当大模型可以一句话生成图表、自动写 SQL、甚至帮你做归因分析的时候，那个整天画原型、写 PRD、排需求的 BI 产品经理，还有存在感吗？

一、先说一个让人虑的事实

2026 年，如果你打开任意一个主流 BI 产品，你会发现这些事情大模型已经能做了：

• 自然语言取数：“上个月华东区销售额环比增长多少？”——一句话出结果
• 自动生成图表：给一份数据，AI 自动推荐合适的可视化方案
• 智能归因：“为什么这周 DAU 跌了？”——AI 给你一层层下钻
• 报表草稿：把需求文档丢进去，AI 帮你生成一版看板原型
• 指标解释：用户不懂"复购率"怎么算的，AI 用自然语言解释口径

这些事情，三年前还是 BI 产品经理的核心工作内容——定义交互、设计流程、写文档教用户怎么用。现在，大模型正在一条条吃掉这些"执行层"任务。

于是问题来了：当 AI 把执行层吃掉之后，BI 产品经理还剩什么？

答案是：剩的才是真正值钱的部分。

二、AI 吃不掉的那五件事

我把它总结成五件事。这五件事，大模型做不了，或者说做了也会翻车，必须由人来兜底。

定义"正确的问题"

AI 擅长回答问题，但不擅长提出问题。

当一个业务方说"我想要一个销售分析看板"，AI 可以立刻生成一个包含销售额、订单量、客户数的图表组合。但真正的问题可能是：

• 这个看板的决策场景是什么？是周会汇报用的，还是一线销售自己看的？
• 里面该用合同金额还是回款金额？两者差一个账期，但结论可能完全相反。
• "客户数"是去重的还是不去重的？新增客户和活跃客户要不要分开？

这些问题，AI 不会替你想。它只会基于你给的模糊输入，给你一个"看起来合理"的答案。而一个不准确的指标定义，会导致一整个团队基于错误的数据做半年的决策。

PM 的第一职责：把模糊的业务诉求翻译成精确的数据问题。这件事 AI 替代不了。

建设语义层——AI 的"业务大脑"

这是当下最被低估的工作。

大模型为什么在 BI 场景经常"幻觉"？不是模型不够强，而是它不懂你的业务黑话。

"活跃用户"在你公司到底怎么定义？是 7 天内登录，还是 30 天内有交易行为？"华东区"包不包含江苏？"大客户"的标准是年采购额过 500 万，还是注册资本过 1000 万？

这些定义，在每家公司都不一样，甚至在同一公司的不同部门都不一样。AI 没有办法从通用预训练里学到这些。

所以你需要建一个语义层：把指标口径、维度层级、业务术语、计算规则全部固化成机器可读的结构化定义，让 AI 在回答问题时有一个"业务字典"可查。

没有语义层的 AI 分析，本质上就是在"猜"。猜对了是惊艳，猜错了是事故。

PM 的第二职责：主导语义层的设计——这是 Agent BI 能不能真正落地的地基。

判断因果，而非罗列相关

AI 非常擅长一件事：发现相关性。

“这个月销售额下降了 12%，同期广告投放减少了 8%，退货率上升了 3%。”—AI 可以把所有相关指标摆出来，甚至标红异常项。

但相关不等于因果。

广告减少和销售额下降相关，但未必是原因。可能是因为某款主力产品断货导致预算暂停，真正的根因在供应链。AI 会把"广告减少"当作头号嫌疑犯推荐给你，因为它的信号最强。只有懂业务的人才知道：这条线索是干扰项，去查供应链。

跨域洞察——把两个看似无关的数据域连起来发现商业机会——这正是 AI 最薄弱的地方。它没有你脑子里那些"行业经验"和"直觉"。

PM 的第三职责：设计"人机协作的归因工作流"——AI 负责铺数据，人负责下判断。

设计指标体系，而不只是看板

AI 能帮你画一个看板，但它画不出一个指标体系。

指标体系是一套分层的、有逻辑关系的指标集合：北极星指标 → 核心业务指标 → 过程指标 → 辅助指标。它回答的不是"展示什么数据"，而是"这个业务应该关注什么"。

一个好的指标体系，能让整个团队对齐目标、让不同角色找到自己能影响的那一层指标、让异常可以被层层下钻定位到责任部门。

AI 能帮你选图表类型，能帮你算同比增长，能帮你生成一版看板框架。但它不知道你的公司现阶段应该把"新客获取"还是"老客留存"放在优先级最高的位置——因为这取决于战略判断、资源约束、竞争环境，这些是 AI 读不出来的。

