一、AI 不是在抢岗位

过去很多年，大厂对 data analyst 和 business analyst 的默认假设是：你能拉数、会 SQL、能做 dashboard、能写报告，就已经覆盖了岗位 70% 的价值。但在 AI（尤其是大模型 + BI 自动化工具）大规模落地之后，这个假设被彻底打破了。今天的现实是，写 SQL、做可视化、生成分析结论，已经越来越像基础算力。无论是 ChatGPT、Copilot、还是各类 Auto BI 工具，都在快速降低数据操作本身的门槛。面试官心里其实很清楚：如果一个问题只是把数算出来，那 AI 做得比人快、稳、便宜。

因此，大厂并没有减少对 DA / BA 的招聘，而是上调了对分析决策能力的要求。岗位没消失，但会拉数的人和能影响决策的人之间的差距，被 AI 无限放大了。

二、面试重点的核心变化：从「你怎么分析」到「你为什么这么分析」

AI 冲击下，最明显的变化不是题目本身，而是追问方式。以前的面试更关注你会不会做分析，比如：

你能不能写出正确的 SQL？你能不能算出转化率、留存、LTV？你能不能用数据解释一个现象？现在的面试更像是在反复验证一件事：当分析动作可以被 AI 代劳时，你本人还剩下什么不可替代的能力？

所以你会明显感觉到，大厂面试越来越喜欢追问：为什么选这个指标而不是另一个？如果这个结论是错的，最可能错在哪里？你现在看到的是相关性，那因果假设是什么？这个分析如果交给产品 / 运营，他们下一步该做什么？这些问题表面上是业务理解，但本质是在考察：你是否具备建模现实世界的能力，而不仅是处理数据的能力。

三、Data Analyst 面试：从SQL 驱动转向问题建模驱动

在大厂 DA 面试中，SQL 仍然是必考项，但它的地位已经明显发生变化。以前 SQL 是主菜，现在更像是门槛。你写得出来是前提，写得漂亮不再是加分项。真正拉开差距的是，你在拿到一个模糊业务问题时，能否先把问题拆对。常见变化是，面试官不再直接给你一个明确指标，而是给你一个非常不完整的业务场景。比如增长放缓、用户流失、实验失败，然后看你第一反应是不是立刻写 SQL，还是先问清楚背景、目标和可控变量。

大厂越来越看重 DA 是否具备分析路径设计能力。你是否能在数据之前，就先形成一个合理的假设空间；你是否知道哪些数据即使算出来，也无法支撑决策；你是否理解数据噪声、延迟、采样偏差这些现实限制。AI 时代，算得对已经不稀缺，算得值得才稀缺。

四、Business Analyst 面试：决策放大器

对 BA 来说，变化甚至比 DA 更大。传统 BA 的角色，更偏向于在业务和数据、技术之间做翻译，把业务需求拆成指标，把分析结论包装成 PPT。但 AI 的出现，正在吞噬翻译这层价值。因此，大厂 BA 面试越来越强调一件事：你是否真的参与过决策，而不仅是记录和复述决策。你会发现，BA 面试里案例题比例显著上升，而且问题越来越开放。面试官关心的不是你最后给出的正确答案，而是你在信息不全、目标冲突、时间受限的情况下，如何权衡取舍。

尤其是在战略型、平台型、增长型 BA 岗位中，面试官会非常在意：你是否理解业务的长期目标，而不仅是短期指标；你是否能识别“数据看起来很好，但方向是错的”情况；你是否敢于用不完美的数据，推动一个足够好的决策。某种程度上，AI 反而让 BA 的角色更偏向 mini PM + mini strategist，而不是单纯的数据接口人。

五、大厂常考的新题型：答案不重要，思路必须抗 AI

如果总结这两年的高频题型变化，可以发现一个共同点：题目越来越没标准答案，但有明确的思维底线。比如实验设计类问题，不再只考你是否知道 A/B test 的基本流程，而是会问你在样本量不足、指标互相冲突、实验被业务强行中断时，你会如何判断是否继续。比如指标体系设计题，不再是列一堆 KPI，而是让你解释哪些指标是北极星，哪些只是监控指标，哪些指标短期上升反而是坏信号。

还有一类非常典型的变化是反直觉题。面试官会刻意给你一个数据结论，看你是否会不加思考地接受，还是会主动质疑数据来源、口径和业务逻辑。这些题型，本质上都是在测试：如果把 ChatGPT 放在你的位置，它能不能和你给出同样质量的回答？如果答案是能，那就危险了。