作者 | 王瑋

當(dāng) AI 寫(xiě) SQL 比人更快，分析報(bào)表比人更準(zhǔn)，技術(shù)門(mén)檻被夷為平地時(shí)，對(duì)于數(shù)據(jù)從業(yè)者而言，真正稀缺的能力是什么？

Snowflake 在亞太地區(qū)舉辦的「Data and AI Fast Track」系列深度分享或許能夠提供一種思路和答案，為了幫助數(shù)據(jù)從業(yè)者在技術(shù)浪潮中重建坐標(biāo)，我們特別選摘了系列直播內(nèi)容的精華版，本文將探討以下三個(gè)核心命題：

• 從一顆牛油果的成熟，看懂 AI 是如何從工具進(jìn)化為執(zhí)行者的。

• 當(dāng) AI 算得比你快時(shí)，為什么數(shù)據(jù)敘事（Data Storytelling）成了最昂貴的技能？

• 從提示詞工程到 RAG 架構(gòu)：普通職場(chǎng)人用 90 天重建 AI 時(shí)代競(jìng)爭(zhēng)坐標(biāo)的完整路徑

1 AI 進(jìn)化史與職場(chǎng)危機(jī)

要理解我們?cè)?AI 時(shí)代的處境，不妨先看一個(gè)極具日常感的問(wèn)題：這個(gè)牛油果熟了嗎？

Snowflake 機(jī)器學(xué)習(xí)高級(jí)架構(gòu)師 Sheena Nasim 用這個(gè)問(wèn)題，巧妙地揭開(kāi)了 AI 七十年演進(jìn)史的底牌。這不僅是一道生活常識(shí)題，更是衡量 AI 能力邊界的絕佳隱喻。

在 1950 年代的規(guī)則系統(tǒng)時(shí)代，程序員試圖用 if-else 來(lái)解決它：如果牛油果是綠色的，就不熟；如果是黑色的，就熟了。但這套邏輯很快在現(xiàn)實(shí)的復(fù)雜性面前崩潰——品種差異、溫度、光照，任何一個(gè)變量都能打破規(guī)則的邊界。

隨后，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)登場(chǎng)。系統(tǒng)不再依賴(lài)人類(lèi)窮舉規(guī)則，而是通過(guò)吞噬成千上萬(wàn)張牛油果的照片，自己總結(jié)出“成熟”的數(shù)學(xué)特征。機(jī)器第一次在圖像分類(lèi)上達(dá)到了接近人類(lèi)的精度，但它依然是個(gè)“黑箱”——它能告訴你結(jié)果，卻無(wú)法解釋原因。

直到 生成式 AI（Generative AI）與多模態(tài)大模型 的爆發(fā)，范式被徹底顛覆。當(dāng)你現(xiàn)在把一張牛油果照片發(fā)給 AI，它不僅能判斷成熟度，還能給出完整的推理鏈：“果皮呈深綠色帶黑斑，果莖微凹，建議今明兩天食用。需要我推薦一份牛油果醬食譜嗎？”

但這還不是終點(diǎn)。今天，最前沿的形態(tài)是 AI 智能體（AI Agent）。它實(shí)現(xiàn)了從“參與”到“執(zhí)行”的躍遷。

當(dāng)你告訴智能體：“周六我要辦聚會(huì)，幫我搞定牛油果醬?！?它會(huì)查詢(xún)你的日歷（8 位賓客） → 估算用量（需要 6 個(gè)） → 檢索周邊超市比價(jià) → 發(fā)現(xiàn)周三買(mǎi)周六用會(huì)壞，于是設(shè)定周四的采購(gòu)提醒 → 自動(dòng)加入購(gòu)物清單 → 順便幫你找好 Gordon Ramsay 的菜譜并加上了青檸和香菜。

這條演進(jìn)線(xiàn)走了七十年，但真正顛覆大眾認(rèn)知只用了最近三年。既然 AI 已經(jīng)聰明到可以包辦一切計(jì)算和執(zhí)行，一個(gè)尖銳的問(wèn)題擺在面前：企業(yè)還需要人類(lèi)做什么？

2 當(dāng) AI 算得比你快，“講故事”成了最昂貴的技能

如果說(shuō) AI 技術(shù)的演進(jìn)解釋了機(jī)器能做什么，那么 Snowflake 技術(shù)布道師 Travis Murphy 則回答了另一個(gè)更現(xiàn)實(shí)的問(wèn)題：在組織里，為什么擁有了海量數(shù)據(jù)和強(qiáng)大的 AI，決策依然低效？