PM 的第四职责：从"画看板的人"升级成"定义指标体系的人"。

把数据洞察变成行动——最后一步永远是人

数据分析的终点不是一张漂亮的图表，而是一个被执行的决策。

AI 可以告诉你"西南区客户流失率上升了 15%，与配送延迟强相关"。但接下来呢？

• 要不要调整西南区的配送供应商？这涉及合同违约成本。
• 要不要给流失客户发补偿券？这涉及营销预算。
• 要不要暂停该区的新客获取，先把服务质量补上？这涉及增长目标的取舍。

这些决策，AI 给不了答案。它能给的是"信息"，不是"判断"。把信息变成判断、把判断变成行动、把行动变成结果——这是人的活。

PM 的第五职责：做"数据到决策的最后一公里"——这是 AI 的能力边界。

三、BI 产品经理的新技能树

基于以上五件事，我重新画了一棵技能树。传统技能不是不要了，而是权重在下降。

一句话总结：BI 产品经理正在从"功能执行者"变成"智能协作架构师"。

你不再只是画原型、写 PRD、排需求。你的核心工作变成了：设计一个让 AI 和人各司其职、协作产出洞察的系统。

四、这些事，在实践中长什么样——以 Wyn 为例

我拿自己所在的产品 Wyn 商业智能（点击了解产品详情https://www.grapecity.com.cn/solutions/wyn）来举个具体的例子，看看上面说的这些事在产品设计中怎么落地。

场景一：AI 对话分析——“让 AI 懂你的业务”

Wyn 深度融合了 AI 大模型，支持自然语言即问即答。但这个功能真正好用，靠的不是模型本身，而是背后的语义层。

在 Wyn 里，指标的口径、维度的层级、计算规则，都是在系统中预先定义好的。当用户问"上季度哪个区域增长最快"，AI 不是凭空猜，而是基于语义层去查询、计算、排序，然后返回结果。数据不离开用户的私有环境，也支持 DeepSeek 等国产大模型本地部署。

这背后正是上面说的第二件事——语义层是地基。产品经理的工作不是调模型，而是设计一套让业务方能够自助维护语义层的机制：指标谁定义、谁审核、版本怎么管理、口径冲突怎么解决。

场景二：嵌入式 BI——“让 AI 跑在正确的业务系统里”

Wyn 天然定位的嵌入式能力，让它可以无缝嵌入企业已有的业务系统（ERP、CRM、MES）。这意味着 AI 分析不是孤立地跑在一个 BI 平台里，而是和业务流程绑定在一起。点击在线体验嵌入式方案（https://wyn.grapecity.com.cn/playground/index.html#/scene/portal/ai-analysis）。

比如制造业客户把 Wyn 嵌入 MES 系统，操作工在工位终端上用自然语言问"今天 3 号线良品率多少"，AI 直接从产线实时数据里查。这不是一个"看板"——这是一个嵌入业务流程的实时决策节点。

这里 PM 要设计的不是"图表长什么样"，而是"AI 在什么业务环节介入、以什么形式介入、人什么时候要确认"——也就是上面说的人机协作 UX 设计。

场景三：数据填报 + 中国式复杂报表——“AI 替不了的部分”

Wyn 有一块能力是 AI 很难替代的：数据填报和中国式复杂报表。

很多企业的数据不是"查"出来的，是"填"出来的。生产日报、销售周报、库存盘点表，这些数据需要人录入、校验、汇总，形成结构化的报表。这块工作涉及复杂的表间勾稽关系、多级审批流、数据校验规则——这些恰恰是 AI 最不擅长、也最不该让它"自由发挥"的领域。

这说明一个道理：AI 时代，BI 产品不是把所有功能都丢给 AI，而是把 AI 能做的交给 AI、AI 做不好的仍然交给结构化的系统能力。 产品经理的工作，是画清楚这条边界线。

六、结语：不是消失，是升级

回到开头的问题：AI 时代，BI 产品经理还需要做什么？

做 AI 做不了的事：定义问题、建设语义层、判断因果、设计指标体系、把洞察变成行动。

这不是 BI PM 的"剩余价值"，这是 BI PM 真正的核心价值。只不过过去被一堆执行层任务淹没了，AI 来了，反而帮我们把这些杂活扫掉了，让我们回到该干的事上。

AI 不是来抢饭碗的，是来重新定义饭碗的。