当一个分析师可以在一小时内完成过去需要两天才能跑完的数据提取和清洗，当业务人员不再需要通过工单向数据团队申请提数，当AI可以在数据出现异常时主动推送警报而非等待人来查询，数据分析师这个岗位的底层逻辑正在被改写。
DeepSeek等大模型产品的爆发，让数据分析领域经历着一场从工具到范式的全面重构。这场变革不是简单的效率提升，而是对数据工作方式的根本性重塑。过去，组织智能的主要制约因素是人对SQL的访问权限；如今，制约智能的是连接原始数据和业务决策的知识层的质量。数据分析师的角色正在从查询的执行者转变为智能基础设施的构建者。
一、AI对数据分析工作流程的全面重塑
1.1 数据采集与治理：从人工到智能
在传统数据分析流程中，数据采集和治理占据了分析师大量时间。数据来源日益复杂，格式多样，数据治理难度大且成本高，需投入大量人力、技术成本开展相关工作，数据治理工作效率较低。
DeepSeek等AI产品的介入正在改变这一局面。依托自然语言理解和多模态处理技术，AI可以识别发票等固定格式的制式文件，还可智能提取与解析业务申请单、银行流水、物品采购合同等多种非制式文件的信息。在数据治理环节，AI能够通过分析数据字典中的样例数据，基于业务场景智能推断并补充字段属性、业务描述、数据血缘等核心元数据信息，减少人工维护成本。
数据质量管理的效率同样获得显著提升。传统数据质量管理依赖于预定义规则引擎和人工校验，存在效率低、适应性差等问题。DeepSeek通过智能适配企业数据质量规则和高质量数据特征，能够精准识别数据缺失、数值错误、格式不统一等数据质量问题，并完成空值填充、异常数据修正、格式转换等标准化修复操作。
1.2 数据查询与SQL编写：从人写到AI生成
SQL编写是分析师最核心的基础技能，也是AI最容易替代的环节。DeepSeek等AI产品通过自然语言转SQL（NLP2SQL）能力，将用户的自然语言查询转换为结构化查询语句。
在实际应用中，当用户提出自然语言请求时，DeepSeek能够精准进行意图识别，依据数据库的表结构等内容，将自然语言转化为SQL语句，在数据库中进行精准查询，最后将计算结果以业务语言反馈给用户，降低数据分析的技术门槛。这一能力让业务人员可以直接获取数据，不再需要依赖分析师编写复杂的SQL语句。
券商分析师群体也在积极拥抱这一变化。据中信建投证券研究所人士介绍，分析师们认为AI是能力放大镜，更多取代的是脑力活中的体力活，将复杂业务流程不断标准化，分步迭代。未来更可能是人机协同模式，由AI担当助理，分析师负责搭建分析逻辑。
1.3 数据可视化与报告：从手动制作到智能生成
数据分析的最终产出往往是可视化图表和分析报告。过去，分析报告需要分析师手工制作图表、调整格式、撰写文字说明。AI的介入让这一过程变得自动化。
大數據公司的实践具有代表性。2025年，该公司将AI列为年度目标，启动分析部AI转型专案。分析师的典型工作流程中，80%的工作由AI协助完成，20%由分析师把关方向和完成判读。整个数据洞察报告制作流程从5个工作日缩短到1天，效率提升5倍。分析师有更多余裕时间，可以拿着自动生成的报告，主动拜访或开发客户，扩大服务量能。
在智能可视化方面，AI能够根据数据特征自动匹配图表类型，生成相应的可视化代码并完成图表渲染。同时，AI能够智能解析可视化图表，自动提取趋势变化、关键财务指标等信息，将数据分析结果归纳为简明的文字摘要，直观呈现数据背后的业务洞察。
在智能报告方面，AI可以根据预设的报告模板和数据指标，通过NLP2SQL、NLP2API等方式进行相关数据的查询和处理，并结合可视化工具制作图表，然后结合图表趋势生成文字描述，最后整合图表和文字分析内容，自动生成标准化的分析报告。
二、分析师角色的根本性转变
2.1 从执行者到智能基础设施构建者
