每隔几年，数据行业就会制造一场对于自身劳能源危急的连系。2010 年代，是自助 BI 的兴起："如果业务用户不错我方构建姿首板，分析师会怎样？"

2020 年代初，是现代数据栈："如果任何东谈主齐不错点击三下就启动一个管谈，数据工程师会怎样？"

这两种对话产生的杂音远多于贬责有策画，因为潜在的问题被造作地构建了。问题从来不是这些扮装会存活吗？ 问题恒久是这些扮装会酿成什么？

AI 的对话正在受命一样的模式，但赌注更高、声量更大。LinkedIn 上充满了自信的展望：数据工程师将在三年内被淘汰，AI 会写通盘的 SQL，或者一个教唆工程师就能完成通盘这个词分析团队的责任。

另一边，一样自信的安抚：数据东谈主是安全的，因为 AI 无法交融业务波折文，基本面不会改革，或者学 dbt 就好了。

两个阵营齐看错了发轫。问题不是数据扮装是否存活。问题是这些扮装将贬责什么问题以及为谁贬责。 阿谁问题的谜底即是看重对待 AI 的组织中数据团队本质上应该是什么样的谜底。

谜底不是更少或更多的数据扮装，而是不同的扮装。围绕一个根柢不同的数据消耗者来想象。

要交融为什么，咱们需要回到基本面。

1、目下语境下什么是数据扮装

忘掉职位称号。分析师、工程师、科学家、架构师等等。问问每个数据扮装有什么共同点。

每个数据扮装的存在齐是为了贬责并吞个问题的某个版块：

……将正确的信息，以正确的体式，在正确的时分，传递给正确的消耗者，以消耗者不错信任并据此活动的方式。

这句话包含四个变量：信息、体式、消耗者、信任。一个数据扮装由它主规范有哪些变量，以及为哪个消耗者办事来界说。

数据工程师领有体式：管谈、模式、调换、使数据可造访和可靠的基础门径。

分析师领有信息：解释、查询、被问的问题。

数据科学家领有忖度：从噪声中提真金不怕火信号，构建能展望原始数据无法平直揭示的模子。

数据架构师领有结构：使通盘其他扮装成为可能的系统想象。

通盘这些扮装在历史上齐有一个不言而谕的假定，即消耗者是一个东谈主类。一个简略容忍磨蹭性、建议后续问题、愚弄机构学问并使用判断力来填补数据明确表述中空缺的的东谈主类。

这个假定现在是造作的。或者更真的地说，它是不好意思满的。

2、什么改革了：AI 消耗者的到来

AI 代理不是被迫恭候问题的 AI 助手，而是接收活动、调用器用、查询数据和作念出决策的自主系统。这些实体正在成为企业数据的活跃消耗者。

这不是翌日情景。这是现时情景，况兼正在加快。

被指派监控库存的代理将自主查询库存水平。管束客户疏浚的代理将在莫得东谈主类指示的情况下拉取 CRM 数据。生成财务摘录的代理将平直调用数据仓库，解释它发现的内容，并据此接收活动。

这些代理不会浏览姿首板并应用判断力。它们发出查询、采取效果，然后以机器速率、大领域地不时前进，莫得东谈主类分析师提供的解释缓冲。

这在数据劳动的历史上创造了一个史无先例的问题。

一个遭遇名为 flag_A 列的东谈主类分析师不错问它是什么道理。一个遭遇 flag_A 的 AI 代理将忖度它的含义并自信地不时前进，不管对错。

东谈主类对数据的磨蹭容忍度、暂停、质疑和考证的能力，在自主系统中不存在。代理不会因为数据令东谈主困惑而减速速率。 它会不时，使用它可用的任何波折文，生成看起来巨擘的输出，不管输入是否连贯。

这改革了数据基础门径必须提供的东西。也改革了数据扮装必须作念的事情。数据栈是为办事东谈主类消耗者而构建的。

数据团队现在必须重建它，或至少扩展它，以办事 AI 消耗者。这两类消耗者险些莫得共同点。

3、新领土：代理时间正在创造的扮装

以下不是会出现在 LinkedIn 上的职位称号列表。其中一些如故存在于先进的数据组织中。一些正在以不同的称号被创建。

它们分享一个共同的发源：它们的存在是因为 AI 数据消耗者有着东谈主类消耗者从未建议过的要求。

3.1 波折文工程师

这是数据劳动中最庞杂的新扮装，一年前在更平庸的市齐集险些不存在。

波折文工程师的责任是想象和构建为 AI 代理提供正确开动所需信息的系统：不单是是数据自己，还有围绕它的含义。

这个列代表什么？

已知的例外是什么？

在这个领域中，"客户"的业务界说是什么，与"潜在客户"比拟？

代理当该从这里的空值与何处的空值忖度出什么？

文档是为简略阅读、解释和应用判断力的东谈主类编写的。而波折文工程将机器可读的含义镶嵌数据基础门径自己（在公约中、在元数据中、在骨子中、在语义层中），以便消耗数据的代理赢得正确使用该数据所需的解释支架。

