特种书童2023 年底，一则 Google 裁撤数据科学家的新闻引起业内关注。有媒体猜测，Google 计划用 AI 自动化取代部分人力，导致数据科学家岗位减少。而在最近两年，随着 AI+BI 的产品形态逐渐普及，这种岗位裁撤风潮大有蔓延趋势，从新零售到金融，最终传递到工业领域。

　　尤其是在工业领域，行业壁垒较高，数据分析师本就是稀缺物种。如今，这一岗位的编制或面临进一步缩减。

　　AI 冲击数据分析师岗位的第一步，是将取数、做报表、给出分析结论等一系列工作，通过自然语言自助化完成，将任务交付时间压缩至分钟级。

　　到了 2025 年，AI 的职能边界进一步扩张。甚至不需要老板下命令，就能根据企业所在的领域、所积累的数据，将合适的数据以恰当的方式，主动推送给对应的负责人。

　　本质上，老板需要的不是数据，而是业务洞察，且洞察方向随着业务的开展，会不断出现变化。但岗位职能不同，接收到的上下文也不同，员工绞尽脑汁，耗时数天至数周给出的报表，通常也很难令老板满意。从前，企业被迫接受这一事实，苦恼的是业务一号位以及 HR；现在，AI 正在重新制定“游戏玩法”。

　　数据找人、无问智推？数据分析师会在多大程度上被 AI 取代？InfoQ 特别采访了涛思数据创始人 &CEO 陶建辉，聊了聊涛思数据最新的发布，以及 BI 类产品正在发生的变化。

　　2025 年 7 月 29 日晚，TDengine 发布了一款全新产品 —— TDengine IDMP（Industrial Data Management Platform，工业数据管理平台），以“用 AI 改变数据消费范式”为主题，主打让数据自己说话，不用提问或拉取数据，而是将实时业务洞察所需要的可视化面板、实时分析任务主动推送给你。

　　在笔者眼中，陶建辉老师始终是一位情绪非常饱满的持续创业者。自 2008 年开启移动互联网领域 IP Push 与 IP 实时消息服务的创业之路起，到后来深耕时序数据库 TDengine，他一路走来始终保持着充沛激情。而当发布 TDengine IDMP 产品时，他的兴奋之情尤为强烈 —— 尤其是对其核心功能 “无问智推”，更是寄予厚望，坚定认为这是在 AI 时代下，足以带来 “范式革命” 的关键产品。

　　要回溯这种兴奋的源头，我们必须要明白 BI 类产品在数据的供给和消费问题上，长期以来所面临的问题。

　　报表式 BI 最早于上个世纪就出现了，是最原始的形态：IT 人员先建模、后出表，通过邮件进行分发，业务人员仅负责提出需求和查看结果。这种 BI 本质上只是在解决“没有数据可看”的问题，是信息化的早期产物。

　　除了功能受限，报表式 BI 的另一大问题在于，技术人员完全不理解业务，建模速度也跟不上业务发展。于是自助式敏捷 BI 出现了，主打一个“还政于民”，建模的主体变成了业务人员，建模的方式是拖拉拽，同时通过实时连接数据仓库或大数据引擎，解决“数据时效性差”的问题。

　　不过，“还政于民”，初衷是好的，结果却不尽如人意。太多的人有权限进行数据建模，导致“数据沼泽”出现了，企业经营数据甚至做不到口径上的统一——同样叫做“毛利率”，但在销售部门和运营部门是完全不同的算法。

　　于是大约 2019 年之后，指标化 BI 产品开始出现。指标化 BI 是在数据仓库 / 数据湖与 BI 工具之间构建一个“统一指标语义层”，意思就是要对基础的指标和计算口径进行共识，比如：销售额 = 含税成交总额 - 退货额，这一公式只允许存储一次。数据维度、修改历史都做好限制和记录。

　　指标化 BI ，等于在一定的限制下，“还政于民”。那么，指标化 BI 解决得了产业的问题吗？Gartner 等研究机构并未针对指标化 BI 产品做单独的落地成功率统计，但 2021-2023 年对“整体 BI/ 数据分析项目”的统计区间显示，超过 60% 的 BI 项目未能达到预期效果。

　　抛开纷繁复杂的大数据技术名词，BI 类产品进化与拉扯，始终是在解决“人”的问题。

　　人无法做数据化决策，所以出现了报表式 BI ；技术人不懂业务，所以出现了自助式敏捷 BI ；业务人自说自话，所以出现了指标化 BI 。而在任何一家公司内，具备深度业务认知，且能紧跟业务发展，用数据建模的思维组织材料，敏捷生产洞察报告的人才，都是极少的。所以即便我们发明了“数据分析师”这个岗位，也依然不能将 BI 落地的成功率提高。

　　当这一问题出现在新零售领域时，其严峻程度或多或少是被冲淡了。毕竟，像库存周转率、订单满足率这类数据指标，即便不明确计算公式，多少也能理解其反映的业务情况。但在工业领域，许多数据指标是与工艺联系在一起的，理解成本骤然上升。

　　比如在烟草行业，需要关注的指标有：回潮温度、打叶效率、叶丝填充值、蒸汽单耗等，不但要理解其含义、计算方式，还要意识到，这些指标在数值上，是有参考标准和取值范围的。

