David Graeber 的《Bullshit Jobs》有说到，许多工作正在被部分 bullshitization。它们有业务价值、协作价值、产品价值，也让系统继续运转。但越来越多时间被周边动作吞掉：证明自己在做事，解释自己为什么重要，把普通事情包装成可汇报成果，把组织问题拆成更多流程问题。真正的问题是意义密度太低。成长斜率太低。真实价值被太多表演性动作稀释。这才是白领工作的精神摩擦。你不能诚实地说它毫无价值，也不能诚实地说它承载了你最深的追求。它一半真实，一半表演；一半生产，一半叙事；一半解决问题，一半证明自己在解决问题。

怎么说呢，市场有自己的利益逻辑，但它不保证公平，一项工作有价值，也不意味着企业一定愿意为它保留独立岗位、支付相应报酬。甚至长远来看企业依旧是正确的就很闹心了。

一般 300-500 储蓄可以搞个银行 vip，一般门槛也就 300 起步，定制的年化收益还是会比普通定期强的，现在定期不到 2 的利率，央行给的基准利率太低了

哈哈哈，bullshit job 的典型例子
连从事者本人都很难证明其必要性，却又必须假装它有意义的工作。这类工作不一定低薪，也不一定辛苦。很多时候，它甚至很体面。
它一半真实，一半表演；一半生产，一半叙事；一半解决问题，一半证明自己在解决问题。
最终还是现实的一个点：大家都只是打工的，在努力的讲故事谋求生存

个人做过开发，不过没有做过 C 端的，做过 B 端的，B 端逻辑本身可能会更复杂一点，开发本身没有大家想象的那么难，多少书系统难度不会高于你做一个图书管理系统太多，很多公司的中台都很粗制滥造，套的开源前端框架壳子，后端骨架也有很多通用的，至于 DDD 啥的，大多数不会对你的功能产生太多影响。不过这个前提是负责的开发项目不是流量千万上亿的大型项目，那种项目估计踩得坑会特别多。不过正常难度的开发，在 AI 时代，有点悟性的年轻人，学个几天基础的东西，用 AI 是很快能做出成品的，至于有没有打磨那就是另说了

由于没看到原平台样子，我大概根据你得描述推断一下，正常来说，数据资产是数据治理这个大方向的前提基座，类似于一个图书馆的检索系统，把散落在各种地方的表，以及附带的属性和业务域都收拢来统一管理。有了数据资产，就可以开始贯穿数据生产全链路，追求高质量和高可用性和高交付，比如指定数据口径（比如原子指标，派生指标，指标修饰词），管理数据模型，监控数据质量，追溯表血缘（如果数据有问题，好通过血缘关系定位）。一般来说数据的使用方和业务方挺多，有些甚至是老板直接看，比如核心资金的看板，营收之类，财务口径的数据，以及对外财报以及一些核心进销存之类的。在这个层次下，又会分化数据权限，那就是谁能看这些数据，以及数据挖掘，比如指导精细化运营，做客户画像加工，或者把数据做成数据服务，对接后端直接提供计算好的数据结果之类的，数据资产平台本身可能是更服务于业务的，但是不知道你们公司建设到了什么程度，一般鼻祖是 dataworks 这种高度成熟化的产品做自己自研的借鉴的

一般看你公司的主体是什么赚钱的，我举个例子，如果是电商行业，比如得物，那么数仓建设肯定是庞大的，分资金域，交易域，供应链域，人力域 (个人觉得次要)，财务域，其他子域，你说一个公司有没有一个人能把所有域的数据流转吃透？我个人认为在 AI 未到来时代，是巨大困难，绝无仅有的，比如淘宝，阿里是不可能有任何一个产品任何一个架构能把里面的所有细节铺全的。那么放在现在，数仓的资产主要是 ETL，血缘关系，数据本身就在诉说着业务语言背后的逻辑，也就是所谓的数据洞察，一般来说是产品经理来主导，但是产品经理有个什么短板？一。对数据本身链路绝对是不太理解的，他对业务的洞察能力是在第一层也就是客户层，洞察了市场能力不等于你这个能力在下面能得到有效落地，那么这个能力就是 AI 产线规划师（我个人命名的，后时代 AI 赋能的），他是有技术基础的 + 平时在测试数据有绝对性的数据洞察能力和业务体感 + 绝对性的面向业务的交付能力 + 往前推动资产建设的能力（看人）。在这基础上，你能解决业务痛点的可发挥点就非常多了。至于怎么构建，大多数是依据 ETL 反推血缘，梳理 ETL 和实际业务的对标性，这里不仅仅是指标映射这种陈述性建设，而是基于业务痛点的图的发散性线索建设，比如新华字典懂吧，你得知识的建设需要有索引，锚点，这些都需要你在一线打趴打趴，绝对不是 AI 能帮助你做的，因为这需要你得沟通能力，你沟通好之后再结合 AI 梳理 ETL 的对应问题和建设

测试岗位目前最受 AI 红利的应该属于大数据测试岗，从这个岗位里做的好了，可以延伸出垂直领域的知识库，大数据测试是最接近公司核心资产的岗位之一了，甚至大数据开发都没有大数据测试了解。在 AI 发展时代，各种 AI 模型或者工具只能覆盖公司业务浮在海面上的百分之 20，百分之 80 都需要公司私域资产的构建，但是如何构建在几十年来是个填不完的坑，如果一个岗位能从运用 AI+ 业务双重抓手去靠近公司实际盈利，运营增长体系，我个人觉得方向会更利好，不要局限在测试基础的用例这一亩三分地上，抓业务，抓数据，去反推公司的增量痛点。到时候就算裁员，也是最大限度的留存率高的（当然你得打破部门墙等一系列难关）

说实话，现在有这个 agent 的基本技术和认知去转型产品吧...做测试没出路了，你有这个底子还是好走一些产品设计的

hhh，大佬夸奖了，另外这篇是我看到一篇喜欢写思辨的人写的文章，转发过来的，因为感觉写的很有意思，转过来的，希望能让看到文章的行业朋友看事情更透一点，不内耗自己，需要我标记原作者吗，因为不知道论坛规矩，所以没写原作者