所需的妙技很不寻常：对 AI 系统怎样处理信息的深刻了解，集合对业务领域的严格交融，集合慎重建模含义的能力。 它处于数据架构、学问工程和认识科学的交织处。

3.2 数据产物司理

这个扮装存在于数据栈和业务的鸿沟上，跟着组织从原始数据集转向托管数据产物，它正在结构上变得愈加剧大。

数据产物不是一个附带姿首板的数据集。它是一个浩大的、托管的数据基础门径单位，具有

明确的公约（它痛快委派什么），

质地保证（它看守什么圭臬），

语义界说（它的字段慎重、一致地意味着什么），

界说的消耗者（它为谁办事和为什么决策），

以及通盘权（谁负责它）。

管束这是一个产物管束问题。数据产物司理领稀有据产物的生命周期：交融消耗者需求（东谈主类和代理），天博官网(TBSports)界说产物痛快什么，与工程师联接构建和留意它，确保公约得到校服，并在产物不再办事于其目的时退役它。

这种学科模仿自软件产物管束，但领域透彻不同。软件产物办事于用户体验。数据产物办事于决策，这意味着质地圭臬、公约想象和失败模式齐不同。

跟着 AI 代理越来越多地自主选拔和消耗数据产物：通过目次发现它们、评估它们的公约、决定是否信任它们，参加数据产物的产物想维平直成为 AI 驱动责任流得胜与否的流毒。

3.3 语义架构师

语义层争论（业务逻辑存在于栈中的什么位置）如故捏续了十年。代理时间贬责了它，或者至少使好坏关连满盈明晰，以致于组织弗成再推迟谜底。

业务逻辑必须存在于一个巨擘的、一致的、机器可读的地点。不在惟一 BI 开导者才能造访的 BI 器用中。不在编码了一个团队对"收入"解释的调换剧本中。不在分析师的脑海中。在一个 AI 代理不错到达、查询和信任的地点。

语义架构师想象并留意这一层。他们负责业务界说在通盘系统和通盘消耗者之间的一致性。他们决定"活跃客户"在营销数据产物、财务数据产物和面向代理的 API 满意味着一样的事情。

他们想象骨子，即实体和关连的慎重结构，赋予数据语义连贯性。当两个领域以不同方式界说并吞宗旨时——他们老是这么作念——他们负责贬责打破。

这个扮装在宗旨上并不崭新。学问工程师和骨子学家在学术界和专科企业环境中如故存在了几十年。崭新的是企业的紧要性。

3.4 AI 数据质地工程师

数据质地工程一直存在。崭新的是庞杂的失败模式的性质。

当东谈主类消耗数据时，质地问题常常是可见的。一个看到方针整夜之间跳升 400% 的分析师会问是不是出了什么问题。一个遭遇与上周数字矛盾的阐述的业务用户会要求考察。东谈主类消耗者提供了一层健全性查验，这层查验正因为有用而是不可见的。

AI 代理不提供这少量。还莫得。一个采取到数据质地失败的代理，比如模式变更、预期值处的空值、或者使方针推广的访佛业，将使用它收到的任何内容不时前进，可能在职何东谈主防御到之前，通过通盘这个词自动化责任流级联传播该失败。

AI 数据质地工程师恰是为此而想象。他们的责任不单是是考证数据是否安妥预期的范围和模式（那是基本的门槛）。他们的责任是为机器消耗者想象质地框架：自动检测代理无法自我改良的失败、使痛快机器可读的质方单约，以及在退化通过代理责任流传播之前拿获它的可不雅测性系统。

3.5 代理责任流架构师

跟着组织部署 AI 代理来推广数据密集型任务，需要有东谈主想象这些代理操作的责任流。这不是传统道理上的数据工程扮装。它更像是自主历程的系统想象扮装。

代理责任流架构师回复以下问题：

这个责任流中的哪些决接应该由代理自主作念出，哪些需要东谈主类审查？

现代理遭遇它无法解释的数据时会发生什么？

代理操作怎样被记载、审计和可逆？

在并吞数据上操作的多个代理怎样调解以幸免打破？

现代理在责任流半途失败时，回退策略是什么？

这些问题不是大多量现存扮装被想象走动复的。数据工程师专注于管谈。ML 工程师专注于模子。数据架构师专注于系统想象。代理责任流架构师领有这些领域之间的空间（自主数据历程的操作逻辑），这是一个真实新的想象问题。

3.6 AI 治理行家

治理不是崭新事。崭新的是治理必须治理什么。

传统的数据治理主若是对于造访：谁能在什么条款下看到什么，有什么审计追踪。这仍然很庞杂。但代理 AI 引入了一层造访落幕无法贬责的治理：对针对数据作念出的自动化决策的治理。

