分析师与 AI Agent 最有效的分工，不是把整个专案丢给 AI，而是让 Agent 加速 schema 探索、SQL 初稿、重复查询与报告草稿；分析师保留问题定义、业务口径、验证设计、异常解释与决策沟通。前者节省操作时间，后者决定结果是否值得相信。
先按「可验收程度」分，不按职称分
Agent 适合承接有明确输入、可观察输出与可重跑检查的工作；人类应主导需要情境判断、责任承担或跨部门协商的工作。
| 工作 | Agent 可先做 | 分析师必须负责 |
|---|---|---|
| 资料理解 | 列 schema、型别、NULL、候选 key | 判断栏位真正业务语意与资料缺口 |
| SQL | 草拟 JOIN、聚合、重复步骤 | 审 grain、分母、时间窗、fan-out |
| 验证 | 跑 row count、distinct、异常值检查 | 决定什么差异可接受、补哪个测试 |
| 报告 | 整理发现、表格与段落初稿 | 解释原因、区分相关与因果、给建议 |
| 沟通 | 依模板重写受众版本 | 面对追问、承诺与风险取舍 |
这也解释了为什么「AI 写得比我快」不是完整的生产力指标。若省下 20 分钟草拟，却多花两小时追查不透明的数字，工作流反而退步。
Quick 路径：让 Agent 当探索加速器
适合 Quick 的任务包括：列出栏位、找状态值、产生初步分布、验证一段 SQL、估计问题是否值得深挖。分析师可以给一个短但具体的验收要求：
先列出 order_status 的 distinct value 与笔数；
标记 NULL、未知值及最晚资料日期，不要直接下业务结论。
Quick 的成果可留在对话与 SQL 分页，但若问题开始牵涉分母、跨表 JOIN、正式比较或对外数字，就应升级。
Project 路径：让 Agent 在契约内执行
正式分析可拆成五个交棒点：
- 分析师定义问题：决策、母体、粒度与成功标准。
- Agent 探索并草拟 Plan：资料来源、查询步骤与 checkpoint。
- 分析师审 Plan：修正口径、排除条件与风险。
- Agent 执行：依核准范围跑 SQL、保存 evidence、形成 Report 草稿。
- 分析师验收与解读：抽查、挑战替代解释、确认 limitations，再向决策者沟通。
OpenAI 2026 年针对 Codex 使用的研究显示，Agent 使用正往较长、跨工具的任务发展；但该研究的工时门槛来自模型估计，而且样本与 OpenAI 自身使用情境都有明确范围，应视为 Agent 工作型态的讯号，不是所有企业的生产力保证。OpenAI：How agents are transforming work
长任务的挑战也不只是模型聪明度。Anthropic 将 context 视为有限资源，建议透过按需检索、结构化笔记与 compaction 维持任务一致性。Anthropic：Effective context engineering for AI agents 对分析师而言，Plan、SQL、checkpoint 与 Report 正是比长聊天更稳定的外部状态。
Lantide Data 的分工心智
Lantide Data 把这种分工落在两条工作路径：Quick Analysis 支援探索与一次性验证；Project Analysis 则以 Plan → 批注 → 使用者 Approve & Execute → SQL evidence → Report 推进。完整流程可参考 分析师 Plan／Execute／Report 指南。
Lantide 的优点不是把分析师移出流程，而是让 Agent 做过的工作留下可审阅 artifact；SQL 是取数证据，Plan 是执行前契约，Report 则交代结论与限制。对高度程式化模型、非表格资料或重度 notebook 探索，Jupyter、程式开发环境与专门工具仍可能更适合；Lantide 的主场是 SQL-first、需要治理与交付的表格分析。
用四个指标评估分工，而非只算省时
试跑后可记录：
- 口径在 Execute 前被修正几次；
- SQL／资料品质 checkpoint 发现几个问题；
- 同一分析重跑或交接需要多久；
- Report 有多少内容可直接用、多少因过度推论被退回。
这些指标能辨别 Agent 是真的降低返工，还是只把工作提早包装成「已完成」。
结语
先挑一个低风险但真实的复盘：让 Agent 做探索、SQL 与初稿，分析师在 Plan、checkpoint 与 Report 三处验收。理想分工不是人做得更少，而是人把时间集中在只有情境、责任与专业判断才能完成的地方。