在智能体AI时代，商业智能团队的架构建立在一个已被推翻的核心假设之上：组织智能的主要制约因素是人对SQL的访问权限。这一假设推动了长达十年的分析投资，催生了庞大的BI团队。
如今这个假设已经过时。制约组织智能发展的不再是查询权限，而是连接原始数据和业务决策的知识层的质量。分析师的角色正在发生根本性转变：以前分析师的输出是一个查询语句，现在则是一个受控的定义，一百个用户无需提交任何工单即可同时进行查询。
这一转变的核心体现在组织设计上。GenBI时代的团队设计遵循不同的原则：一次编码，处处可用。支撑这一理念的是联邦式结构：领域团队拥有各自的数据产品，而中央平台团队拥有运行所有这些产品的基础设施。
2.2 从SQL编写者到语义层架构师
技能提升的方向也在发生深刻变化。在旧模式下，分析工程师是dbt开发人员------编写SQL转换、建模数据、构建分析师查询的干净表。在新模式下，他们是智能层本身的架构师。
一个维护良好的dbt项目本身就是一个语义知识库。模型描述、列级文档、dbt测试和指标定义都是结构化、机器可读且版本化的工件。这正是生成式BI工具生成准确、上下文相关的SQL所需的训练语料库。
懂得如何将dbt项目作为GenBI训练源的分析工程师并非在做一份新工作，他们只是以更高的效率完成现有工作。他们不再构建分析师查询的模型，而是构建用于训练所有人都在查询的AI的模型。dbt存储库成为动态语义层，随着业务的发展不断更新，自动向智能层提供受管控的定义。
2.3 从被动响应到主动洞察
过去的数据分析工作流程是被动的、请求驱动的。业务人员提交需求，分析师排队处理，最终产出仪表盘。智能体AI正在颠覆这一模式。
智能体系统不会等待用户提问，它们会持续监控、推理并呈现信息。分析师的工作从被动响应需求转变为主动构建智能系统，让数据洞察主动呈现给业务决策者。
国金证券引入DeepSeek思维链技术打造的产业链智能挖掘系统是这一趋势的典型代表。该系统通过挖掘最新舆情中的标的、产业链板块、关联度等，分析产业链上下游发展现状，协助研究员快速地认知市场，提升投研效率和质量。研究模式从传统的静态分析升级为智能推理加可解释性分析的模式。
三、能力进化路径与岗位变化
3.1 入门级岗位的替代与转型
AI的发展正在重塑分析师岗位的价值分层。入门级数据分析师（主要承担取数、制表和固定报表生成工作）的岗位价值正在被AI工具快速替代；而能够定义分析问题、设计数据实验、解读复杂因果关系、将数据洞察转化为业务决策的高级数据分析师，其价值反而被放大，因为他们现在有了AI工具的加持，可以在更短的时间内完成更复杂的分析任务。
在券商分析师领域，类似的变化正在发生。AI的发展可能会导致对助理分析师的需求减少。助理分析师承担的工作相对基础，包括资料整理、日报周报撰写、基础数据分析等。人工智能不仅能够胜任这些工作，而且效率更高、成本更低，稳定性更高。此外，AI天然具备越用越聪明的特性，在分析师与AI日常交互中，可以通过辅助提示工程等方式不断改进AI的处理能力，形成人机合作的良性循环。
不过，也有观点认为，从分析师成长路径来看，基础性、重复性工作也是学习成长的必备过程，很难说可以完全跳过。
3.2 高级分析师的能力升维
AI时代，批判性思维、主动探索能力、创新前瞻判断等将成为稀缺能力。过去分析师的核心竞争力在于数据整理、信息归纳和基础建模，而AI现已在这些环节实现高效赋能，使得分析师更需要专注于逻辑推理、因果分析、市场预判和策略制定等高附加值任务。
跨领域的综合能力也将成为重要竞争力。对AI技术的理解、跨学科分析框架的构建，将成为未来分析师的重要竞争力。分析框架构建、产业趋势洞察、企业壁垒评价、创新前瞻判断是分析师的核心能力，而AI大模型技术可以使得分析师成长曲线更为陡峭，通过技术手段提升基础和重复性环节效率，释放精力以聚焦高价值工作。
