过去 20 年的"数据民主化"，是一场骗局。
从 BI 工具到云数仓，从 Fivetran 到 DBT，每个向企业兜售软件的人都在承诺："买我们的产品，你就能实现数据民主化！“我们确实把数据集中起来了，但然后呢？大多数人还是只能盯着仪表板发呆，真正基于数据做决策的比例"低得可怕”。
Hex 联合创始人 Barry McCardel 在最近的一次访谈中直言：数据看门人的时代结束了。 AI 不仅让"人人都能问数据问题"成为现实，更重要的是，它正在重新定义数据团队的角色——从回答问题的人，变成"上下文工程师"。
但 Barry 也警告：“最快惹恼一堆人的方式，就是给他们一个持续提供错误答案的系统。” 炫酷的聊天界面不是重点，真正的挑战在于如何让 AI 的答案值得信赖。
NL2SQL 的幻灭与重生
2022 年 ChatGPT 问世后，上百家"AI 数据聊天"创业公司涌现。但 Barry 毫不客气地指出：它们大多已经走完了生命周期。
为什么？
“Text-to-SQL is easy; Text-to-Truth is hard.” （文本转 SQL 易，文本转真相难。）
"写出语法正确的 SQL 很简单，模型很快就做到了。但写出语义正确 的 SQL——真正代表正确业务逻辑的查询——要难得多。"因为数据库里的列名通常很糟糕（比如 col_abc_123），或者同一个"收入"在三个表里定义不同。你需要理解业务逻辑，而不仅仅是会写代码。
Barry 的团队早在 2023 年夏天就尝试构建"链式分析"系统，想让 AI 逐步完成复杂分析。结果呢？整整一年时间在"撞南墙"，因为当时的模型（GPT-3.5 时代）只会预测下一个单词，缺乏推理能力。
直到 2024 年夏天，具备推理能力的模型（O 系列、Claude 3.5+）出现，真正的转折才到来。现在的模型知道："哦，我需要回答这个问题，我应该先调用’查询数据库’这个工具，看看有哪些表，然后再写 SQL。"它具备了规划能力。
但这还不是终点。Barry 强调，真正的突破不是文本转 SQL，而是 AI 带来的三个维度的变化 ：
广度 ：原来只有数据分析师能问数据问题，现在所有人都可以。激活能量大幅降低，从打开工具、找仪表板、点点点，变成在 Slack 里直接提问。“如果我能在手机上问 Hex 一个问题，为什么还要打开电脑登录 BI 工具？”
深度 ：不再是简单的"上季度卖了多少 widgets？“人类很好奇，得到一个数字后，马上想知道：是哪些类别？哪个销售员贡献的？通过什么渠道？有什么驱动因素？AI 能陪你一路追问下去，而仪表板只会"引发比它回答的更多的问题”。
速度与"负时间洞察" ：这是最激进的愿景。现在的分析是：我有问题 → 我去查 → 我得到答案。Barry 提出了"环境分析"（Ambient Analytics）的未来——系统能在你意识到要问这个问题之前，就主动推送分析结果和后续问题建议。
想象一下：你早上打开手机，AI 已经跑完了昨天的业务数据，告诉你："嘿，西部地区的销售额异常下降了 15%，我看了一下，主要是因为两个大客户的合同到期，这里是详细分析和续约建议。"你还没开口问，答案就在那里，带着完整的推理过程。
这意味着什么？数据分析师不再是被动的"工单响应猴子"（Ticket Monkey），而是主动的战略洞察者。 他们的时间从回答"上周收入多少"这种重复问题中解放出来，可以去做真正有价值的深度分析。
“最快惹恼一堆人的方式，就是给他们一个持续提供错误答案的系统。”
这句话道出了 AI 数据分析的核心挑战：如何让答案可信 （trustworthy），而不仅仅是准确？
Hex 的解决方案是构建一个完整的反馈闭环系统：
语义模型：数据库的"使用说明书"
复杂企业的数据库是混乱的，表名、列名背后藏着大量编码的业务逻辑。语义模型告诉 AI：“revenue_adjusted 是什么意思？它和 revenue_raw 有什么关系？”
Hex 不仅支持从 DBT 导入语义模型，还能基于用户提问和答案质量，主动建议 需要添加的上下文。
“困惑度测量仪”：读懂 AI 的犹豫
这是 Hex 的神来之笔。当模型推理时，它的"思考 tokens"会暴露困惑："等等，这不对……让我重新看看……"即使最后给出了答案，这种"冗长的困惑"也预示着答案质量差。
Hex 用另一个 Agent 审核每次对话，检查用户是否满意、模型的困惑度如何、属于哪个主题领域。当困惑度很高时，Hex 不会瞎猜，而是向数据团队求助：“我分不清该用表 A 还是表 B，能帮我澄清吗？”
这是 Hex AI 研究团队的神来之笔。当模型在推理时，它的"思考 tokens"会暴露困惑：“等等，这不对……让我重新看看……嗯，还是不太对……” 即使最后给出了答案，这种"冗长的困惑"（verbose confusion）高度预示着答案质量差。
Hex 的解决方案是构建了一个在线评估系统 ：用另一个 Agent 审核每次对话，检查：
- 用户是否满意？
- 有没有负反馈？
- 模型的"困惑度"如何？(Confuse Meter)
- 这属于哪个主题领域？
