前陣子在矽谷與紐約科技圈打滾的朋友們，茶餘飯後聊的話題只有一個：Google的工程師到底要走多少人才甘心？身為一個長時間觀察科技產業脈動的內容人，我注意到2025到2026年這波人才海嘯特詭異——不是被裁員，而是主動閃辭。最讓我繃不住的是Aashna Doshi這位年僅23歲的印度裔工程師，她才在Google紐約總部做了四年軟體工程師，薪水 — 照她自己的說法——是「做夢都會笑」的那種package，卻在2025年初毅然遞辭呈。她不是去換個坑，而是拉著Podcast搭檔，搞了一間叫「Let’s Data Science」的AI新創。

這件事聽起來像熱血勵志劇，但背後的產業訊號其實很硬：企業對於「把數據變現」的渴望，已經飢渴到願意用任何代價買單。而LLM Agents的自動化能力，剛好給了這些人一個絕佳的槓桿支點。我這幾個月陸續觀察了數十家新創與企業端的數據轉型專案，發現低代碼AI平台正在以驚人的速度滲透傳統資料科學部隊，這不是取代，而是整個遊戲規則的重啟。

為什麼頂尖工程師紛紛離開Google擁抱新創？人才出走潮的底層邏輯

先老實說，Aashna Doshi不是唯一的一個。從Noam Shazeer這種VP級的大神跳槽OpenAI，到John Jumper離開DeepMind轉投Anthropic，再到Doshi這種年輕工程師乾脆自己越看創業，Google的人才流失已經不是新聞，是一種結構性現象。Business Insider的報導指出，Doshi在Google的「0 to 1」Podcast其實就是她內心騷動的縮影：單純寫程式已經沒辦法滿足她，她想要的是「更創造性、更互動」的表達出口。

這個現象呼應了一個更大的趨勢：2026年全球AI支出衝上2.59兆美元（Gartner, 2026），頂尖工程師發現在巨頭裡「當螺絲釘」的報酬率，遠低於出來自己槓桿這波紅利。而且低代碼／無代碼平台的成熟，讓一個工程師加上幾個AI Agent就能做出過去需要一整組Data Team才能搞定的產品。

Agentic AI與低代碼數據工具如何改寫企業分析遊戲規則？

Let’s Data Science的核心命題其實很直白：讓不會寫程式的人也能跑數據分析、建預測模型、甚至自動生成營運報表。這聽起來像老生常談，但差別在於LLM Agents的「自主決策」能力。以前的低代碼工具頂多是把寫程式的過程「視覺化」，你still得知道怎麼拖元件、怎麼接資料源；但Agentic AI可以直接對話下指令，由AI Agent去拆解任務、抓取資料、清洗數據、跑模型、輸出視覺化報告。

聽起來很科幻？其實已經有企業開始這樣幹了。我們觀察到，2026年嵌入企業軟體的Agentic AI市場規模上看2019億美元，代表這不是小眾玩具，而是企業軟體標配的轉折點。Let’s Data Science的訂閱制服務涵蓋預測建模、預測分析、自動化儀表板——這正是目前企業最願意付錢的三個模組。

訂閱制AI數據服務會是2026年最穩定的商業模式嗎？

Let’s Data Science選擇訂閱制作為主要營收模式，這個決定其實很有算計。根據我們對2026年企業軟體採購行為的觀察，CFO們對於「一次性買斷」越來越感冒，反而偏愛按使用量或按模組計費的SaaS模式。原因很現實：AI技術迭代太快，今天買的解決方案下個月可能就被超越了，訂閱制讓企業保留了「隨時換腦」的彈性。

更有趣的是，訂閱制與自動化平台的整合——Let’s Data Science計畫將服務串接至Zapier、Make這類自動化工具，讓數據分析變成一種「可以排程、可以觸發、可以串接」的自動化流程。舉例來說，當你的電商銷售數據異常下降時，AI Agent自動觸發分析、比對過往模式、產出報告並寄送給相關主管，整個過程無需人類介入。這種「事件驅動式分析」正是2026年企業競爭力的核心差距。