在AI时代，当信息差逐渐减少、市场共识更容易形成，更需要分析师有挑战一致预期的勇气和发现边际变化的敏锐。对于卖方分析师复合型的综合能力要求会越来越高，其中有深度的思想、品牌IP等价值可能会被进一步放大。
3.3 复合型人才的崛起
AI对数据分析师岗位的影响不是简单的替代，而是推动人才结构向复合型方向演变。数据分析师正在从数据处理者转型为智能决策合作者。未来的数据分析师需要深入理解行业痛点，将模型输出转化为可执行决策，驱动数字化战略落地。
在技能要求方面，市场对数据分析师的要求正在升级。大模型在训练过程中接触了大量SQL代码，能够承担更多为开发人员编写SQL的任务，但SQL本身不会消失。分析师的工作方式在变化，从手动构造查询转变为验证AI生成的查询是否正确。
数据分析从业者的能力进化路径已明确分为两个方向：AI增强型分析师，深度掌握大模型辅助分析工具，将AI工具融入个人工作流，以更高效率产出更高质量的分析；复合型数据科学家，在扎实的统计学和机器学习基础之上，补充对大模型微调、RAG知识库构建和Agent数据分析流水线设计的理解，跨越传统数据分析与AI工程的边界。
四、组织层面的转型建议
4.1 智能层的建设
智能体AI对商业智能功能的作用是增强而非取代。智能体分析的最佳应用方式是建立在已有的数据管道、语义模型和治理框架之上，使AI代理能够直接在公司现有环境中运行。没有捷径可走，基础设施必须先存在，语义层必须构建完成，业务逻辑必须编码完成，而且必须有人来管理它。
正在消亡的是被动的、请求驱动的分析工作流程。智能体AI系统可以在几秒钟内完成分析，而分析师手动收集、查询和验证数据则需要两到四个小时。这种时间压缩并非意味着分析师变得无关紧要，相反，它使得分析师的机构知识，如果被正确编码到系统中，其价值将远超以往仅存在于他们头脑中的情况。
4.2 技能提升的正确方式
大多数组织中关于技能提升的讨论缺乏正确的视角。领导者宣布启动AI技能提升计划，购买平台许可，并衡量在线课程的完成率。三个月后，分析师的行为却没有任何改变。这种方法行不通，因为它把技能再培训视为学习问题，实际上，它是一个工作设计问题。
有效的技能再培训应分层推进。第一层级是面向所有分析师的人工智能素养，让团队中的每位分析师都需要对GenBI工具的运作方式有一个清晰的理解，不是如何配置，而是它们的准确性如何取决于底层语义层的质量。第二层级是高级分析师的语义策展技能，学习如何系统地将SQL知识转化为结构化的语义定义，包括编写精准的业务定义、识别并记录对指标的常见误解、对GenBI工具可作为训练数据接收的注释进行结构化处理。第三层级是面向GenBI的分析工程，已经使用dbt的分析工程师拥有一个尚未被广泛理解的优势，一个维护良好的dbt项目本身就是一个语义知识库。
4.3 人机共智的组织模式
大數據公司的实践展示了人机共智的组织模式。该公司打造了人机共智洞察的协作架构，80%工作由AI协助完成，20%由分析师把关方向并完成判读。在软件开发环节，AI Agent可以24小时持续查核与修正代码，工程师只需在早上上班时检视和核准成果。
大數據公司技术长孟令三强调，在这一波AI浪潮下，AI应该跟专业价值紧密勾结，无论是赋予使用AI的能力，或者AI协助释放生产力，这才是从基层员工到管理阶层最看重的本质。有AI的环节，也有人的环节，人机共智才是未来的竞争力所在。
结语
DeepSeek等AI产品对数据分析师工作的重塑，不是一场岗位替代的零和游戏，而是一次能力迭代的升级机会。那些只需要基础查询和固定报表的工作确实会被AI取代，但那些需要业务理解、逻辑推理和决策判断的工作反而会因为AI的赋能而价值倍增。
正如一位行业观察者所言，与其无差别使用AI工具，应该先梳理工作的核心流程，或者重新拆解，去想象如何跟AI协作，重塑新的可能性。数据分析师的未来不在于与AI竞争，而在于学会与AI协同，从执行者转变为智能系统的设计者和管理者。