二十多年前，笔者刚接触企业数据分析那会儿，Oracle 数据库、数据仓库还是很多大型企业项目绕不开的基础设施。那时候我们谈数据分析，首先想的往往不是“我要问什么问题”，而是：数据在哪？怎么抽出来？格式统一了吗？主数据整理过吗？
那时候做一个数据仓库项目，动辄一两年。最大的成就是什么？企业终于能把分散在 ERP、CRM、财务系统里的数据组织起来了。但代价也大——业务要一张报表，IT 排期一周。数据只能回答“昨天卖了多少”，至于“为什么卖了这么多”，得靠人自己猜。
二十多年过去了，笔者最近重新琢磨这个问题，突然发现：我们跟数据打交道的方式，正在发生一次比 Hadoop、云计算甚至自助 BI 更大的变化。
以前，是人学习怎么用数据库和分析工具。现在，开始变成机器学习怎么理解人的业务问题。
这个变化来得太快了，快到笔者发现很多 CIO 朋友其实还没完全意识到——他们的数据团队还在写 SQL、搭看板，而业务部门已经开始把 Excel 扔给 ChatGPT 问“帮我看看这里有什么问题”了。你说这事儿刺不刺激？
一、先把数据整理好——那个 Oracle 称王的年代
这就是数据仓库和 ETL 的时代。Oracle、Sybase 等是主角，核心工作就三件事：建模型、做清洗、统一口径。
笔者那会儿参与过一个移动运营商的数据仓库项目，光是对数据标准就开了两个月的会。财务口径和业务口径对不上，同一个“销售额”三个部门算出来三个数。你说 AI 来了能怎么办？数据先得是一家人，才谈得上“分析”这两个字。
二、数据突然太多了——Hadoop 来了，可业务人员使用数据有难度
互联网和移动互联网一爆发，日志、点击、设备、行为数据涌进来，传统数据库装不下了。Hadoop、数据湖应运而生。
这个阶段最大的变化是什么？数据分析的对象从“订单、客户、财务凭证”扩大到了“一切数据”。日志也能分析，图片也能存，行为轨迹也能查。
但麻烦也来了——这些技术门槛太高，只有数据工程师能玩得转。业务人员离数据反而更远了。笔者见过不少企业，花了几百万搭了数据湖，结果业务部门连怎么取数都不知道，最后还是把 Excel 发给 IT 帮忙导出。
这事儿说起来，有点讽刺吧：数据多了，能用的人少了。
三、看板满天飞，洞察呢？——自助 BI 有黄金点也有陷阱
PowerBI、FineBI 一来，自助分析成了。业务人员可以自己拖拽、钻取、做 Dashboard，不用再等 IT 写 SQL。
这个阶段最大的进步是“数据民主化”。看板铺天盖地，每个部门都有自己的驾驶舱。
但新的问题也冒出来了：看板越做越多，洞察依然稀缺。大家忙着做报表，却很少有人真正回答“所以呢？我们应该做什么？”笔者见过一个零售企业，BI 系统里躺了 300 多张看板，老板每周一看的还是那几张 Excel 表。
从一个极端走向另一个极端，数据分析这事儿，好像一直没找到最舒服的姿势。
四、2023 年那个瞬间——机器开始听懂人话
2023 年笔者第一次用 ChatGPT 分析 Excel 数据时，有一种很强烈的感受：自然语言，第一次真正成为分析界面。
以前是你去适应工具——学 SQL、学拖拽模型、学写公式。现在是工具来适应你。你直接问“上个月哪个品类利润下滑最严重”，它理解意图、定位数据、给出分析。
这不是自动化，这是交互方式的根本改变。数据分析不再是少数人的专业技能，变成了人人可用的对话能力。笔者当时跟一个做 BI 做了十年的朋友聊，他说了一句话：“我们这行，门槛没了。”
五、从“看”到“做”——AI 的下一步不是回答，是行动
到了 2026 年，笔者在上一篇《中国中小企业 AI 升级的五大风险与挑战》里也提过——AI 智能体正在从“回答问题”走向“主动发现并推动行动”。
以前的分析终点是一张 Dashboard，人看了之后自己去发邮件、开会、走流程。现在 AI Agent（智能体）开始具备规划、调用工具、分析验证、给出建议、触发后续动作的能力。
数据分析的真正终点，可能不再是“看到”了什么，而是业务行动被直接触发。
一张图把这条线串起来
笔者把这条演进路径画成了一条链：Database → 存好数据 → Data Warehouse/BI → 看懂数据 → Big Data/Data Lake → 分析更多数据 → Self-Service BI → 让更多人分析 → GenAI → 直接和数据对话 → AI Agent → 让 AI 主动分析 → Process/Action → 推动业务行动。
前四个阶段，本质上都在解决“让人类更好地看数据”。而从 GenAI 开始，我们进入了一个全新的领域——让机器理解人类的业务问题，并推动解决。
这个转折啊，笔者觉得比当年从 Oracle 到 Hadoop 的跨越还要大。因为前面的变化都是“工具升级”，这一次是“交互方式的重置”。
最后，留三个问题给正在思考数字化转型的 CIO等管理者
第一，你公司的数据基础，真的准备好让 AI 使用了吗？ 如果数据还在 Excel 里、口径还不统一、质量还有问题，AI 再聪明也没用。关于这一点，笔者在上一篇《五大风险》里专门写了“基础风险”这一节，就不再展开了。
第二，如果员工以后不再打开十几个 Dashboard，而是直接问 AI，你现有的数据平台和 BI 体系应该如何变化？ 这不是技术问题，是架构和治理问题。
第三，如果 AI 已经发现问题、分析原因并给出建议，下一步为什么还要靠人手工发邮件、找人、建任务、发起流程？
第三个问题是笔者最近想得最多的。笔者越来越觉得，AI 时代的数据分析终点可能不再是一张 Dashboard。它真正的终点应该是：Data → Insight → Decision → Action → Process → Feedback。
数据产生洞察，洞察辅助决策，决策触发行动，行动进入流程，流程执行结果重新成为数据。
如果这个闭环真正形成，数据分析、AI Agent 和 BPM 之间原本清晰的产品边界，也许会越来越模糊。这件事，可能才是 CIO 们在未来三年真正需要关注的方向。