最近有學員問我一個問題：

現在 AI 越來越強，很多資料清理、圖表分析，甚至 DAX 計算，好像都可以交給 AI。

我覺得這個問題問得滿好的（因為我曾經也自我懷疑過 😂）。

以前你可能覺得會 Power BI、寫 DAX、會做圖表、會整理資料，是一件很有競爭力的事。

但現在 AI 可以幫你生公式、整理邏輯、建議圖表、甚至可以直接幫你解讀資料。

那學這些東西的價值，是不是就變低了？

我覺得答案是：

如果你只是把 Power BI 當工具學，那價值確實會被壓縮。

所以真正該問的不是：「Power BI 還有沒有價值？」

而是：「你到底把 Power BI 當成什麼來學？」

↓

只把 Power BI 當工具學，AI 真的會讓你焦慮

很多人學 Power BI，一開始都是從工具開始，這很正常。

➔ 學怎麼匯入資料

➔ 學怎麼清理資料

➔ 學怎麼建立關聯

➔ 學怎麼拉圖表

➔ 學怎麼寫 DAX

➔ 學怎麼發布報表

這些都很重要。

但問題是，如果你的學習只停在這裡，那你最後很容易變成一種角色：

報表工具人。

➔ 別人給你需求，你做

➔ 別人說要欄位，你加

➔ 別人說要圖表，你畫

➔ 別人說數字怪怪的，你改

你可能很忙、也可能真的很熟 Power BI，但你在職涯的角色並沒有進步。

你只是更快、更熟練地完成別人交代的東西。

而這件事在 AI 時代會變得很尷尬。

因為只要需求夠明確，AI 本來就很擅長照著做。

你叫它寫一個 DAX 初稿、整理公式邏輯、建議圖表呈現方式、把資料欄位轉成比較好懂的描述。

這些事情由 AI 做，它只會越來越快。

所以我覺得在 AI 時代，最容易被影響的，不一定是技術最差的人，而是只願意照單執行的人。

因為照單執行這件事，本來就最容易被標準化。

➔ 需求進來

➔ 產出報表

➔ 修修改改

➔ 交付結果

如果你的價值只停在這裡，那 AI 確實會讓你焦慮。

可是，真實的報表工作，麻煩的地方通常不是「怎麼做出來」。

而是所有人不在同一陣線…

↓

真正難的不是寫公式，而是大家對同一個數字的理解一不一樣

我以前做報表時，很早就感受到一件事：

很多時候，報表最難的地方不是技術、也不是某個 DAX 函數不會寫、更不是圖表不知道怎麼排。

而是大家以為自己在講同一個數字，但其實每個人心裡度量的尺都不一樣。

例如：「營收」兩個字聽起來很簡單。

但…

➔ 要算含稅還是未稅？

➔ 要不要扣退貨？

➔ 要不要扣折讓？

➔ 訂單成立就算，還是出貨才算？

➔ 那如果是跨月訂單呢？

再例如「有效訂單」：

➔ 什麼叫有效？

➔ 付款成功算不算？

➔ 已出貨才算不算？

➔ 取消訂單要不要排除？

這些東西如果沒有對齊，最後報表做出來，使用者很可能只會問你一句：

「你這個數字怎麼跟我想的不一樣？」

這時候問題不一定是公式本身，而是對同一個指標的理解，本來就沒有對齊。

所以報表開發一開始真正要問的，常常不是：「你要什麼圖？」。而是：

➔ 你為什麼要做這張報表？

➔ 這張報表做給誰看？

➔ 使用者多久會看一次？

➔ 看完之後要做什麼行動？

➔ 這個 KPI 到底怎麼算？

➔ 資料從哪裡來？

這些問題聽起來很麻煩，但它們才是報表能不能真的被使用的關鍵。

很多人以為報表開發是在把資料做成畫面。

但很多時候，我們真正做的，是先把大家對同一個數字的理解對齊。

Power BI 只是最後呈現出來的介面、DAX 也只是把邏輯寫進去的語言。

如果前面的定義沒有對齊，後面公式寫得再漂亮，也只是金玉其外、敗絮其中。