当困惑度很高时，Hex 不会瞎猜一个答案，而是会转向数据团队说："嘿，用户问了这个问题，但我分不清这应该用表 A 还是表 B，你能帮我澄清一下吗？"这个反馈直接指导语义模型的优化。
这形成了一个复利循环：用的人越多 → 暴露的问题越多 → 上下文改进越多 → 答案越准确 → 更多人愿意用。
从"魔法团队"到 AI 原生公司
Hex 早在 2022 年就开始玩 GPT-3，当时 Barry 像"派对魔术"一样到处展示。他们在黑客周做了 SQL 转换集成，推出了"Hex Magic"系列 AI 功能，甚至专门成立了"Magic 团队"。
但 2024 年初，Barry 做了一个决定：解散 AI 团队。
他用 Sketch 的故事做类比：Sketch 曾经是设计工具之王，但它不是云原生的，有个专门的"云团队"。而 Figma 从来没有"云团队"——云就是它游泳的水。
“作为一家年轻公司，我们必须决定站在哪一边**。** ”
但 2024 年初，Barry 做了一个决定：解散 AI 团队 。他宣布"Magic is Dead"（魔法已死）。
他用 Sketch 的故事做类比：Sketch 曾经是设计工具之王，但它不是云原生的，有个专门的"云团队"。而 Figma 从来没有"云团队"——云就是它游泳的水。
“作为一家年轻公司，我们必须决定站在哪一边。把 AI 隔离在一个单独的团队里，就像在 2014 年设立一个’移动端团队’或’云团队’一样荒谬。 ”
现在，Hex 的每个产品团队、每个 PM、每个工程师都被赋予构建 AI 功能的权力。AI 不再是"附加组件"，而是产品的本质。如果你的产品经理在设计功能时不考虑 AI，你的设计师不考虑 AI 的交互，你的后端工程师不懂 Prompt Engineering，那你就落伍了。
不为"方向盘"收费
Barry 还提到另一个争议决策：AI 功能不单独收费 。“在 2024 年为 AI 收费，就像 2014 年为云收费。”
很多 SaaS 公司推出"AI Copilot"然后每个月多收 30 美元。但 Barry 的逻辑很简单：“如果你在卖一辆车，你会说’这辆车有四个轮子，但如果你想要方向盘，得加钱’吗？”(Don’t charge for the steering wheel.）
在 2024 年，没有 AI 的数据分析工具就是"残次品"。短期或许能多赚 10%，但会扭曲激励，让团队和客户都把 AI 当成"额外的东西"。
那怎么赚钱？基于用量的定价（Consumption Pricing)。 如果 Hex 的 Agent 帮你完成了一个初级分析师一周的工作量，那你为此支付计算费用和服务费是非常合理的。未来，你不需要为每个"用户席位"付费，而是为"完成的工作"付费。
从 Palantir 学到的两件事
Barry 在 Palantir 工作多年，那段经历深刻影响了 Hex 的文化。他特别提到两个概念：
真正的 FDE(Forward Deployed Engineer，前线部署工程师） ：现在很多公司把"售前支持"改名叫 FDE，但这只是"货物崇拜"（Cargo Culting）——模仿形式而不知其意。真正的 FDE 是：派一个顶尖的后端工程师，去阿富汗的战区，或者去石油钻井平台，和客户坐在一起。 他们不只是"配置软件"，而是在现场写代码解决客户最痛苦的问题。然后，他们把这些通用的痛点带回来，构建核心产品。
Hex 虽然不做咨询，但在早期非常强调这一点——哪怕是 CEO，也要去客户现场看着他们用产品，感受他们的痛苦。
“承诺工程”(Commitment Engineering) ：当客户提需求说"如果有这个功能我就买"，大多数初创公司会说"好的，我们去做"。但 Palantir（以及 Hex）会反问：“如果我们要在两周内做这个，你需要承诺什么？你能现在就安排两周后向你的 CEO 演示吗？你能先签一个意向书吗？”
这是一种验证机制。如果客户不愿意投入"皮肤"（时间、名誉或金钱），那说明这个问题对他们来说并不重要，他们只是随口一说。不要为那些不愿意承诺的客户开发功能。 这种务实的文化，帮助 Hex 始终专注于解决真实的、紧迫的问题。
但这不意味着数据团队不重要了。恰恰相反，他们的角色升级了：从回答"上季度收入多少"，到设计"如何让 1000 个人都能自己得到可信答案的系统"。
数据分析师成了"蜘蛛"，感知组织中涌现的新话题，第一时间织好数据的"网"。
这就是数据看门人已死的真正含义：从守门到铺路，从控制到赋能，从被动响应到主动洞察。
或许有一天，你早上打开手机，AI 已经把昨天业务波动的分析、可能的原因和建议行动推送给你了。你还没开口问，答案就在那里，带着完整的推理过程和可信度评分。
那时，“数据驱动决策"才真正从口号变成日常。而那些曾经的"看门人”，已经进化成了这个智能系统的架构师——他们不再控制数据的访问，而是编织着整个组织的数据理解网络。
这才是 AI 时代数据工作的未来。
相关延伸：为什么瓶颈是 Context → DataAgent 也许不是没用，只是我们低估了 Context · 主题页 Context