Data Scientists Are Becoming AI Managers, Not Model Builders

KDnuggets

KDnuggets2026年7月6日

Data Scientists Are Becoming AI Managers, Not Model Builders

6.9内容质量

TL;DR · AI 摘要

Data Scientists Are Becoming AI Managers, Not Model Builders - KDnuggets publ: 6-Jul, 2026 - Blog Top Posts About - Topi...

核心要点

主题聚焦：Data Scientists Are Becoming AI Managers, Not Mo
来源：KDnuggets，建议结合原文判断细节。
AI 分析暂不可用，本条为保底评分与摘要。

#AI#编程#前端#后端#云计算

打开原文

数据科学家正在成为AI管理者，而非模型构建者 - KDnuggets

publ: 2026年7月6日

博客热门文章

主题 AI职业建议计算机视觉数据工程数据科学语言模型机器学习 MLOps NLP 编程 Python SQL

数据集

活动

资源快速参考指南推荐技术简报

广告

订阅电子报

#header end

/ad_wrapper

数据科学家正在成为AI管理者，而非模型构建者

角色正在从构建模型转向管理模型。

作者：

Nate Rosidi，KDnuggets市场趋势与SQL内容专家，2026年7月6日发布于

职业建议

# 引言

在生产环境中运行AI的公司中，数据科学家正在将更多时间投入到AI监督和系统管理，而非模型构建。2025年和2026年的职位招聘信息和薪资数据证实了这一趋势。

LinkedIn的2025年数据显示，AI素养和大型语言模型（LLM）熟练度是全球增长最快的两项技能。Lightcast发现，51%的AI相关职位招聘信息已超出传统IT角色范畴。

具备AI技能的工作者薪资溢价达56%，在美国，要求AI技能的职位年薪平均高出约18,000美元。推动这些溢价的技能包括提示工程、检索增强生成（RAG）集成、MLOps和治理工作流。生成式AI已自动化了这些技能以下的任务：仪表板创建、SQL生成、数据清洗、基础可视化。

各报告中的数据趋势保持一致。溢价并非针对能够从零开始训练模型的人，而是针对能够将模型嵌入工作流、确保其可靠性并为输出结果负责的人。这重新定义了"从事数据科学"日常工作的实际含义，本文其余部分将详细说明时间分配情况。

# 协调和管理多智能体系统

最明确的实质性信号是企业环境中多智能体基础设施的增长。

LangGraph、CrewAI和AutoGen等框架现在可以在最小人工干预的情况下处理数据摄入、特征工程、模型评估和报告。

Gartner报告称，2024年第一季度至2025年第二季度期间，多智能体系统查询量激增1445%。预计到2026年底，40%的企业应用将嵌入AI代理，而2025年这一比例不足5%。

管理这种基础设施的数据科学家将复杂任务分解为智能体可执行的子任务，设计可靠的反馈循环，并构建防止故障级联的防护机制。这是一种系统管理技能集，应用于软件领域。

这项工作看起来不像模型开发，更像是分布式系统设计。智能体之间传递状态，重试必须有限制，上游单个幻觉字段可能污染所有下游步骤。在这种架构中，数据科学家的职责是确定错误允许存在的位置、必须捕获的位置，以及在任何内容到达用户之前需要人工签名的步骤。

麦肯锡2026年4月研究发现，人类角色正在从执行转向对代理驱动工作流程的监督和协调。

规模问题在数据中显而易见：近三分之二的企业已进行代理实验，但很少有企业将其扩展以创造实际价值。十家企业中有八家将数据限制列为最大障碍。数据科学家现在将大部分时间花在试点与生产之间的这一差距上。

麻省理工斯隆管理学院与波士顿咨询集团（BCG）2025年《新兴代理型企业报告》指出了核心权衡：过度监管会抵消自主性带来的效率提升，而监管不足则会引发合规和声誉风险。校准这一临界点需要领域专业知识和机构背景。这一过程无法自动化。

实际上，弥合试点与生产差距的表现就是：决定哪些代理决策需要记录、哪些需要批量审查、哪些在触发前需要同步人工批准。成功扩展的企业是那些将代理监督视为产品界面而非调试任务的数据科学家所在企业。这种思维模式与"模型在笔记本中运行"完全不同，也正是获得报酬的那一种。

