從接需求到做產品：AI 時代數據人的轉身

AI 寫 SQL 越來越快，但資料問題沒有變簡單。這篇談數據人如何從接需求轉向做產品：為什麼數據產品不會被一個提示詞複製、Netflix 怎麼定義好的數據產品，以及為什麼我們熟悉的資料品質與資料管線，正是可靠 AI 應用的基礎。

AI 寫得快，但不一定對

在 AI 寫 SQL 比資料工程師、資料分析師都快的此時，數據人受到的衝擊是真實的。過去，需求由業務使用者或產品經理提出，我們負責把需求翻譯成查詢、交出資料。現在，需求方可以自己請 AI 寫 SQL，幾十秒就拿到結果。

但就像軟體工程一樣，寫程式變快了，要解決的問題並沒有變簡單。資料領域至少有三件事，AI 寫得再快也繞不過去：

• 需求要被釐清。「上個月的營收」是含稅還是未稅、算下單還是算出貨，提問的人自己不一定想清楚。
• 標準看法不一。 同一個「活躍用戶」，行銷和產品可能各有一套定義。
• 資料會隨時間出錯。 上游系統改版、欄位意義悄悄改變，昨天對的查詢，今天可能就錯了。

AI 可以把 SQL 寫得又快又漂亮，但如果問題沒問對、定義沒對齊、資料已經過時，它只會更快地給出錯的答案。這正是數據人的價值所在，也是轉身的起點。

接需求的困境：做得越多，越看不見

過去的工作模式是接需求：業務提出問題，我們交付資料，然後換下一張單。這個模式有兩個根本的限制。

第一，價值看不見。資料交付之後，被貼上的是專案的名字。

第二，無法規模化。許多臨時需求都從頭來過，產出的是一次性的服務，不是可以累積的資產。人力有多少，產能就只有多少。

而當 AI 讓「交付」變得便宜，最容易被取代的，正是這種一次性的交付。

為什麼數據產品不會被一個提示詞複製

在軟體產品的領域，大家應該都感受到了：現在做產品的護城河很低。你花力氣驗證了一個想法，別人一個提示詞就能做出類似的東西，甚至再加以改良。

那數據產品為什麼不一樣？因為軟體功能可以被描述、被複製，但你公司的資料不行。通用模型人人都買得到，企業自己的資料卻是對手拿不到的。UI 介面可以複製，但背後的跨環境資料整合，處處都是權衡。

IBM 執行長 Arvind Krishna 在 2025 年指出，企業資料至今只有約 1% 被生成式 AI 使用過⁠¹，講的就是企業數據孤島的問題。

這讓數據人迎來前所未有的好時機：我們終於可以從做服務，轉向做產品。

數據產品能為企業帶來可觀的商業價值，而它能規模化的關鍵，在於重複使用。McKinsey 團隊估計，以產品方式管理資料後，新業務用途的交付最多可快上九成，總擁有成本可降低三成⁠²。MIT CISR 的研究也發現，善於從資料創造價值的組織，會打造出可獲利的數據產品，而支撐它們的，是容易重複使用與重組的資料資產⁠³。

AI 在這裡扮演的是加速器。資料貼標、資料清理這些髒活累活，現在可以交給 AI 先做一輪，讓數據人把力氣放在設計與驗證上。

在 AI 時代，這份價值更可能成為護城河。McKinsey 在 2026 年的研究把「專有資料」列為 AI 時代的關鍵護城河之一，但加了一個條件：資料要被 AI 用來提供對手做不到的產品與服務，才會成為護城河⁠⁴。數據產品思維，正是跨過這個條件的方法。

Netflix：資料有目的，也有使用者

那麼，一個好的數據產品長什麼樣子？Netflix 技術部落格在 2025 年 10 月發表〈Data as a Product〉⁠⁵，重新談「資料即產品」。文章一開頭只問了一個問題：

如果我們用對待消費者產品的那種用心與刻意，來對待資料，會怎麼樣？

Netflix 的推薦系統、內容策略、實驗和財務報表，全都仰賴資料。在他們的定義裡，數據產品是被刻意設計、建置、維護，並衡量價值的資料資產：有明確目的，服務特定使用者，而且持續被檢視是否有用、可靠、好取用。

它不一定是一張表；常用的遙測資料、倉儲表、關鍵指標、儀表板，甚至 ML 模型，都可以是數據產品。

我最喜歡的是其中這一點：資料資產要有明確目的，並且服務特定的使用者。

資料總是越建越多，卻很少有人回頭評估，哪些資料真的帶來價值。具體一點說，就是四個問題：

1. 誰會用這份資料？
2. 怎麼用？
3. 為什麼要用？
4. 用了之後，有沒有影響決策？

這四個問題，是我認為數據人始終要放在心上的。最後一個尤其關鍵，因為資料的價值，最終要在決策中被檢驗。

這不只是我的看法。在 ISO/IEC 38505-1:2026 的數據治理責任矩陣中，「決策（Decision）」本身就被列為數據生命週期活動的重要環節之一⁠⁶。連國際治理標準都把決策列為資料必須負責的一環，代表「影響決策」不是加分題，而是資料存在的理由。