數字不會說謊：Gartner預測2026年全球AI服務支出將從2025年的4364億美元躍升至5855億美元，年增長超過34%。而在這5855億美元中，數據分析與預測服務佔了最大的一塊餅，因為這是企業離不開、卻也最缺人才的環節。

從預測模型到自動決策：企業導入AI Data Science的實務盲點

講了這麼多好的，來潑點冷水。我上個月跟幾位資料長（CDO）聊天，發現大家對Agentic AI的期待其實有點過頭。很多人以為買了平台、接了API，就會自動跑出「商業洞察」——這叫做「工具幻�’]=強大的幻覺」。

第一個盲點是數據品質。AI Agent再厲害，也沒辦法憑空�出高品質的數據。如果你的CRM系統裡塞滿幽靈客戶、ERP裡面庫存數字全是錯的，那AI跑出來的預測只會是一坨高級垃圾。第二個盲點是「人機協作」的定義模糊。當AI Agent開始做出建議甚至直接執行決策時，誰來扛責任？這牽涉到合規與治理的硬問題，不是技術能解決的。

第三個盲點最殘酷：很多企業以為導入AI數據工具是為了「取代資料科學家」，但其實真正的價值在於「放大資料科學家的產出」。一個優秀的資料科學家搭配AI Agent，可以把過去需要兩週的分析報告濾縮到兩小時，然後把多出來的時間拿去解決更複雜、更有商業價值的問題。這才是工具的終極意義——不是為了裁人，是為了讓人才去做更有價值的事。

FAQ：AI Agent會取代資料科學家嗎？

Q1：Let’s Data Science這類新創，跟傳統BI工具有什麼不一樿？

核心差異在「主動性」。傳統BI工具是被動式的——你下指令，它吐報表。Agentic AI平台則是主動監控數據變化、主動發現異常、主動提出建議。你可以把它想像成請了一位永遠不需要睡覺、也不會抱怨的數據分析師，而且學習速度是以秒計算。

Q2：中小企業沒有大廠的數據團隊，適合導入這類AI平台嗎？

這其實正是Let’s Data Science瞄準的藍海市場。根據我們的觀察，2026年中小企業對於「平民化AI數據工具」的需求爆炸性成長，因為它們負擔不起動輒年薪百萬的資料科學家。低代碼／無代碼的訂閱制服務，讓這些企業可以用相對低廉的成本獲得過去只有大廠才玩得起的数据分析能力。

Q3：AI預測模型的準確度，真的能信任嗎？

這取決於你的「信任標準」與「使用場景」。Gartner指出，2026年已有超過60%的企業在至少一個業務流程中採用AI輔助決策。重點不是要求AI完美無缺，而是建立「人機共審」的機制——讓AI負責大量運算與模式識別，人類專家負責最終把關與例外處理。這種協作模式，目前是業界公認最務實的做法。

結語：這場數據民主化革命，你才剛開始目擊

從Aashna Doshi放棄Google百萬年薪、到全球企業瘋搶AI數據工具，這條脈絡其實指向同一個訊號：資料科學的門檻正在以極快的速度瓦解，而率先擁抱這波變革的人（與企業），將在接下來三到五年內取得決定性的競爭優勢。無論你是正在考慮轉型的企業主、還是擔心被AI取代的資料從業者，現在都是最好的進場時機——問題只在於，你選擇當旁觀者，還是下一個顛覆遊戲規則的人。

🚀 立即聯繫我們，規劃你的AI數據轉型策略

參考資料

• Let’s Data Science – Google Engineer Quits to Build AI Startup
• AOL – I left a Google job I loved
• Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026
• Roundup of agentic AI forecasts and market estimates, 2026
• Aashna Doshi LinkedIn Profile
• Aashna Doshi Official Website