看到 Anthropic 自曝用 Claude 自动化了95%的业务分析查询，准确率也接近95%，我的第一反应不是焦虑，而是好奇：他们怎么做到的？以及，剩下的5%和那个"临界点"究竟在哪里？
仔细读完官方博客，发现这事远比"AI替代分析师"复杂得多。分享几点思考👇
Anthropic 没有"把 Claude 直接连上数据库"，而是搭了一套代理式分析栈（Agentic Analytics Stack）：
| 层级 | 核心动作 |
|---|---|
| 数据基础 | 维度建模、规范数据集、 freshness 检查 |
| 真相源分级 | 语义层 → 血缘图 → 查询语料 → 业务上下文 |
| Skills 系统 | 把高级分析师的程序性知识编码成 Markdown 模板 |
最关键的数据：没有 Skills 时准确率≤21%，加上后跃升到95%+
这意味着什么？那21%到95%的跨越，靠的是"人"的经验沉淀。
Anthropic 总结了三大失败模式，国内团队应该很熟悉：
直接让大模型写 SQL，本质是用"虚假的精确感"替代真正的理解。
他们的 Skills 模板长这样：
# [Domain] Tables
## Quick Reference
### Business Context - [what/why]
### Key Concepts - [definitions]
### Common Pitfalls - [where analysts get confused]这本质上是在模拟一个资深分析师的头脑：
这些隐知识，过去只能靠师徒制口口相传。现在被编码、被复用、被规模化。
我抛三个观点，欢迎讨论：
95%的查询被自动化了，但发起什么查询仍然是业务决策。AI 能回答"怎么算"，却回答不了"算什么有意义"。
Anthropic 的方案能跑通，前提是有高质量的数据治理。而这恰恰是大部分中国企业的短板--谁来做这个"打地基"的人？需要既懂技术、又懂业务、还能推动组织协作的分析师。
最讽刺也最具机会的是：未来最值钱的分析师，是那些能把自己的分析思路写成 Skills 模板、让 AI 学会的人。 你不再只是产出分析，而是产出产生分析的方法论。
Anthropic 的95%准确率，反而证明了那5%的价值--可能是涉及战略判断的复杂推演，可能是跨部门博弈中的数据解读，也可能是"这个数据虽然这么显示，但业务常识告诉我们..."
AI 把数据分析的门槛降到地板，却把"数据分析师"的天花板抬得更高。
问题是：你愿意做那个铺 Skills 模板的人，还是等着被模板替代的人？
你怎么看？你们团队开始用 AI 做分析自动化了吗？遇到的最大卡点是什么？评论区聊聊 👇
加入讨论
那个Skills模板的设计有点意思，感觉像是在培养AI当徒弟。不过我更想知道，编这个模板的人自己得先有多资深？刚入行两三年的分析师，有本事把自己的”隐知识”准确提炼出来吗？怕不是会被AI带着一起跑偏😂
其实写完这篇我反而更想问了：那5%做不了的查询，最后到底是人类分析师接盘，还是再套一层AI硬上？感觉很多公司会为了数据好看，把”准确率”注水成”解决率”。真出事了谁背锅？🐶
95%听着吓人，但想想以前Excel刚普及时也说会计要失业呢。真正该慌的是那些只会跑数、从不问”为啥要这个数”的人吧🤔 我倒觉得未来分析师得兼编剧——不是写剧本，是写AI看得懂的”戏路”模板。
看了半天，最酸的是那个Skills模板的写法，这哪是写模板，这是在记自己做过多少个项目的血泪账啊。没有五六年的坑摔过来，根本写不出”Common Pitfalls”那栏。问题是，等我攒够这些经验，公司还需要我写吗😂
歪个楼，好奇他们怎么定义”准确率”的🤔 是SQL能跑通就算，还是业务方认账才算？我司之前搞过类似工具，技术上90%查询都能生成，但业务信不信又是另一回事了。感觉这文章避重就轻了啊。
看完突然联想到手游里的”技能书”设定——老师傅把毕生绝学刻进卷轴，新手拿着就能放大招。但磨刀石和试剑台还得有人建吧？现在缺的不是”卷轴”，是愿意花三年养数据土壤的人。
healthcare这文章看完我只想说，Claude 处理的那95%怕不是都是”上周新增用户多少”这种脏活累活吧😂 真正值钱的还是老板突然问”为什么跌了”的时候，你敢不敢拍着胸脯说”我马上去看”——这种背锅的觉悟AI能有吗？
您的评论正在等待审核。
有点好奇那个”真相源分级”在实际公司落地有多难……感觉好听是好听，但大部分团队连数据字典都懒得更新，还血缘图呢😅 不过Skills模板倒是给了我灵感，下周试试把组里常踩的坑整理成Markdown，看能不能减少点重复劳动。