答案出人意料：?jiǎn)栴}不在數(shù)據(jù)，在于注意力。

經(jīng)濟(jì)學(xué)家赫伯特·西蒙在 1970 年代的一句預(yù)言，在今天一語(yǔ)成讖：“信息的豐盛，制造了注意力的貧困?！蔽覀兠刻毂粌x表盤(pán)、數(shù)據(jù)周報(bào)、Slack 消息和 AI 生成的摘要狂轟濫炸。數(shù)據(jù)的豐富并沒(méi)有讓決策變快，反而讓會(huì)議的大量時(shí)間被浪費(fèi)在“解釋數(shù)字”上。

在 AI 時(shí)代，生產(chǎn)內(nèi)容的成本趨近于零，但判斷力和清晰度依然稀缺。這就是數(shù)據(jù)敘事（Data Storytelling）的價(jià)值所在。真正的數(shù)據(jù)故事，不是讓圖表更好看，也不是堆砌 15 個(gè)指標(biāo)，而是包含四個(gè)不可或缺的層次：證據(jù)、背景、洞察、行動(dòng)。

感受一下兩者的區(qū)別：

• 普通匯報(bào)：“營(yíng)收環(huán)比下降 3%。”（結(jié)果：引發(fā)無(wú)休止的爭(zhēng)論和推諉）

• 數(shù)據(jù)故事：“營(yíng)收較計(jì)劃下降 3%，主要由價(jià)格調(diào)整后目標(biāo)客群的流失驅(qū)動(dòng)。建議：暫停方案推廣，本周啟動(dòng)留存專(zhuān)項(xiàng)激勵(lì)——負(fù)責(zé)人：Travis?！保ńY(jié)果：立即驅(qū)動(dòng)行動(dòng)）

為了構(gòu)建這樣的敘事，Murphy 提出了五要素框架：用令人意外的“鉤子”抓住注意力，設(shè)定背景基準(zhǔn)線(xiàn)，揭示差距產(chǎn)生洞察，解釋根因作為驅(qū)動(dòng)因素，最后以綁定責(zé)任人的結(jié)局落地行動(dòng)。

3 成為 AI 工程師之前，首先要成為一流的數(shù)據(jù)工程師

談及數(shù)據(jù)敘事，也許很多人腦海中浮現(xiàn)的場(chǎng)景仍然是數(shù)據(jù)分析師一個(gè)人坐在格子間里，對(duì)著 Excel 繪制餅圖，這個(gè)刻板印象已經(jīng)徹底過(guò)時(shí)。

Snowflake 產(chǎn)品數(shù)據(jù)科學(xué)家 Soo Lee 還原了數(shù)據(jù)分析師真實(shí)的一天：

上午，他們往往不是在分析數(shù)據(jù)，而是在尋找和清洗數(shù)據(jù)。更關(guān)鍵的是定義指標(biāo)。當(dāng)產(chǎn)品經(jīng)理問(wèn)“用戶(hù)喜歡新功能嗎”時(shí)，分析師必須將其翻譯成可測(cè)量的 DAU 或留存率。因?yàn)閿?shù)據(jù)分析中最危險(xiǎn)的情況，是所有人都以為在衡量同一件事，但實(shí)際上并非如此。

下午，工作方式已經(jīng)被 AI 徹底改變。借助 Snowflake 的 Cortex AI 等功能，分析師可以直接在 SQL 語(yǔ)句中調(diào)用大模型，幾行代碼就能完成過(guò)去需要數(shù)周搭建管道才能處理的非結(jié)構(gòu)化數(shù)據(jù)分類(lèi)。

到了今天，數(shù)據(jù)工程師、分析師、AI 工程師的職業(yè)邊界正在快速消融。但有一套底層能力正在跨角色凝固：SQL 查詢(xún)、基礎(chǔ) Python、數(shù)據(jù)敘事、云平臺(tái)認(rèn)知，以及 AI 素養(yǎng)。

Snowflake APJ 教育銷(xiāo)售總監(jiān) Edmondo Rosini 給出了一個(gè)中肯的建議：不要急于跳過(guò)分析師直接沖向 AI 工程師。每一位卓越的 AI 專(zhuān)家，骨子里都是一流的數(shù)據(jù)分析師。只有親手處理過(guò)臟數(shù)據(jù)，你才會(huì)真正懂得偏差的藏身之處，這種直覺(jué)是無(wú)法速成的。