# 评估模型与工程提示

构建模型不再是工作的全部范围。

企业需要持续跟踪模型性能、检测故障、管理再训练周期，并确保AI系统在数据和用户行为漂移时保持准确的人才。同时，MLOps已成为一个独立的全职专业领域。

提示工程遵循了类似的路径。它涵盖上下文窗口管理、扎根技术、幻觉减少以及系统性测试输入与输出。2025年提示工程岗位增长了135.8%。对公司提示系统进行压力测试的从业者所做的工作，结构上与质量工程相似。

评估与提示工程的共同点在于，两者都将模型视为组件而非成品。评估利用回归套件进行提示测试，漂移监控都服务于相同目的：在客户发现问题之前，捕捉系统停止工作的确切时刻。能够构建这些工具的数据科学家，正在做让AI功能在发布周后仍可上线的工作。

# AI系统的治理与监管

治理现在是一项具体的的技术要求。欧盟人工智能法案、NIST人工智能风险管理框架以及OWASP 2025年大型语言模型应用十大安全风险，共同构建了一个需要测试提示注入漏洞、验证输出、审查依赖项并为AI系统应用访问控制的合规表面。

"AI治理负责人"正作为一个专门职位出现，这个类别在2023年几乎不存在。

寻求治理经验的企业希望雇佣既理解业务背景又了解系统故障模式的审计师和质量评审员。

这个角色由数据科学家而非法律或安全部门承担的原因在于控制措施是技术性的。提示注入测试、输出验证和依赖项审查需要能够理解系统本身的人，而不仅仅是政策。

治理工作正在成为工作职责中监管压力、安全态势和模型行为在同一次评审会议中交汇的部分，而主持该会议的人需要同时掌握这三方面的专业术语。

# 诠释商业影响

Monte Carlo 2025 年的研究表明，智能体 AI 在每一步的准确率在 75% 到 90% 之间，这在三步流程中会累积到约 50% 的整体准确率。

在这样的准确率水平下，理解领域知识和系统失效模式的人才是产品可靠性的关键保障层。他们需要将累积的错误率转化为商业风险评估，判断哪些功能可以安全上线，并在推荐系统导致客户可见问题时解释原因。

没有任何代理系统能完成这项工作。这需要机构知识和问责能力，而这些能力只有人类具备。

这也是该角色逐渐从工程领域转向产品决策领域的分界点。50% 的端到端准确率对于自动化退款是不可接受的，但对于草稿邮件是可接受的，而内部推荐则介于两者之间。判断何时适用何种标准正是这项工作的核心，而这种能力并不会随着模型性能的提升而变得更容易。

# 结论

在生产环境中部署 AI 的公司，日常工作已经与大多数数据科学职位描述中描述的内容大不相同。它涉及系统设计、评估规范、代理监督、提示质量工程和治理。

目前，AI 治理负责人、MLOps 专家和提示工程师是 AI 相关市场中增长最快的岗位。

对于计划下一步发展的数据科学家来说，这种转变值得尽早理解。如今的数据科学职业路径需要掌握系统所有权和治理技能，而这些内容大多数传统课程并未涵盖。这些技能是可以学习的，而对它们的需求正在以大多数课程难以跟上的速度增长。

实际的启示是，下一个作品集内容很可能不是另一个 Kaggle 笔记本。它可能是一个评估框架、一个带有记录失败情况的多代理工作流，或者对现有系统的治理审查。这些成果直接对应到招聘经理现在写入职位描述的内容，它们也是区分只会构建模型的数据科学家和能够被信任运行模型的数据科学家的关键。

Nate Rosidi 是一名数据科学家，同时负责产品战略。他还是 Analytics 课程的兼职教授，同时也是 StrataScratch 平台的创始人，该平台帮助数据科学家通过顶尖公司的真实面试题准备面试。Nate 会撰写关于职业市场最新趋势的文章，提供面试建议，分享数据科学项目，并涵盖所有 SQL 相关内容。

Data Scientists Are Becoming AI Managers, Not Model Builders

TL;DR · AI 摘要

核心要点

数据科学家正在成为AI管理者，而非模型构建者 - KDnuggets

数据科学家正在成为AI管理者，而非模型构建者

# 引言

# 协调和管理多智能体系统

# 评估模型与工程提示

# AI系统的治理与监管

# 诠释商业影响

# 结论

更多相关内容

最新文章

热门文章