当 AI 代理对数据接收活动（对客户进行分类、标志交游、生成推选）时，该活动即是一个决策。在很多行业和功令统带区，决策有问责要求：谁作念出了这个决策，基于什么，使用什么数据，受什么审查？一个无法回复这些问题的自动化代理即是一个治理包袱。

代理时间的 AI 治理行家负责确保使用企业数据的 AI 系统作念出的决策是可审计的、可解释的和合规的。他们在法律和监管要求、数据架构和 AI 系统想象的交织处责任。这个扮装需要期间教悔（足以交融代理怎样消耗数据）和战略教悔（足以知谈监管本质要求什么）的集合。

这不是一个软性扮装。跟着 AI 监管的熟谙——它如实在熟谙（各功令统带区进度不同但主张一致）——无法讲解其对 AI 驱动的数据历程的治理的组织濒临真实的法律和声誉风险。

4、正在被~~淘汰~~再行界说的扮装

数据劳动中的每个扮装并莫得被替代。大多量正在被进步——如果从事这些扮装的东谈主孤高前进的话。

数据工程师正在成为代理数据基础门径的系统架构师。管谈布线——将数据从 A 可靠地挪动到 B 的任务——正在越来越多地被自动化。保留住来并升值的是架构：想象办事 AI 消耗者的系统，构建使代理可消耗的数据产物成为可能的元数据和公约基础门径，以及管束一个现在同期办事东谈主类和机器消耗者的栈的复杂性。

数据分析师正在成为决策智能行家。拉取数据和构建圭臬阐述的大量责任正在被自动化。保留住来的是分析师原始责任中最高价值的部分：交融本质上需要作念出什么决策，想象作念好这些决策的框架，评估 AI 生成的分析是否正确且得到了安妥的波折文化，以及在业务问题和数据系统之间进行翻译。

数据科学家正在分化。一个分支走向 ML 工程：模子在分娩中的运营化和留意，跟着 AI 系统的激增，这变得越来越复杂。另一个分支走向不错被称为决策科学：应用统计和因果想维来评估 AI 驱动的决策是否本质收尾了它们想象的主张。

共同的干线：每个扮装中的大量责任正在被自动化。 不可减少的东谈主类责任（判断力、波折文、架构想维、问责）正在扩展。扮装莫得被淘汰，而是在朝上再行分拨。

5、新数据扮装的本质道理

这张舆图的本质道理不是组织需要立即雇用六个新的职位称号。大多量这些功能率先将由现存团队成员中那些有广度和肄业欲去扩展到这些领域的东谈主来承担。

这张舆图对组织想象的启示：

以消耗者来想考。

传统数据团队围绕它分娩的东西来组织：管谈、阐述、模子。办事代理型组织的数据团队需要围绕谁消耗其输出来组织，并意识到 AI 代理现在是一等消耗者，其需求与任何业务用户一样真实和尖酸。

在 AI 层之前投资语义层。

每向一个语义不连贯的数据环境添加一个新的 AI 消耗者，齐会成倍增多那种不连贯的资本。从 AI 驱动的数据责任流中赢得最大价值的组织是那些起初作念了基础责任的：一致的业务界说、托管的数据产物、随数据沿途传递的公约。AI 层会复合它底下的任何东西，这不错说应该是先建树底下的问题再在上头添加更多东西的最令东谈主深信的论据。

为数据产物创建明确的通盘权。

在大多量数据组织中，数据集有通盘者。具有明确公约、质地保证、语义界说和消耗者关连的数据产物莫得。数据产物司理扮装的存在即是为了填补这个空缺。莫得它，随时分留意数据产物的顺次默许莫得包摄，数据产物会退化为数据集。

为决策构建治理。

大多量组织现存的治理框架被想象来落幕谁能看到数据。它们不是被想象来审计用什么数据作念了什么决策，或者确保这些决策是可解释和合规的。这是代理时间将炫耀的结构性缺口，炫耀的代价将与组织的运营有若干开动在 AI 驱动的数据决策上成正比。

6、新的组织架构图

现代数据团队是为办事分析师和业务用户而构建的。在阿谁天下中，天花板是一个治理邃密、可造访、高质地的数据环境。好的数据进，好的洞悉出。

代理数据团队是为同期办事东谈主类和机器而构建的。在阿谁天下中，天花板是一个含义被管束、公约被校服、决策可审计的环境，AI 代理不错在其中以多年来最佳的东谈主类分析师所赢得的同等信任度来操作。

这是一个实质上更高的圭臬。得志这些圭臬的扮装现在正在被创造——或然用新的头衔天博体育官方网站，更多时候是现存扮装的无形扩展——险些老是相对于其庞杂性参加不及。