一、結論：可在部分環節嵌入，無法直接處理大量數據

1.非本地部署的AI應用處理非機密文件沒問題，內部文件要注意數據安全風險。

2.AI（指高規格大模型）十分適合探索性研究分析，對復雜報告無法全流程執行，主要應用于快速搭建分析框架輔助人工分析，例如：提供背景需求→生成分析大綱（人工修訂）→根據大綱統計各維度數據（人工執行：提供統計模板→生成統計腳本/AI執行：直接統計源數據需注意驗證）→數據解讀（人工修訂）。

3.AI不完全適合固定模版的統計分析，對復雜模板的生成穩定性不足，大模型對同一指令的多次輸出都會有偏差，在復雜的清洗環節有一定可行性，無法全流程執行。對簡單模板的生成算力消耗高、性價比對于傳統自動化程序而言不高，但在非本地化部署、非自主開發的情況下，某些場景使用各大模型商的產品或許能達到不錯的效果。

4.目前體驗有潛力的適合非技術人員使用的工具是WPS AI，對標OFFICE 365+Copilot？非廣告，先說結論：難以適應實戰（= 。=），優點是集成對WPS接口的調用，可直接操作文檔和表格，相比各網頁版大模型上傳EXCEL后進行問答分析，或輸出公式、腳本，省去了間接學習操作和復制粘貼的步驟。缺點是還比較弱智。

5.大模型分析（含清洗、統計、解讀）表格數據主要有三種模式，一是提供方法教學（模擬專家，只教不做），自己再去用別的工具來實現（比如教你用Excel和Python）。二是用大模型的原生能力（直接做），本質是把數據降維，類似轉換文本向量，相當于長文檔總結，但因大模型幻覺、未在垂直領域微調、源數據未清洗等，不能保障分析質量，且對用戶的prompt工程能力要求也較高。三是自動執行腳本（Agent，集成其他工具的工作流），類似WPS AI，理解用戶需求后生成清洗、統計和可視化腳本，在底層調用插件（解釋器）執行代碼，再將結果返回頁面展示，好處是數據清洗和統計是準確的，大模型主要負責設計分析思路和對統計結果進行解讀。個人可按情況選用，企業級開發應按Agent方向。

二、數據分析流程替代率預估

分析大綱設計（30%至60%，AI提供分析思路、制定報告大綱，但初級分析師不主動思考可能會過于依賴AI）

→采集（3%至10%，絕大部分結構化數據還是需要定制爬蟲程序，但如“近十年XX產業重點企業清單”這類需求可用AI聯網搜索，或者是去收集需要爬的目標網站）

→清洗（5%至30%，規則較模糊、傳統程序處理精度不高的用AI效果會好一點，例如：對大段口水話描述文本進行分類、提取）

→統計（10%至30%，適合非技術人員使用，對具備技術基礎的分析人員而言，清洗質量高的數據用python統計有顯著的速度優勢）

→分析解讀（10%至30%，對已經統計好的數據進行解讀，表述上優于初級分析師，對源數據直接分析也可提供總結框架）

→各類交付形式（10%至30%，穩定輸出有難度，還需人力修正，若需求方對格式模板無嚴格要求就比較好用）

三、主要難題

1.基于數據安全，理論上不應將內部業務數據上傳給非本地AI進行分析。
解決方向：（非要上傳的話）脫敏用密文表示分析對象，上傳AI分析輸出后再轉換回來？更復雜的體系，如結合隱私計算有一定技術門檻。或勇敢相信各大模型商的安全協議？

2.個人現有條件下本地部署大模型性能表現不及官方API。
解決方向：emmm調優？分析師不必在這上面硬磕，交給研發團隊吧，讓老板買服務器吧。

3.簡單的模擬數據處理效果尚可，暫無法適應復雜的真實分析任務，審核成本高，計算精度、輸出穩定性、流程可驗證性不足，長期使用可能哪天出錯了也發現不了，因為AI最擅長的就是一本正經的胡說八道。把AI比作實習生，它可能要很久才能轉正（隨著技術進步也可能很快），總是不能放心直接使用它輸出的東西。
解決方向：長期試驗調優。

四、WPS AI數據分析體驗案例

AI表格助手：理解需求后通過自動生成執行js宏來直接操作表格，更方便快捷，適合清洗和格式整理。

AI數據分析：理解需求后通過自動生成執行python來間接操作表格，銜接不夠流暢，只能做清洗和統計，不利于格式整理。

上述功能均需拆解分析流程，通過多輪指令逐步引導AI執行才能有較好效果，“一句話指令”分析不夠智能。指定細節和等待響應的時間成本較高，對精通Excel和Python的分析師而言比較雞肋，但這種模式還算是未來可期吧。測試示例如下：