关键不是把数据产品换个AI标签,而是让AI进入用户使用时的运行环节,并把你的角色从做报表、做分析,转到设计系统、定义评估和编排流程。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先分清“开发时用AI”和“产品运行时用AI”
立正给出的判断标准是:看用户使用时AI是否参与runtime。AI只在开发过程中帮你写代码,那只是AI-assisted building;AI在产品运行时读取上下文、调用工具、做决策、执行任务,才算AI产品1。他还把AI产品分成六层,从薄prompt工具、RAG、能调用工具的应用、固定流程里的AI,到能自己计划并循环执行的智能体核心,最后是带记忆、权限、评估和主动触发的AI-native系统1。对数据产品来说,这意味着转型的起点不是加一个聊天框,而是问:用户原来的分析、判断、取数、报表动作,哪些可以交给AI在运行时完成。
从“做一段执行”转到“设计系统如何出结果”
立正以Data Scientist为例说,原来“分析、建模、报表、实验”这类中间层动作,大量会被AI压缩;更好的打法是往“更接近模型、也更接近结果”的位置走,名称不重要,重要的是负责设计整个系统如何用AI把结果做出来2。他列了四件事:把模糊业务问题翻译成AI能消费的context;设计eval、反馈回路和标准;编排模型、工具、数据和流程;判断什么该自动化、什么该人工接管、哪里真正创造价值2。这四点正好可以当作数据产品转型的工作清单:先选一个具体场景,把“谁在什么条件下得到什么结果”写清楚,再补评估和人工兜底。
行动优先,但别停在聊天框里
AI推演立正对数据人的建议是:工作内容一定会大变,什么都不改才是最risky的选择,所以第一个问题不是“怎么变”,而是“要不要变”3。他还提醒,一定不能停留在聊天框里,要用AI和agentic coding工具,让AI成为杠杆,而不只是对话伙伴3。放到数据产品转型上,可以先挑一个现有功能,试着让AI在运行时承担其中一步判断或取数,并同时定义好评估标准和人工确认点;观察它是否稳定、可控、可迭代,再决定扩大范围。这是AI基于上述判断的应用建议,不是原文给出的固定流程。
提供的片段没有具体讲某个数据产品(如BI、报表、指标平台)的转型案例,也没有给出评估指标或落地步骤的细节;上面的场景选择和应用建议属于AI的推演,需要结合你的产品实际验证。
出处
- 1AI产品的六个层次
给出判断AI产品的核心标准(运行时是否用AI)和六层分类,是转型方向的框架。
- 2AI时代,大厂打工人的五条路
以Data Scientist为例说明从执行转向设计系统的四件事,可直接当工作清单。
- 3AI会干掉中产吗?一场来自科技从业者的深度对话
针对数据人的具体建议:行动优先、不要停在聊天框、用AI做杠杆。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。