AI 取代的不是数据科学家，是错的那一类

现在有两类数据科学家。

我曾经是错的那一类。下面是我怎么发现的。

两天。我花在一份报告上的时间。不是两天懒散的日子，是真正的、眼睛熬红、笔记本电脑开到半夜的两天。

我清洗了数据。每个公式核对了两遍。图表打磨过。执行摘要写得锋利到能割手。因为我的老板 Sandy 说这份东西紧急。

所以我发了出去。第二天早晨我走进她办公室想讲解发现……我的邮件还原封不动躺在她屏幕上。没打开过。

从那一刻起我明白了一件事（这是我没跟多少人讲过的部分）：我正在把职业生涯建立在没人使用的工作上。没人打开的仪表盘。没人读的报告。死在 Slack 里的模型。哪也不去的”洞察”。

而如果哪天领导层从电子表格里抬起头问一句”这个数据科学团队到底为我们做了什么”，我给不出他们在乎的答案。

我错在哪——你可能此刻也错在哪

我以为我的工作是产出分析。不是。我的工作——对签我工资条的人唯一要紧的工作——是产出推动资金流动的决策。这两者不是一回事。

“这是洞察” → 报告被归档、被遗忘、被无视。

“这是正在发生什么、为什么重要、以及这周我们该做的一件事” → 那种会议上人们会身体前倾。

理解了这个差异后，一切都变了。18 个月里，我的部门从每年 300 万美元做到 1500 万美元。我的老板不再是 Sandy，变成了 CEO。**两年三次晋升，薪水从 7 万涨到 15.5 万美元以上。**2018 年的 15.5 万，大约相当于今天的 25 万。

两条正在成形的赛道

赛道一——商品化分析师（年包 6.5 万美元且在缩水）：你做笔记本、建仪表盘、跑报告，每周有人让你”重跑一遍，换个切法”。你的洞察变不成行动，你是一个等着被砍的成本中心。这不是侮辱，这是曾经的我，也是现在大多数数据科学家。

赛道二——AI/DS 系统构建者（年包 15 万至 20 万美元以上）：你不只是回答问题。你构建的系统自动回答问题、生成推荐、把决策推进到业务已有的工具里——不需要你在场。

老问题：“你能建一个模型吗？”

新问题：“业务能不能运行你建的东西——没有你——来跑得更快、赚更多钱？”

第二个问题才是让你升职的那个。

到达那里的 90 天路线图

每天 2-3 小时，没有废话。

第 1-2 周：锁死基础。 Python、Pandas/Polars、SQL、云集成、机器学习基础。这些要是松了，上面的一切都会塌。练习标准是数据处理任务的速度和稳定：能快速导入原始数据、清洗后输出可分析的表。

第 3-5 周：学会用工作流思考，而不是提示词。 用 LangChain 构建检索链路，用 LangGraph 配置智能体设计——状态、记忆、重试。护栏与评估框架。这是你从”ChatGPT 用户”变成”系统构建者”的地方：不再单次调用模型，而是配置一套自动运行的流水线。

第 6-7 周：多智能体系统。 单个智能体有用。多个智能体协作的系统——一个做预测、一个做解读、一个生成挽留方案、自动推进到 CRM——才值 20 万美元。

第 8-9 周：能证明这一切的作品集。 客户分群智能体（聚类加检索增强）。线索评分流水线（预测模型接 CRM）。流失预测副驾驶（分类模型加自动推荐）。不是玩具项目，是真做真事、能评估效果的系统。

最危险的动作是决定”再想想”

因为赛道二的人没在等。他们这个月交付一个工作流，下个月再一个。六个月后他们在完全不同的水平上运转。一年后他们在不同的职业里。同样的起点，不同的选择。

原文信息

作者：Matt Dancho（@mdancho84），数据科学培训师 原文地址：