做数据分析，也在探索 AI、商业分析与商业化的交叉方向。想理解 AI 时代分析工作的价值、职业选择和做真实项目，最值得先读哪些文章、看哪些视频？请给出阅读顺序和理由。

《到底什么才算AI Native人才？》适合作为起点，因为它把问题从工具拉回到目的：数据分析交付的不是 SQL、Dashboard 或模型，而是更好的决策——做 A 还是做 B，价值增量在哪⁠2。只有先认清这一点，才能判断 AI 到底有没有让分析变好。文中还提醒，AI 像一根突然变长的杠杆，方向判断对了会放大专业能力，方向错了也会把错误做大⁠2。探索 AI、商业分析与商业化的交叉，这篇先帮你确定“值不值得做”的判断标准，再谈怎么做。

《不要一上来就让 AI 判断一百万条数据》给了一个可迁移的分工：确定性的规则交给程序，模糊、需要上下文的部分交给 AI，最终判断留给人⁠1。它举的例子是百万条数据先筛到五万条可疑数据，再让 AI 处理，并用 precision/recall 和 false positive、false negative 持续校准⁠1。这套思路不只适用于数据清洗，也可以用来设计自己的分析工作流：哪些环节能被规则固化，哪些需要 AI 理解上下文，哪些必须由人拍板。

《AI时代，大厂打工人的五条路》里“在组织内做进攻性转型”这条，直接对应数据分析的处境：原来的数据科学家大量动作是理解一点业务、输出一点洞察，这些容易被 AI 压缩⁠4。更值钱的位置是设计系统如何用 AI 把结果做出来，具体能力包括把模糊业务问题翻译成 AI 能消费的 context、设计 eval 和反馈回路、编排模型与流程、判断什么该自动化什么该人工接管⁠4。名字是 AI engineer 还是 builder 不重要，重要的是在设计系统，还是在维护流程⁠4。