核心事件：Grab 推出五级自主 AI 代理框架

Grab 正在利用 AI 代理实现分析工作流自动化，减少分析师处理常规工作的占比，并缩短回答业务问题所需的时间。主要进展包括：

• 分析师处理的机械性工单占比由 2 月的 44% 降至 6 月的 30%，下降 14 个百分点；
• Spartan 系统支持通过 Slack 提交的自然语言分析请求；
• 系统整合 50+ 项技能与 120+ 个分析框架，按请求类型路由至专门工作流；
• 3 月至 5 月，自助分析请求中无需人工干预的比例从 53% 提升至 67%；数据提取从 63% 提升至 90%；SQL 查询从 50% 提升至 81%；
• BriX 门户自 9 月以来使用量增长超过 10 倍，团队上半年完成 31 次生产环境部署、283 次合并请求和 60 项功能开发；
• Scarlet 可对管道故障执行根因分析并修复，若预定义检查点或既有运行手册无法解决问题，则上报给人工处理。

五级自主模型：界定人机职责边界

Grab 的五级自主模型为分析任务的自动化范围提供了分层框架，核心是在提升自动化程度的同时保留人类监督。原文重点提到的几个级别如下：

• 第 3 级：人类提出问题并审核结果；AI 代理负责发现数据、编写和执行查询、验证结果并起草分析报告；
• 第 4 级：AI 代理可以规划和协调工作流，人类在预定义检查点进行审核；
• 第 5 级：代表端到端自主，人类只设定目标、质量阈值和升级规则。

不过，Grab 也明确保留了人类在关键判断上的职责：指标定义、因果解释、业务假设和最终决策仍由人类负责。这意味着该框架更像是对分析师工作的重新分工，而不是简单替代。Grab 分析负责人 Maanas Prabhakar 在 LinkedIn 博文中也提出了一个关键问题：当数据准备、分析和其他流程都由智能代理处理时，分析师该做什么？

从当前数据看，数据提取是自动化效果较明显的环节：到 5 月，无需人工干预的数据提取请求比例已提升至 90%。这类重复、规则明确的工作被代理接管后，分析师可以把更多精力放在自助工作流设计、业务解释和更深入的问题分析上。

数据与知识底座：质量先于自动化

Grab 强调，AI 代理要可靠运行，离不开结构化的数据上下文建设。该公司维护了：

• 超过 5000 个认证表和指标；
• 4000 份上下文文档；
• 2000 条黄金记录；
• ContextIQ 系统，用于管理上下文生命周期，并随着监控配置变化更新上下文，同时整合生产环境中代理故障暴露出的修复方案。

这套上下文体系让 Spartan 能根据问题类型选择更合适的工作流。例如，当用户询问根本原因时，系统可以触发对认证指标和相关维度的分析；当问题与实验有关时，系统会检索已有记分卡，而不是直接查询数据湖。这样可以减少低质量查询和口径不一致带来的风险。

值得注意的是，约四分之三的讨论贴来自分析团队之外，其中 85% 的请求在 1 分钟内获得首次回复。这表明该系统不仅服务分析师，也在向更广泛的业务团队开放自助分析能力。

BriX 与 Scarlet：分析开发与运维自动化

除 Spartan 外，Grab 还在分析报告和分析运维环节使用 AI 代理能力：

BriX 可按国家和细分市场拆解指标，并将变化与运营调整、实验进行关联分析；Scarlet 则面向分析操作中的故障处理。两者体现了同一思路：让 AI 代理承担更多标准化、可验证的流程，人类保留审核、解释和决策职责。

落地建议

• 更适合的场景：分析请求量大、指标体系较成熟、已有认证表和文档治理机制的组织，可以优先评估这类代理化分析流程；
• 需要先补课的场景：如果指标口径尚未统一、数据资产缺乏认证机制，或业务上下文分散在个人经验中，应先夯实数据治理和知识库，再推进代理层自动化。

写在最后：AI 代理在分析领域的落地，正在从“代答问题”走向“代执行流程”。但分析师的价值并不会因此消失，而是从执行者转向工作流设计者、业务解释者和质量守门人。自动化能否真正产生价值，关键不只在模型能力，也在于人机责任边界是否足够清晰。