东南亚科技公司 Grab 披露，分析师处理的机械性工单占比已从 2 月的 44% 降至 6 月的 30%——通过一套五级自主模型，AI 代理接管了数据准备、告警与报告生成，而人类保留了对指标定义和最终决策的控制权。
Grab 的分析团队每天处理大量业务请求——数据准备、告警排查、报告生成。这些工作占用了分析师近一半的时间，也让他们没空做真正需要判断力的分析。
分析师工单为机械性工作，大量时间耗在取数、清洗与格式整理上。
机械性工单占比显著回落，分析师开始转向自助工作流与深度分析。
▼ 14 个百分点注：数据来自 Grab 公开披露的 2 月与 6 月内部工单统计，机械性工作定义为数据准备、告警和生成报告等可流程化任务。
降幅不小，但更有意思的是变化的结构——不是 AI 替人做完了所有事，而是 AI 把「能流程化的」和「需要判断的」清晰地切开了。
Grab 没有直接让 AI 全权接管分析流程，而是构建了一套五级自主模型，在保持人类监督的前提下，逐级放权。
人类负责提问并审核结果，AI 代理负责发现数据、编写和执行查询、验证结果、起草分析报告。
人类：提问 + 审核AI 代理可以规划和协调多步骤工作流，人类在预定义检查点进行审核把关。
人类：检查点审核AI 代理端到端自主运行，人类仅需设定目标、质量阈值和升级规则。
人类：设定目标 + 兜底注意一个细节：在 L5 级别，Grab 仍然保留了人类对指标定义、因果解释、业务假设和最终决策的控制权。自主不等于失控——这是整套设计的底线。
这套模型的落地载体是 Spartan 系统——一个将自然语言分析请求路由至专门工作流的引擎，包括通过 Slack 提交的请求。它运用 50 多项技能和 120 多个分析框架。
可靠性从哪里来？Grab 维护着庞大的数据上下文资产：
这些数据通过 ContextIQ 系统进行生命周期管理，会随着监控配置的变化更新上下文，并整合从生产环境 AI 代理故障中识别出的修复方案。
此外，Grab 还部署了 Scarlet——一个专门处理管道故障的 AI 代理，通过根因分析自动修复问题，当预定义检查点或已记录运行手册无法解决时，则升级上报。
最直观的成果，体现在「无需人工干预即可完成的自助分析请求」比例上。3 月至 5 月，三个核心指标全线跃升：
注：数据覆盖 2026 年 3 月至 5 月。自助率指「无需人工干预即可完成」的请求占比，与整体工单量无关。
更深远的变化在组织层面——约 75% 的讨论帖源自分析团队之外，85% 的请求在一分钟内获得首次回复。分析能力正在从「专岗专责」变成「全员可用」的基础设施。
但这也引出一个更尖锐的问题：当 AI 代理做掉了所有「动手」的工作，分析师还剩什么？
Grab 分析部门负责人 Maanas Prabhakar 在公开分享中抛出了一个直指核心的问题：
「当数据准备、分析以及其他所有工作都由智能代理处理时，分析师该做什么？」
这不是一个修辞性问题。44%→30% 的降幅说明 AI 代理确实能接管相当比例的机械性工作，但这也意味着分析师岗位的技能要求正在发生结构性位移。
一个诚实的注脚：四个月降 14 个百分点的速度，其实算不上激进。真正值得关注的不是「AI 多能干」，而是 Grab 花了多大功夫在数据治理上——5000+ 认证表、4000+ 上下文文档、2000+ 黄金记录，这些才是让 AI 代理「敢放手用」的前提。没有这套数据底座，五级自主模型只是空中楼阁。
AI 代理不会让分析师失业，但会重新定义「分析」的门槛——当机器能完成 90% 的数据提取和 81% 的 SQL 查询时，分析师的护城河只剩两件事：定义正确的问题，和对业务做出不可替代的判断。而 44%→30% 的克制降幅也提醒我们：企业级 AI 落地的瓶颈，从来不在模型能力，而在组织愿意让出多少控制权。