数据团队的工单积压第一次清零了，但首席数据工程师反而比以前更忙。2026年11月11日，MotherDuck联合创始人兼CEO Jordan Tigani撰文复盘了他在11月4日Data Outpost大会上的演讲，正式给AI时代的数据团队立了一个新名目：数据智能工程师（Data Intelligence Engineer）。他的合伙人兼首席数据工程师Nick Ursa终于摆脱了排长队的取数工单，却掉进了另一场更耗神的苦役——给大模型的输出结果做质量控制与责任兜底。
Tigani在大会上的演示甚至没用传统PPT。他没看一行代码或SQL，直接用MotherDuck配合Claude，接入4个实时数据源，现场生成了一个带动态交互可视化的数据应用。
过去业务方查个流失率飙升，得走一场漫长的接力赛。业务提单给分析师，分析师发现缺字段再提单给数据工程师改管道、跑回填，等看板搭好端上来，流失率早自己恢复了，业务方甚至忘了当初为什么问这个。
按照Tigani的判断，2025年12月是一道分水岭。大模型写SQL变准了，智能体支持多轮交互，查错、看返回、再重试，业务人员直接开口要数据应用就行。数据工程师的核心职责，随之转变为协调AI智能体、维护数据模型与业务上下文、运行评估（evaluations），并作为最终签字人承担问责。
37.07% 的冷数据：戳破“直接跑通”的爽文错觉
读完Tigani的演示，外行很容易产生一种爽文错觉：大模型在2025年底突然开窍，从此业务人员敲几行提示词就能把数据分析师替掉。我对这种无条件乐观不太买账。
把“工具多步报错重试”当成“听懂业务意图”，是这波AI数据分析宣传里最大的叙事偷换。智能体看到SQL语法报错能自己改对，不代表它知道你们公司怎么算营收。
硬核评测的冷数据直接泼了冷水。在包含12,751个问答-SQL对和95个数据库的BIRD-SQL基准上，Agentar-Scale-SQL在2025年9月拿到了81.67%的测试执行准确率，AskData在2026年10月22日刷到了83.40%。看着很高？因为测试里直接喂了“先知知识（oracle knowledge）”。
一旦撤掉拐杖，放到真正考验多轮对话澄清与模糊意图的BIRD-INTERACT基准测试（410个任务的Query赛道，压力模式）里，当前最高得分只有 37.07%，NVIDIA Auto-Ontology的验证得分也才33.90%。面对真实企业工作流的Spider 2.0基准（包含Snow 547个任务、Lite 547个、DBT 68个），早期o1-preview和GPT-4o的发布基线得分更是只有凄惨的17.1% 和 10.1%。
裸模型放进复杂的企业数据库里，依然是个连哪张表是真表都分不清的盲人。
语义层托底：消失的工单去了哪里
既然裸模型这么脆弱，为什么MotherDuck的CEO又能现场跑通演示？秘密不在模型突然变聪明，而在人类预先铺好的语义层（Semantic Layer）与业务文档。
大模型懂SQL语法，但它不知道数据库里那张叫revenue_cpx_new_revised_v2_use_this_one的表才是财务认的真表，也不知道销售嘴里的“营收”指的是计提佣金收入，而财务嘴里指的是确认收入。想让AI算对数，得有人先把这些潜规则写成极其干净的数据模型和上下文指南。
把2026年上半年的几份实证研究拼在一起，就能看清真正起作用的变量：
- 2026年6月的一篇预印本论文显示，用Gemini 3 Pro配合精心策划的语义层与中间查询表示，在Spider2-Snow的547个任务上，执行准确率从早期的个位数直接飙升到了94.15%。
- Cube在2026年4月的研究测试了100个Contoso零售问题，往提示词里塞入约4KB 的业务惯例、指标和注意事项后，三个模型的分析准确率立刻拔高了17 至 23 个百分点，达到约68%。
- dbt在2026年4月7日公布的数据同样印证了这一机制，引入语义引擎编译指标后，Sonnet 4.6的准确率从90.0%升至98.2%，GPT-5.3 Codex从84.1%升至100%（不过该实验仅在11个问题上各重复了20次，样本很窄）。
AI 能够算对账，全靠人类在后台把业务逻辑嚼碎了喂给它。
《管子》里讲过一句治理常识，“度之稽也，明主之所谨也”。度量衡和账目口径的核验，历来是权力运转最容不得含糊的底线。放到上世纪初福特建流水线的时候也一样，工人不用再拿着锉刀单件敲打零件，但制造公差规、维护模具精度的工装工程师反而成了车间里最累、最核心的人。
今天的数据团队正在经历一模一样的权力转移。MotherDuck在产品里塞进了描述业务定义的Markdown文件Guides，Snowflake Cortex Analyst搞出了人工维护的经验证查询库（Verified Query Repository），Databricks Genie和dbt的远程MCP服务器也都搭起了由人类编写参考SQL、审核AI结果的验证环路。
全行业都在把数据工程师从“写SQL的管道工”逼成“语义饲养员”。
- 结论.数据平台接下来的胜负手不在底层算力差价，而在于谁能提供更低摩擦的语义层接口与人工验证工具。
连考卷都有 62.8% 的错题，谁敢替 AI 签字
这正是Nick Ursa没有工单却忙得脚不沾地的真正原因。当业务部门绕过排期、自己用自然语言生成几百个看板时，错误会以十倍的速度繁殖，而锅最终还要数据团队来背。
为了防止失控，MotherDuck把监管划成了三道同心圆：最外层是随便折腾的狂野西部（比如算算午餐订几个三明治，错了也没人闹事），中间是核心业务看板的精选层，最里层则是给董事会看的核心指标层。爆炸半径越大，人类盯得就得越紧。
更棘手的问题在于，连用来考AI的“标准答案”本身都是烂的。2026年PVLDB发表的一项审计直接掀了学术界的桌子：主流文本转SQL基准测试里存在大面积的标注错误，BIRD Mini-Dev 的错误率高达 52.8%，Spider 2.0-Snow 更是离谱地达到了 62.8%（迫使BIRD在2026年10月28日紧急发布了修正版）。
学术界精挑细选的公开题库都有六成错题，企业内部那些没人维护的历史烂表和朝令夕改的业务口径只会更糟。
- 风险.如果企业不建立私有的黄金SQL评估集（Evals），直接把裸大模型接进生产库开放自服务，无异于让业务团队蒙着眼在雷区里做决策。
回看Nick Ursa那个清空的工单池，其实一分一毫的工作量都没凭空消失。以前是业务提一个问题、工程师算一个数，属于零售式的体力活；现在是工程师必须预判所有问题、穷尽所有口径歧义、写好自动化评测用例，去兜底成百上千个智能体的并发提问。工单确实没了，但替AI签字画押的紧箍咒，才刚刚戴到数据工程师头上。