這也是為什麼我會提醒學習者：AI 可以幫你算，但它不一定知道，怎樣才算對。

↓

AI 不是萬靈丹，它只是把你原本的理解放大

我不反對 AI。

相反地，我自己也覺得 AI 在 Power BI 開發裡面很有幫助。

尤其是在資料匯入後的模型建置期。

把需求講清楚，AI 可以很快幫你產生 DAX 初稿、整理指標邏輯、檢查公式與資料模型或圖表呈現的建議。

這些都很好，也確實可以省很多時間。

但前提是：你要知道自己要 AI 幫你做什麼？

如果你不懂資料、沒有定義 KPI、也不知道使用者怎麼用資料，那 AI 產出的東西，就算看起來很完整，也不一定真的能用。

我覺得很多人對 AI 有一個過度樂觀的想像。

好像只要把資料丟進去，AI 就會自動幫你做出正確的分析。

但現實不是這樣。

AI 的輸出好不好，很仰賴你給它什麼規格。

像是你你有沒有告訴它：

➔ KPI 怎麼算

➔ 哪些資料要排除

➔ 這張報表是給誰看

➔ 使用者看完後要做什麼決策

如果這些都沒有，AI 不是在幫你變強，它只是更快幫你產出一個你無法驗證的結果。

所以 AI 它不是萬靈丹，它比較像加速器。

你理解得越清楚，它越能幫你加速。

你理解得越模糊，它也只是更快把模糊做成結果。

但如果都定義清楚了，就可以全部交給 AI、不用學 Power BI 了嗎？

↓

關鍵不是 AI 會不會算，而是能不能判斷它算得合不合理

我覺得 AI 時代做報表，最需要注意的不是 AI 產出得快不快。

而是它產出的結果，你能不能判斷。

一張 AI 幫你做出來的儀表板，可能看起來很完整。

有 KPI。

有趨勢圖。

有比較。

有異常提醒。

甚至還有一段看起來很像顧問寫的分析文字。

但如果底層的資料關聯跟實際業務定義不一致呢？

如果 KPI 定義跟使用者期待不一致呢？

如果篩選條件跟會議上討論的情境不一致呢？

這時候，報表越漂亮，越容易讓人以為它已經準備好了。

因為使用者可能真的拿它去開會、判斷和討論後續行動。

而你如果不知道它是怎麼算出來的，也就很難驗證這個數字到底能不能用。

這才是問題。

所以在 AI 時代，學 Power BI / DAX 的目的，不是為了跟 AI 比誰寫公式比較快。

你一定比不過。

也沒必要比。

真正重要的是，你至少要懂到可以驗證 AI、修正 AI、指揮 AI。

你要知道它寫出來的公式大概在解決什麼問題。

你要知道這個計算邏輯跟商業定義有沒有一致。

你要知道這張報表出來的數字，可不可以被拿去做決策。

否則你只是把自己的判斷外包給 AI。

而資料工作最不該外包的，就是判斷。

所以問題不是：

「還要不要學 Power BI / DAX？」

問題是：

你還要不要用以前那種方式學？

↓

你不一定要變成 DAX 狂人，但你要懂到能判斷

我覺得 AI 時代的 Power BI 學習方向，確實會改變。

以前很多人學 Power BI，會很容易走向這種路線：

把每個功能都學完、把每個 DAX 函數搞懂、寫出很複雜的公式、把每個模型觀念都鑽到很深。

但我覺得未來不一定每個人都要走到那麼極致。

因為很多開發細節，AI 真的可以幫你加速。

➔ 你不一定要每次都從零開始手刻公式

➔ 你不一定要記住每個函數的所有細節

➔ 你不一定要什麼都靠自己慢慢查

但你不能完全沒有判斷力。

你不一定要成為最會寫 DAX 的人，但你至少要懂得 AI 寫出來的東西能不能用。

你不一定要背下所有 Power BI 功能，但你要知道這些功能是用來解決什麼問題。

你不一定要自己完成所有分析，但你要知道一個好的分析，應該回到什麼商業問題。