　　每一年随着工艺和法律法规的变化，相关指标的参考标准都有可能发生变化。比如 AI 视觉检测技术成熟后，烟草行业的残次频率已经从 0.8% 降到了 0.12%。不要以为这一数据变化只有汇报价值，据烟草行业测算，一家中型烟厂每年可因此节省原料成本超过 222 万美元。

　　一个普通业务人员，很难做到对这些工艺指标、取值范围、每年变化了如指掌，甚至即时调整数据建模，产出对应的报告。

　　直到 2022 年， AI 打破了这一逻辑，AI 的知识量与工作效率，对于人而言是“降维打击”。到了 2025 年，AI Agent 端到端任务平均通过率已经突破 70%，对 Level-1 级难度的任务通过率已经突破 85%。

　　从前在企业内缺位的数据专家，今天可以由 AI Agent 出任，这是 TDengine IDMP 所做的事情，也是陶建辉老师为何如此兴奋。

　　那么，所谓的由 AI Agent 出任数据专家，实现“数据找人”，是对 ChatBot 进行简单套壳吗？是单纯地集成一个 DeepSeek 吗？

　　大数据平台，尤其是工业领域的大数据平台，不光是解决数据分析问题，也是在解决数据的采集和治理问题。涛思数据的前置技术积累是充分的，在时序数据库上，有性能强大且具备开源口碑的 TSDB 做支撑。

　　TDengine TSDB 单个集群可以支撑起 10 亿级测点，配合高效的存储引擎，整体成本是通用平台的十分之一。它具备良好的系统开放性，支持 JDBC、ODBC、REST API 等接口，能够与 MES、ERP、AI 等企业系统无缝集成；支持数据订阅，数据不仅能流进来，还能实时流出去，不被厂商绑定；部署方式也更灵活，兼容 Windows、Linux、虚拟机、容器等多种环境，适配各种工业现场需求。

　　TDengine TSDB 是一个基础，保证 TDengine IDMP 可以高效获得业务数据。接下来， TDengine IDMP 基于采集到的实时数据，创建数据目录，做好数据标准化、数据情景化。

　　数据目录其实是数据孪生会涉及的概念，解决“数据在哪、属于谁、长什么样”的问题，AI/BI 工具可直接按目录路径调用数据，无需再写复杂 SQL。

　　数据标准化的目标是为了让跨系统数据可比、可用、可信，价值接近我们前面提到的“统一指标语义层”。

　　数据情景化，是为了让任何一条时序数据都能回答“它代表什么、在什么场景下、跟谁有关”，解决前面提到的“取值范围”问题。

　　接下来，TDengine IDMP 会通过内置的 Agentic AI，配合业务知识库，感知具体应用场景，自动生成指标、报表和分析任务，并主动推送业务洞察。其他核心能力还包括：

　　智能可视化：“无问智推”能够驱动 AI 根据当前业务场景自动生成可视化看板，告别手动配置

　　此外，IDMP 也率先将 Git 思维引入到数据建模与治理中，支持多人协同建模、版本追溯，使工业数据管理像管理代码一样高效、可控。

　　实际上，TDengine IDMP 的野心很大，它并非想单纯给工业大数据平台加一个 ChatBI，而是希望提升从数据采集到业务决策的整个链路的效率。涛思团队技术人员，在官方博客上，也对这种针对性设计做了解读：

　　“IDMP 的目标，是让数据从进入平台的第一刻起就‘有名有姓’，并沿着同一条语义化管道，稳定流向实时分析、事件管理和业务决策。”

　　陶建辉老师本人对 TDengine IDMP 的期待甚至还要更宏大：数据的消费范式正因此出现变革。

　　另有接近涛思数据的人士透露，目前团队围绕 TDengine IDMP 和智能制造领域企业的合作，如烟草、光伏、电力，已经在洽谈和推进中，来自客户侧的反馈和需求可能会进一步加快 TDengine IDMP 的迭代速度。

　　从 TDengine IDMP 发布，到“数据找人”逐步成为业界的新风潮，智能制造正在逐步迈入新阶段。过去，人们对制造业存在某种“偏见”，认为其：薄利、固化、封闭、缺少标准，因而转型困难。

　　但随着如 TDengine IDMP 般的产品进入，制造业携移动互联网时代积累的通信、大数据技术，跑步进入智能化时代。整个产业因此变得更加灵动，变得更具生命力。产业进化的信号，即是发生在 2025 年的数据消费范式转移：从“人定义问题→找数据→等洞察”到“AI 定义场景→推数据→给行动”，传统数据分析师的职能被三个不可逆的结构性变化彻底消解：

　　技术替代：像 IDMP 般的工业大数据平台，将“业务认知 + 数据建模 + 实时推送”封装成基础设施，使 90% 的常规分析需求无需人工干预。

　　成本重构：当 AI 能以工程师 1% 的成本完成设备预测性维护分析（国家电网案例），“招一个分析师”从投资变成冗余。

　　权力转移：数据消费权从集中化的分析团队下沉至一线操作员——AI 用自然语言告诉工人“第 3 号锅炉需降负荷”，而非等待分析师的周报。

　　最终形态或许是，工业领域将出现真正的“数据零接触”组织——数据分析师的岗位描述从“提取洞察”变为“训练 AI 的业务规则”，而其编制规模随自动化率提升呈指数级萎缩。

　　至少，未来业务人员使用大数据平台，既不需要集中培训，也不需要排队等待 IT 人员定制 SQL。