在現代企業的數據驅動決策過程中，數據分析師往往陷入一種矛盾：他們擁有深厚的分析能力，卻花費大量時間在重複性高且枯燥的機械式工作中。這些工作包括數據準備、撰寫簡單的 SQL 查詢、建立例行報告以及處理基礎的數據提取請求。東南亞領先的超級應用平台 Grab 意識到這個問題，並嘗試透過導入 AI Agents（人工智慧代理，指能自主規劃路徑、調用工具並執行任務的 AI 系統）來重新定義分析師的角色，將其從單純的數據提取者轉變為真正的商業洞察者。
分析流程的自動化分級模型
為了確保 AI 在自動化過程中不會失控，Grab 建立了一套五級自主模型，用以定義 AI Agent 在分析流程中承擔的責任範圍以及人類監督的介入點。這種分級制度解決了 AI 幻覺與數據準確性之間的衝突，讓團隊能根據任務風險選擇適當的自動化程度。
在第三級自主狀態下，人類負責定義問題框架並審核最終結果，而 AI Agent 則接手中間的執行過程，包括探索可用數據、撰寫並執行查詢、驗證結果以及起草初步分析報告。進入第四級後，AI Agent 的能力提升至能自主規劃並編排整個工作流，人類僅在定義好的關鍵檢查點進行審核。最高級別的第五級則代表端到端的完全自主，人類僅需設定目標、品質門檻以及異常升級規則。即便在最高級別的自動化中，Grab 依然堅持由人類承擔指標定義、因果解釋、商業假設以及最終決策的責任，確保數據分析不脫離商業邏輯。
Spartan 系統與 ContextIQ 的技術支撐
為了將上述模型落實，Grab 開發了名為 Spartan 的系統，將自然語言分析請求（例如透過 Slack 提交的問題）轉化為具體的執行路徑。Spartan 內建了超過 50 種技能與 120 個分析框架，能根據請求類型將任務路由至專門的工作流。例如，當用戶詢問根因分析時，系統會觸發對認證指標與相關維度的交叉分析；而若是關於實驗結果的詢問，系統則會直接檢索現有的評分卡，而非重新從數據湖中執行昂貴的查詢。
然而，AI Agent 的可靠性高度依賴於其對數據環境的認知，這就是 ContextIQ 系統的作用。ContextIQ 將數據上下文視為一種生命週期管理，維護著 5,000 多個認證表與指標、4,000 份上下文文檔以及 2,000 條黃金記錄（Golden Records，指經過驗證且被視為唯一正確事實的基準數據）。當數據埋點或系統架構發生變更時，ContextIQ 會同步更新上下文，並將生產環境中 AI Agent 出錯的案例回饋至知識庫中進行修復，形成一個持續優化的閉環。
從數據分析到運維自動化
除了前端的業務分析，Grab 還將 AI Agent 應用於分析運維（Analytics Operations）。例如名為 Scarlet 的代理人專門處理數據管線失效問題。Scarlet 能在 Slack 上直接進行根因分析，若失效原因在預定義的運行手冊（Runbooks）範圍內，它能直接修復；若超出範圍，則會將問題升級至工程師處理。
此外，針對週期性的分析需求，Grab 利用 AI 自動生成指標與 OKR 的評論。AI 會評估數據的顯著波動，將其拆解至不同國家或客群，並將這些變動與當時的營運調整或 A/B 測試結果進行關聯分析。為了支持這些能力的快速部署，Grab 推出了 BriX 門戶，讓分析師能更便捷地開發分析工作流。
實務成效與角色轉型
根據 Grab 披露的數據，這套 AI Agent 體系帶來了顯著的效率提升。從 2026 年 2 月到 6 月，分析師處理的機械式票單比例從 44% 下降至 30%。在自助式分析方面，指標請求的無人干預解決率從 53% 提升至 67%，數據提取請求從 63% 飆升至 90%，而 SQL 請求的自動解決率則從 50% 提高到 81%。值得注意的是，約 75% 的請求來自分析團隊之外，且 85% 的請求在 1 分鐘內獲得初步回應。
這種轉變對組織的深層影響在於分析師職能的重塑。當數據準備與基礎分析被 AI 接管後，分析師不再是 SQL 的撰寫機器，而能將精力投入到設計更強大的自助式工作流，以及進行更深層次的商業探索。這證明了 AI Agent 在數據領域的價值不在於取代分析師，而是在於消除低價值的機械勞動，讓專業人才回歸到解決複雜商業問題的核心價值上。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。