ARTICLE · 1048573
AI 时代,数开还靠写SQL吃饭就晚了
最近团队里一个挺典型的场景：新来的运营要一份华东区上月复购率，放在三年前，得排期等数开写 SQL、跑数、对口径，少说两三天；现在直接在指标平台上敲一句话，十几秒出结果，还能顺手追问、下钻。写了七八年 SQL 的老数开坐在旁边，表情多少有点复杂。焦虑是真实的，但更值得想清楚的是：被改写的到底是 SQL 这门手艺，还是只靠写 SQL 吃饭这件事。
一、先看清楚：被压缩的是哪段时间
过去一个数开的精力，大头花在三件事上：手写取数 SQL、写 ETL 和调度脚本、出了问题人工排查对账。这三件事有个共同点——规则清晰、重复度高、能被语言描述清楚，而这恰恰是 AI 最先接得动的活。真正花在建模设计、口径梳理、跟业务沟通上的时间，反而是少数。AI 普及之后，这个比例正在翻转：机械取数、脚本、对账被大幅压缩，腾出来的时间流向建模分层、语义层和治理，以及直接解决业务问题、编排 Agent、做数据产品。
所以别再拿会写多少函数、拼多复杂的多表关联当核心竞争力。取数速度这个优势，在能一句话生成 SQL 的工具面前几乎不值钱。但要说 SQL 没用了，也是另一种极端——它变成了像开车一样的基本功，得会，却不能只靠它吃饭。
二、哪些手艺在贬值，哪些反而变贵了
把数开的手艺摊开看，会出现一条很清楚的分水岭。左边是会写就行的：背函数拼多表的取数速度、模板化的 ETL 搬运、固定报表的重复开发、靠经验排查常见报错、简单的增删改查导表。这些活不是消失，而是价值密度在快速下降，一个人加 AI 能干过去一个小组的量，岗位自然不会再按人头堆。
右边是写好才值钱的：把业务抽象成指标和口径的能力、数据建模和分层架构设计、语义层和指标平台建设、Agent 和提示词的编排调优、质量治理与数据安全，以及最顶端那种用数据真正解决业务问题的产品思维。越靠近判断、权衡和担责，AI 越只能当助手，人反而越贵。值得警惕的是中间地带：如果日常工作八成都在左边那一栏，那确实该睡不着觉；如果在右边持续积累，AI 反而是放大产出的杠杆。
三、一句话取数背后，藏着数开的新主战场
很多人只看到业务那句自然语言有多简单，没看到简单背后垫了多厚的一层东西。一句上月华东区复购率，系统得先做语义解析，听懂指标、维度和时间；去语义层和指标层里找到统一口径、维度、权限和血缘；再自动生成 SQL、选表关联、做下推优化；进沙箱采样核对、做质量拦截；最后给出图表、结论并支持继续追问。这条链路里，SQL 自动生成只是中间不起眼的一环。
真正决定结果可不可信的，是中间那层语义层：复购率到底怎么定义，三十天还是自然月，同一用户跨端怎么合并，谁有权看华东。这些定义、模型、血缘、权限不会自己长出来，更不是 AI 凭空编出来的，得有人一条一条建设和治理。这恰恰是数据开发最该抢的新主战场——业务说得越轻松，背后这层就得越厚，而垒这层砖的人，价值只会更重要。
四、新的能力结构：一张金字塔
把转型后的能力画成金字塔，方向感会清楚很多。最底层是工程基本功：SQL、编程、调度、性能调优，这层不能丢，但它只是入场券，守住不代表有竞争力。往上是中层架构治理：建模、分层、质量、安全合规，这是数开的立身之本，AI 时代要求不降反升。再往上是业务抽象：指标体系、语义层、业务建模、成本和价值衡量，能不能跟业务说上话全看这层。塔尖是创造价值：编排 Agent 和数据产品，直接驱动业务决策。
看这张图就能明白焦虑的解法在哪——不是横向去跟 AI 比谁 SQL 写得快，那是拿短板撞机器的长板；而是纵向往上爬，把重心从执行挪到抽象、架构和决策支持。底层要守，但重心必须上移。
五、怎么转：不是转行，是把自己升级一遍
转型不用辞职重学，按三个阶段推进最稳。零到三个月先用起来，把日常取数交给 AI，同时死磕结果校验，练提示词和核对能力，摸清团队工具链的边界在哪、什么能信什么不能信。三到六个月往下沉淀，补数据建模和分层架构，主动去主导指标口径和语义层建设，把治理、质量、安全做成体系，这些是 AI 替代不了、又能让 AI 更好用的地基。六到十二个月往上走，尝试编排 Agent 解决完整业务场景，把交付物从一张张表升级成数据产品，开始用业务结果而不是表数量来衡量自己的价值。
整个过程里最危险的姿态有两种：一种是拒绝使用 AI，守着纯手工的速度优势，结果产能被会用工具的人拉开；另一种是只会用 AI 出数，却不补上层的建模和业务能力，沦为工具的操作员。最稳的路是让 AI 当放大器，把省下来的时间投到判断和设计上。
写在最后
每一轮技术更替都在重复同一件事：被淘汰的从来不是某个岗位，而是停在原地的能力结构。报表工具普及过一次，ETL 工具普及过一次，数开这个角色不仅没消失，反而越做越靠近业务核心，AI 这一波大概率也一样。SQL 依然值得会，但如果简历和日常的价值支点还只剩写 SQL，那就真的晚了。不如从明天开始，把下一个需求当成练手的机会：让 AI 写 SQL，把精力留给那句业务问题背后的口径、模型和决策。
如需要1对1服务、商业咨询、技术指导、简历修改、面试指导、商务合作的朋友，也可以以长按下方二维码加我个人微信详细对接沟通。备注来源和诉求。
加v，领取15元星球优惠券，限前15名，先到先得
关注「数据与模型之美」，持续分享大数据 & AI 落地的真实踩坑经验。觉得有用的话，点个「在看」转发给同事，咱们下篇见。
作者：陈乔怀古 | 公众号：数据与模型之美
聚焦大数据架构、大模型应用、企业级数据治理的硬核技术号