GenAI 不属于数据科学家？一场关于 AI Agent 归属权的真实分歧

如果你还默认“GenAI 和 AI Agent 天然属于数据科学家”，这支视频会让你停下来重新想一遍。Braintrust 的 Phil Hetzel 用大量一线观察，拆穿了一个行业惯性认知：真正决定 Agent 成败的，可能根本不是模型能力，而是离问题有多近。

最刺耳的开场：Agent 真的是数据科学家的主场吗？

Phil Hetzel 一开场就抛出了一个让很多人不舒服的问题：Agentic development，真的“属于”数据科学或机器学习工程师吗？在过去十年里，ML 团队习惯了从数据、指标和模型出发解决问题。但在 GenAI 和 Agent 时代，这条路径第一次显得不那么理所当然。

原因很简单：Agent 不是一个“预测器”，而是一个“执行者”。它面对的不是干净的数据集，而是混乱、模糊、不断变化的真实业务场景。Phil 观察到，很多 Agent 项目失败，并不是模型不够强，而是从一开始就没想清楚“这个 Agent 到底要帮谁解决什么问题”。这个判断，往往并不掌握在最懂模型的人手里。

传统 ML vs 生成式 AI：差的不是技术，是距离

Phil 在视频中反复强调，传统机器学习和生成式 AI 之间，真正关键的差异只有两个，但足以改变团队结构。

第一，问题定义方式变了。传统 ML 更像是“给定目标函数，优化它”；而 GenAI 和 Agent 更像是“在不完全确定目标的情况下，不断试探正确行为”。这要求开发者对业务上下文有极强的直觉。

第二，与问题的“物理距离”不同。很多数据科学家习惯通过需求文档、指标看板理解业务，但 Phil 发现，真正能做出有效 Agent 的人，往往是那些每天直接面对用户痛点的人——他们更清楚 Agent 最终应该替人省哪一步、少犯哪种错。模型能力在这里反而是“现成的”。

支持与反对：为什么数据科学家仍然不可或缺

这并不是一篇“反数据科学家”的演讲。恰恰相反，Phil 非常明确地给出了正反两面的论证。

支持的一面很清楚：数据科学家拥有极其稀缺的能力——严谨的实验设计、评估意识和对系统性风险的敏感度。在 Agent 世界里，prompt 是否稳定、工具调用是否可靠、行为是否可复现，这些都需要一种“测试优先”的思维方式。

但反对的一面同样现实：当基础模型已经足够强大，大量 Agent 的核心工作不再是“把模型训练到更好”，而是“把模型用在正确的地方”。如果开发者只擅长模型，却不理解业务为什么存在，那 Agent 很可能在技术上成立，在现实中无用。

真正的答案在中间：谁该坐在 Agent 项目的桌前

视频最后，Phil 给出的结论并不激进，但非常重要：答案永远在中间。

最理想的 Agent 团队，并不是“全是数据科学家”，也不是“完全交给业务或工程”。而是一个混合体：既有能搭系统、做评估、守住底线的技术角色，也必须把那些最懂问题、最接近使用场景的人拉进来。

尤其是在 Agent 要深度嵌入业务流程时，如果没有这些“问题所有者”的参与，Agent 很容易变成一个演示效果惊艳、却无人真正使用的产品。这不是技术问题，而是组织设计的问题。

总结

这场关于“GenAI 是否属于数据科学家”的讨论，真正的价值不在于站队，而在于重新校准自己的位置。如果你是数据科学家，这意味着你需要更主动地理解业务，而不仅是等需求；如果你是工程或业务角色，这意味着你不必再对 Agent 开发望而却步。Agent 时代正在奖励那些既懂技术、又离问题足够近的人。一个值得你思考的问题是：在你的团队里，谁真正拥有“定义 Agent 成功”的权力？

关键词： 生成式AI， AI Agent， 数据科学， 机器学习， 团队结构

事实核查备注： 需要核查：Phil Hetzel 的职位与背景；该演讲是否明确来自 Braintrust；视频中关于传统 ML 与生成式 AI 差异的原始表述；视频发布时间与来源频道信息