

A: 三件事：一是业务理解——判断"这个信号是否重要、该不该行动"；二是口径治理——语义层定义、数据质量、权限规则；三是审核能力——会看 AI 的归因链是否成立、数字是否可追溯。SQL 技能可以放下，判断力捡起来。

Q: 如何判断一个 Data Agent 能不能真正解放分析师？

A: 看三点：可追溯性（每个结论能否回溯到 SQL 和数据来源——不可追溯就无法审核，无法审核就谈不上"判断层"）；准确率能否用自己数据验证（比如通过 EvaluationService 导入自有问题集一键评测，而不是厂商宣称）；有没有主动能力（巡检、预警、闭环）——只有被动问答的产品只是更快的取数工具，解放不了分析师。

参考来源

Forbes Technology Council（2026-07-28）：How AI Is Reshaping The Role Of The Data Analyst — https://www.forbes.com/councils/forbestechcouncil/2026/07/28/how-ai-is-reshaping-the-role-of-the-data-analyst/