當 AI 拼裝份 report，reporting 就唔再係一項 production task，而變成咗一項 intelligence task。拉取、關聯、排版、敘述而家大多係機械嘅；analyst 嘅價值由做 chart 轉向讀 chart。呢個就係全部嘅轉變，對任何靠「砌 slide」收錢嘅人嚟講，呢次係一次身份嘅轉變。
我寫 report 呢件事寫咗好耐，而個抱怨冇變過：大部分 report 係俾人拼裝嘅，唔係俾人理解嘅。變嘅係，拼裝而家平到可以白送，呢個終於逼出咗嗰個區分。等我將兩半拆開嚟講。
Reporting 曾經係拼裝
喺我職業生涯嘅大部分時間，週報係一門手藝。你登入四個 platform，導出啲數字，核對差異，做 chart，寫評論，按 deadline 交。技能在於喺時間壓力下又快又準，而一個好 analyst 嘅標準，係一份按時交嘅乾淨 report。
當中好少係分析。佢係拼裝，上面薄薄冚一層評論，所有人都知——呢個就係份 report 成日冇人讀嘅原因。佢到咗、俾人掃一眼、咩都冇改變，因為大部分力氣都花喺「做佢」而唔係「佢講咗咩」上面。我喺多年前就抱怨過呢件事，唔好將時間嘥喺 report 度，因為冇人在乎佢哋，問題從來唔係格式，而係份工作止步於拼裝。
AI 攞走咗咩
Report 入面機械嘅核心而家大體可以自動化，而且佔比比大部分 analyst 以為嘅更大。
- 拉取同關聯。 由 ad platform、analytics 同 CRM 度攞數字、將佢哋砌成一個視圖，係一項 data-plumbing 工作，個 workflow 一駁好就可靠咁做。
- 排版同製圖。 將關聯好嘅數字變成標準視圖係一份 template 工作，部機器每個禮拜做得一模一樣。
- 敘述顯而易見嘅。 第一 pass 描述——花費升咗、conversion 跌咗、CPM 升咗——係對住啲數據嘅語言生成，準到足以幫 analyst 慳返大量打字。
- 標記 anomaly。 搵到嗰個跑出咗頻寬嘅數字係搵規律，而 model 喺比一個人盯得到嘅更多 metric 上都擅長。
噉係舊工作嘅一大塊。剩低嘅係從來就係重點嗰部分。
咩留返俾人
如果部機器產出啲數字同描述，analyst 擁有嘅係意義。
稀缺而有價值嘅動作係解讀：決定呢個變動意味住咩、將佢連到業務已經知或者應該知嘅某件事上、並提出一條有人可以據此行動嘅建議。「花費升咗、conversion 跌咗」係描述。「Conversion 跌咗，係因為我哋將 budget 移咗去一個喺 last-click 上睇落高效、卻帶嚟低意向流量嘅 placement，而呢件事應該噉做」係 intelligence。
第二句先係份工，而佢唔係拼裝。佢需要 model 默認冇嘅 context——客戶今季在意咩、上個禮拜變咗咩、業務已經試過咩。呢個同我喺喺你嘅週報／月報／季報度攞到好 insight 嘅 9 個技巧所做嘅同一點：一份 report 嘅價值在於佢嘅 insight，而 insight 一直係人嘅產物。AI 只係令佢周圍嗰啲拼裝消失咗。
拼裝 vs intelligence
| 維度 | Report 作為拼裝 | Report 作為 intelligence |
|---|---|---|
| 核心任務 | 拉取、關聯、排版、敘述 | 解讀、連接、建議 |
| 價值衡量 | 按時交付 | 改變咗一個決定 |
| 成本驅動 | Analyst 工時 | Analyst 嘅判斷同 context |
| 機器佔比 | 低（舊 model） | 高（新 model） |
| 人嘅佔比 | 成份工作 | 判斷同「噉又點」 |
| 讀者體驗 | 一份可以掃一眼嘅 slide | 一條可以據此行動嘅建議 |
| 失敗模式 | 遲到又冇人讀 | 快而錯，或快而俾人無視 |
仔細讀最後一行。AI 原生 report 以唔同方式失敗：佢好少遲到，但佢仍然可能錯或者俾人無視。將錯嘅嘢快速、準確咁拼裝出嚟，唔係改進——係同一個錯誤，交付得更早。
新嘅風險：更快咁產出錯嘅 report
當拼裝免費，誘惑係產出更多：更多 metric、更多 chart、更多自動評論。呢個同舊嘅一百頁 slide 係同一個陷阱，我反對了佢好多年，只不過而家部機器填得佢更快。
