AI 时代的数据团队，数据产品经理和数据开发的分工怎么变？
面试怎么回答
减少的是标准化的临时取数、样板代码以及常见的排查和文档初稿，这些越来越多由智能问数和 AI 工具完成。增加的是语义层和口径的维护、元数据和数据可发现性、业务自助后更重要的数据质量、知识库和评测这类 AI 数据链路、AI 应用的评测运营，以及 AI 使用数据的治理。数据开发从写取数 SQL 转向建设可靠的数据底座和让人与 AI 都能安全准确用数据的平台工具，并具备 RAG 链路和评测等工程能力；数据产品经理从设计报表转向设计人和 AI 怎么用数据，定义智能问数的场景边界、语义层覆盖和可信度展示，负责准确率、采纳率等效果指标，成为口径的维护者。团队上减少纯取数岗位，增加语义层、质量和 AI 数据工程的投入。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
智能问数让业务方可以自己查数，AI 编程工具让 SQL 写得更快，Agent 可以自动排查任务失败。数据团队的工作方式正在变化：数据开发还需要那么多人写取数 SQL 吗？数据产品经理要做什么新的事？面试官（尤其是管理岗、架构岗）问这题，想看你对团队结构变化的判断。
哪些工作在减少
- 临时取数：标准化的取数需求，越来越多地由业务方通过智能问数自助完成；
- 样板代码：常规的 ETL、建表语句、数据校验 SQL，AI 辅助能显著提效；
- 重复的排查和文档：常见的任务失败诊断、表注释、数据字典，可以由 AI 生成初稿。
哪些工作在增加
- 语义层和口径：AI 能不能答对，取决于指标定义、维度、业务规则是否被清楚地定义和维护。这从「写在 SQL 里」变成了「需要专门维护的资产」；
- 元数据和数据可发现性：表、字段的描述，推荐使用的数据集，数据的认证状态；
- 数据质量：业务方自助使用数据后，数据错误的影响面更大，质量保障更重要；
- AI 数据链路：知识库、向量化、评测数据、对话日志；
- 评测和运营：AI 应用的效果评测、错误分析、持续优化；
- 治理：AI 使用数据的权限、安全、合规。
角色的变化
数据开发
- 从「写取数 SQL」转向「建设可靠的数据底座」：模型、语义层、质量、性能；
- 更多地做平台和工具：让业务方和 AI 都能安全、准确地使用数据；
- 需要具备 AI 相关的工程能力：RAG 数据链路、评测、Agent 的数据工具。
数据产品经理
- 以前：设计报表、看板、数据产品的功能；
- 现在：设计「人和 AI 怎么用数据」：智能问数的场景和边界、语义层的覆盖范围、AI 回答的可信度展示；
- 负责 AI 数据产品的效果指标：准确率、采纳率、业务价值；
- 成为业务和数据之间口径的「翻译者」和维护者。
分析师
- 从取数和做表，转向更深的业务分析和决策支持。
团队结构的调整
- 减少纯取数岗位，增加语义层、数据质量、AI 数据工程的投入；
- 设立负责「AI + 数据」的小组，或者在现有小组中明确职责；
- 培训：让团队成员掌握 AI 工具和 AI 数据工程的方法。