我覺得未來重要的，已經不是你能不能寫出最複雜的 DAX，而是可不可以把商業邏輯穩定地放進資料模型裡。

讓報表、使用者，甚至未來的 AI Agent，都能基於同一套邏輯去理解資料。

為了做到這點，在與使用者需求訪談時，我們要開始問：

➔ 這個指標為什麼要這樣算？

➔ 這個資料模型為什麼要這樣設計？

➔ 這個數字出來後，誰會使用它？

➔ 使用者看完後，要做什麼行動？

➔ AI 給我的答案，我要怎麼判斷它對不對？

這才是 AI 時代 Power BI 學習者真正要補的東西。

只是，Power BI 的價值還不只是在你跟 AI 之間。

它最後還是會回到使用者身上：

↓

模糊需求不是麻煩，它是你建立信任的入口

我自己的成長路徑比較特別。

第一份工作開始，我就在 IT 部門直接對接集團內不同工廠的需求。

需求發過來，我們就要想辦法把它實現。

所以對我來說，資料工具從來不是單獨存在的東西。

它一直都跟使用者、現場需求和後續決策綁在一起。

也因為這樣，我很早就學到一件事：

只聽使用者說他要什麼，通常是不夠的。

很多時候，使用者提出的需求其實不會一開始就很清楚，這很正常。

因為很多人過去就是在 Excel 裡看表格、看明細、做篩選，所以自然會用那個方式想像 Power BI。

但 Power BI 可以做到的可不只是把表格重做一次。

它可以幫使用者看趨勢、看異常、看組成，也可以把不同指標之間的關係串起來。

所以報表開發者的價值，不只是把 Excel 搬到 Power BI。

而是要幫使用者看見：

➔ 原來這份資料可以回答更多問題

➔ 原來這個數字不是只能被列出來，也可以被拿來判斷

➔ 原來報表不是只用來查資料，也可以提醒下一步該做什麼

要做到真正能幫上使用者的報表，簡單地在需求訪談時問一句就好：「你們要用這個資料來做什麼？」。

這句話很簡單，但它會把你從「收需求的人」，往「追問題的人」推進一步。

很多開發者不喜歡處理模糊需求。

我可以理解。

因為多問一句，常常就代表後面會多很多事。

需求會變複雜、討論會變多、責任邊界會變模糊。

原本只是做一張表，後來好像變成你要一起理解整個業務流程。

但也正因為這樣，願意處理模糊需求的人，才會被使用者記住。

使用者會覺得，你不是站在他的對立面，而是同一陣線。

模糊需求表面上是麻煩，但它其實也是你從「報表工具人」，變成「組織內值得信任的人」。

所以回到一開始那個問題：

AI 時代，Power BI / DAX 到底還值不值得學？

↓

Power BI 的價值沒有消失，只是位置變了

如果你學 Power BI，只是為了會拉圖、會寫公式、會照需求交付一張報表。

那我覺得你確實要有危機感，因為這些能力會被 AI 壓縮。

但如果你學 Power BI，是為了理解資料、對齊指標、看懂商業問題、協助使用者做判斷。

那它的價值不但沒有消失，反而會更重要。

因為 AI 越強，越需要有人知道：

➔ 什麼問題值得被問

➔ 什麼數字需要被驗證

➔ 什麼指標不能直接相信

➔ 什麼需求其實還沒有被說清楚

➔ 什麼報表看起來很完整，但其實不能拿來決策

所以你不是不用學 Power BI / DAX，你只是不能再只把它當成工具學。

你要學到足以理解資料、足以驗證結果、足以跟使用者對話、足以知道一張報表背後，到底要支撐什麼決策。

Power BI / DAX 的價值沒有消失，它只是從「我會做報表」，移到了「我知道這張報表為什麼值得被做出來」。

AI 可以幫你更快做出報表，但你要先知道，這張報表為什麼值得被做出來。

哪邊還能獲得更多資源呢？

延伸閱讀