4 普通職場(chǎng)人的 90 天 AI 逆襲指南

無(wú)論你是不是數(shù)據(jù)分析師，職場(chǎng)正在發(fā)生四大結(jié)構(gòu)性轉(zhuǎn)變：從看儀表盤(pán)到與 AI 對(duì)話(huà)；從被動(dòng)響應(yīng)到主動(dòng)預(yù)測(cè)；從工具輔助到智能體執(zhí)行；從專(zhuān)業(yè)壁壘到全員普及。

當(dāng) AI 成為人人可用的通用副駕駛，會(huì)用 AI 不再是優(yōu)勢(shì)，而是門(mén)檻。Snowflake 數(shù)據(jù)解決方案架構(gòu)師 Hilda Davies 指出，真正的競(jìng)爭(zhēng)力在于：將 AI 的能力與“只有你才懂得的業(yè)務(wù)情境”相結(jié)合。

AI 無(wú)法感知跨國(guó)商業(yè)談判的文化微妙，無(wú)法感受一筆被拒貸款背后的人性分量，但你可以。你的競(jìng)爭(zhēng)優(yōu)勢(shì)，在于提供 AI 缺失的同理心和特定情境洞察，以及知道何時(shí)對(duì)充滿(mǎn)噪聲的數(shù)據(jù) Say No。

為此，Davies 提出了一份極具操作性的 90 天行動(dòng)路線(xiàn)圖：

• 前 30 天：系統(tǒng)學(xué)習(xí)提示詞工程，將其視為學(xué)習(xí)一門(mén)新語(yǔ)言。建立數(shù)據(jù)治理意識(shí)，明確哪些數(shù)據(jù)可以喂給公共模型，哪些必須留在企業(yè)防火墻內(nèi)。完成這一階段，你將從普通用戶(hù)升級(jí)為「負(fù)責(zé)任的 AI 管理者」。

• 第 31-60 天：拒絕被動(dòng)等待報(bào)表。學(xué)習(xí) SQL，直接查詢(xún)部門(mén)數(shù)據(jù)庫(kù)，識(shí)別并解決一個(gè)沒(méi)人注意到的數(shù)據(jù)瓶頸，構(gòu)建一個(gè)真正有價(jià)值的數(shù)據(jù)故事。這會(huì)讓你從「數(shù)據(jù)的接收者」變成「數(shù)據(jù)的探索者」。

• 第 61-90 天：識(shí)別工作流中的重大效率瓶頸，嘗試用 RAG（檢索增強(qiáng)生成）架構(gòu)將團(tuán)隊(duì)散亂文檔轉(zhuǎn)化為企業(yè)知識(shí)庫(kù)。組織內(nèi)部分享，向管理層展示你的 AI 應(yīng)用愿景。這一步要展示的是：你已從技術(shù)消費(fèi)者蛻變?yōu)閼?zhàn)略型高價(jià)值人才。

5 One More Thing

AI 寫(xiě)得了 SQL、畫(huà)得了圖表、生成得了報(bào)告，但它無(wú)法走進(jìn)一間充滿(mǎn)分歧的會(huì)議室，理解那個(gè)真正尚未被說(shuō)出口的問(wèn)題；也無(wú)法在數(shù)據(jù)與對(duì)業(yè)務(wù)的真正影響之間，完成最后一步帶有責(zé)任的判斷。

正如沃爾特·艾薩克森在《創(chuàng)新者》中的一句話(huà)：“創(chuàng)新需要清晰表達(dá)”，數(shù)據(jù)本身是原材料，AI 讓這些原材料唾手可得。但將它們轉(zhuǎn)化為真正驅(qū)動(dòng)決策的故事，仍然是人類(lèi)的工作，而且比以往任何時(shí)候都更重要。

如果你也在思考如何在 AI 時(shí)代建立這種能力，,可以點(diǎn)擊【閱讀原文】關(guān)注FastTrack的官網(wǎng)，可以嘗試從 Snowflake 的 Data + AI 平臺(tái)培訓(xùn)開(kāi)始，課程涵蓋??智能、數(shù)據(jù)云等所有相關(guān)內(nèi)容，你將能夠親?動(dòng)?操作，處理業(yè)務(wù)真實(shí)場(chǎng)景中的問(wèn)題，并獲得專(zhuān)?賬戶(hù)進(jìn)?練習(xí)。免費(fèi)福利席位有限，歡迎掃碼報(bào)名～