你让 AI 按要求合并一份数据、画一张图，它往往能帮上忙。但如果问题是“这批数据里有什么值得追下去”，情况就不同了。探索性数据分析（EDA）更像侦察：分析者一边汇总、画图和切分数据，一边观察异常、提出新问题，必要时改变方向，并不是照着固定清单执行。
据 Nathan Yau 转述，Randy Au 认为，目前 LLM 一旦获得分析决策空间，很容易沿着不适用于数据的假设一路做下去。分析没有像代码测试那样明确的对错反馈，自动化工具也就难以及时发现方向已经跑偏。Au 曾看到 Claude 围绕一个明显不合适的想法搭出庞大的测试流程，直到被追问才承认问题。说白了，AI适合接手目标清楚的局部任务；真正的探索依赖人有意识地观察线索、追问原因和调整路线。即使找到漂亮模式，也只是线索，仍需后续独立验证。