好的數據產品：七個原則

Netflix 在文中提出七個原則。對數據人來說，每一條的關鍵如下：

1. 明確的目的：沒有要解決的問題或提問，就不值得建立。
2. 明確的使用者：先弄清誰會用，才能避免重複建置、確保被採用。
3. 可衡量的價值與品質：價值看健康與可信度，並降低複雜度與資料債。
4. 用心的設計與文件：定義一致，寫清資料代表什麼與已知限制。
5. 生命週期管理：上線不是終點，過期無主的表要主動下架。
6. 明確的擁有者：交給最相關的團隊，對正確、可用、易用負責。
7. 信任與可靠：資料品質問題就是產品問題，並透明揭露限制。

Netflix 列出的使用者裡，本來就包括工具。但在 AI 時代，這類機器使用者的角色變了：它不只讀取資料，還會直接把資料寫成答案，交到人的手上。

脈絡工程：AI 是你資料的新使用者

對資料工程師與資料分析師而言，脈絡工程（Context Engineering）有一部分其實就是熟悉的資料工作：讓模型在需要的時候，取得正確、相關且足夠的資訊。

Chip Huyen 在《AI Engineering: Building Applications with Foundation Models》中，將脈絡建構類比為傳統機器學習的特徵工程⁠⁷：兩者都在為模型準備完成任務所需的資訊。

從這個角度看，數據人的工作範圍也延伸了。除了支援 BI 的結構化資料，文件、郵件、會議紀錄等非結構化資料，同樣需要清理、組織、維護與品質檢核。當這些資料透過檢索進入 AI 的上下文，資料是否正確、版本是否有效、關鍵內容是否找得到，都會影響回答品質。

而且 AI 是一個特別的使用者。缺乏檢核時，AI 可能沿用錯誤資料，還會用流暢、有自信的語氣講給所有人聽。這讓七個原則變得更加重要：

• 沒寫清楚的定義，AI 只能猜（設計與文件）。
• 沒下架的舊版文件，可能被檢索出來當成答案（生命週期）。
• 沒有擁有者的資料出了錯，大家只會說「AI 不準」（擁有者）。

因此，我們熟悉的資料品質與資料管線，正是打造可靠 AI 應用的重要基礎。

結語：數據人的轉身

AI 讓寫 SQL 變得便宜，但沒有讓資料問題變簡單。需求要被釐清，標準要取得共識，品質要持續維護。當資料的使用者從人延伸到 AI，這些工作的重要性也跟著增加。

從接需求到做產品，數據人的責任，從完成一次交付，延伸到理解使用者、定義問題、做出取捨，並持續驗證資料是否帶來價值。AI 可以協助我們完成其中許多工作，而我們需要把這些工作連起來，讓成果真正被使用。

當我們開始用產品的角度看待資料，就需要回答四個問題：為誰解決問題？如何被使用？為什麼值得投入？能讓哪些決策更有依據？

這些答案，需要透過實際使用來驗證，也需要隨著需求改變而持續修正。交付是起點，資料是否持續有用，才是產品要接受的考驗。

數據人的轉身，就是把工作的終點，從「資料交付了」，推進到「問題解決了，價值也被驗證了」。

2026/10/22（四）晚間：兩場活動

要讓資料持續被信任、被使用，並帶來實際價值，數據人就需要打好資料管理的基礎。從資料品質、元資料到治理與責任分工，這些能力支撐著數據產品，也支撐著可靠的 AI 應用。想有系統地補齊這些基礎，可以從了解 CDMP 開始。

歡迎參加（時間皆為台灣時間）：

• CDMP 考照線上說明會：AI 時代的數據治理護城河：19:30–21:00 線上舉行，免費參加。90 分鐘帶你了解 CDMP 是什麼、適合誰、AI 時代為什麼更需要數據治理，並實際拆解考題與自學常見誤區。
• Taipei dbt Meetup #50：Sports Analytics：19:00–22:00，地點在 Dcard 辦公室（台北市大安區光復南路 102 號 14 樓），實體與線上同步。歡迎所有和資料一起工作的人來交流。

參考資料

1. Computerworld，IBM CEO: Smaller, domain-specific genAI models are the future，2025 年 5 月（IBM Think 2025） ↩︎
2. Desai, Fountaine & Rowshankish，A better way to put your data to work，Harvard Business Review，2022；McKinsey 轉載版：How to unlock the full value of data? Manage it like a product ↩︎
3. MIT CISR，What It Takes to Create Lucrative Data Products，2024 ↩︎
4. McKinsey，From AI table stakes to AI advantage: Building competitive moats，2026 年 5 月 ↩︎
5. Netflix Technology Blog，Data as a Product: Applying a Product Mindset to Data at Netflix，2025 年 10 月 ↩︎
6. ISO/IEC 38505-1:2026，Information technology — Governance of data — Part 1 ↩︎
7. Chip Huyen，AI Engineering: Building Applications with Foundation Models，O'Reilly ↩︎