取代拼裝時間嘅紀律係編輯。如果部機器起草描述，analyst 嘅第一項工作就係將佢砍到少數幾件重要嘅事上，並加上解讀。份 report 變短，而唔係變長，因為目的係令個決定更容易，而唔係證明努力。產出嘅量而家係一個警告訊號，唔係美德。
點樣圍繞 intelligence 重建一份 report
重建係具體嘅，而且同生命週期其餘部分係同樣幾個動作。
- 將 data plumbing 一次過整好。 喺一個 workflow 度關聯啲數據源，令啲數字乾淨咁到達，停止手工導出。大部分 report 嘅痛苦喺分析嘅上游。
- 自動化描述，唔好自動化結論。 俾部機器寫「發生咗咩」，將「佢意味住咩」留俾 analyst。
- 以建議開頭。 重排份 report，令 insight 同建議嘅行動喺前，支撐數字喺後。
- 設定 anomaly 閾值。 決定咩值得標記，令部機器俾出訊號而唔係每一次郁動。
- 無情咁刪減。 如果一個 metric 唔改變一個決定，就砍走佢。更短嘅 report 會俾人讀。
噉做，週會就改變咗性質：佢唔再係逐頁行 slide，而變成咗一場關於「應該做咩」嘅對話。嗰個先係值得為之優化嘅結果。Execution 指南覆蓋呢件事嘅營運側，面向 team lead 嘅 lane將佢摺入更寬嘅 rollout。
會議先係產品
如果份 report 而家俾人生成，會議就係價值實現嘅地方，佢應該被噉設計。議程唔係走讀；佢係少數幾個決定，每個都帶住已經附好嘅解讀同支撐數字。當拼裝消失，每個禮拜嗰一個鐘終於花得到喺真正重要嗰兩三個決定上——將 budget 移去邊、承諾邊個 message、停咩。一份產出好會議嘅 report 完成咗佢嘅工作；一份產出唔到任何決定嘅靚 slide 冇。
Measure 咩
Measure 一份 report，睇佢有冇改變咗咩，而唔係睇佢有冇交付。追蹤一條建議俾人採納嘅頻率、幾多 metric 捱得過刪減、以及 analyst 一個禮拜有幾多時間花喺拼裝而非解讀上。如果拼裝佔比仲高，個 workflow 就未完成；如果解讀佔比低而又冇人據份 report 行動，你自動化錯咗嘢。
FAQ
AI 會取代 report analyst 咩？
佢取代拼裝嗰一半，嗰個係工時嘅大部分。佢唔取代解讀、context 或建議。轉向 intelligence 嗰一半嘅 analyst 變得更有價值；嗰啲價值在於砌 slide 嘅人需要一個新角色定義。
如果部機器敘述啲數字，份 report 仲可信咩？
只有你仍然驗證嗰陣先可信。自動敘述描述嘅係數據講咗咩，同咩係真嘅唔係同一回事——數據可能錯、歸因可能有誤導、anomaly 可能係一次 tracking 斷裂。人擁有驗證，尤其喺一個數字到咗客戶之前。
拼裝平咗，report 應該變長咩？
唔應該——恰恰相反。當拼裝免費，紀律係編輯。部機器可以比人更快填滿一百頁；analyst 嘅工作係將佢砍到少數重要嘅事並加上解讀。更短通常更好。
我哋點樣由拼裝走到 intelligence？
將 data plumbing 整好令啲數字乾淨咁到達，自動化描述但唔好自動化結論，令份 report 以建議開頭，並 measure 份 report 有冇改變一個決定。呢個轉變大多在於你停低做咩，而唔係你加咗咩。
短版
AI 將拼裝由 report 度攞走——拉取、關聯、排版、敘述——留低 intelligence，而 intelligence 一直係重點。Analyst 嘅價值由做 chart 轉向讀 chart 並提出行動。風險係更快咁產出更多 report，而唔係更少、更鋒利嘅 insight。圍繞建議重建、measure 有冇人行動、俾部機器去打字。Execution 指南將呢件事擺入更寬嘅 lane。
我唔止一次犯過「交付一份靚卻咩都冇改變嘅 report」嘅錯誤，而我花咗好耐先睇清，嗰份靚本身就係問題。
如果你嘅團隊由拼裝走到咗 intelligence，我好想聽下你點樣令份 report 變短——嗰個通常係最難嘅部分。
Cheers, Chandler
本文提供繁體中文（香港）版本。課程材料（影片、模板和配套指南）以英文、日文、簡體中文和韓文提供。本網站提供 13 種語言版本。