Figma借力OpenAI Athena：自助分析如何落地

Figma 正在与 OpenAI 合作，通过其试点项目 Athena，将自助分析能力嵌入到产品团队和营销团队的日常工作流中。据视频访谈透露，这一合作让 Figma 的分析交付效率发生了数量级的变化——原本规划一年完成的工作，现在两个月内就能推进。

Athena 是什么？Figma 为什么选择它

Athena 是 OpenAI 的一项数据能力试点项目，Figma 作为早期合作伙伴参与其中。从访谈内容看，Athena 的定位并非一个独立的数据看板工具，而是能够理解业务上下文、并将数据洞察直接送达一线人员工作界面的分析层。

Figma 选择参与这一试点，核心动因在于传统分析模式的瓶颈：业务人员提出数据问题后，往往需要等待数据分析师排期、取数、解释，反馈周期长，且中间环节容易丢失上下文。Athena 试图把这条链路压缩——让营销分析师或邮件营销人员直接对业务数据提问，而不必经过多层转述。

自助分析（Self-Service Analytics） 是指让业务人员无需依赖数据分析师，通过直观的工具或界面自行查询、探索和解读数据的模式。传统上，数据分析是集中式服务：业务方提交需求，分析师排期取数并返回报告。自助分析旨在打破这一瓶颈，将数据访问权下放给一线人员。其典型实现包括 BI 看板、自然语言查询接口等。成功的自助分析依赖良好的数据治理、统一的指标口径以及足够的业务上下文，否则非技术用户容易误读数据或得到矛盾结论。Figma 与 Athena 的实践正是这一理念在 AI 时代的新形态。

自助分析在 Figma 内部怎么用

访谈中给出的具体场景是营销活动分析。当一个新的营销活动上线后，Athena 能够理解这个活动的性质、抓取相关信息，并构建出对应的分析上下文。

在此基础上，营销分析师或邮件营销人员可以直接向系统提问：这个活动目前的市场反响如何？它在转化客户方面的效果怎样？这类问题过去需要分析师手动写查询、做可视化、再写成报告，现在则变成了一次对话式的交互。

关键变化不在于模型能否回答单个问题，而在于上下文是否完整。Athena 把活动信息、业务背景和分析语境打包在一起，使得非技术角色也能获得可用的答案，而不是一堆需要二次解读的原始数字。

大语言模型（LLM）驱动的分析交互 与传统的 SQL 查询或 BI 拖拽式操作有本质区别。LLM 可以解析自然语言问题，自动关联相关数据源，并生成解释性回答。但要实现可靠的业务分析，模型需要获得充足的上下文——包括活动定义、指标口径、历史数据等。这通常通过检索增强生成（RAG）或函数调用（Function Calling）等技术实现。Athena 所展示的“理解活动性质并构建分析上下文”，正是将 LLM 的语义理解能力与结构化数据查询相结合的结果。这种方式降低了非技术用户的使用门槛，但也对底层数据质量和上下文注入的准确性提出了更高要求。

效率提升的真实含义

访谈开篇有一句相当直白的表述：原本计划在接下来一年内完成的事情，实际上可以在接下来两个月内做完。这个对比没有附带具体的项目清单，但它指向的是一种节奏变化——分析需求的响应周期从季度级压缩到周级甚至更短。

对于 Figma 这样产品迭代速度快、营销活动频繁的公司来说，这种压缩的价值不在于省下多少人力，而在于决策链条的缩短。当一个活动上线后能立即获得转化反馈，团队就可以在活动周期内做出调整，而不是等到复盘时才发现问题。

提一嘴，这一效率描述来自 Figma 方的单方面表述，访谈中并未给出具体的项目数量、人力节省比例或分析请求处理量等量化指标。因此更稳妥的理解是：效率提升的方向明确，但幅度因团队和场景而异。

自助分析落地的三个前提

从 Figma 的实践可以看出，自助分析要真正跑起来，至少需要三个条件同时成立。

业务上下文的自动获取。 Athena 之所以能让营销人员直接提问，前提是系统能自动理解“这个活动是什么”。如果每次提问都需要人工补充背景信息，自助分析就退化成了另一个查询界面。

角色适配的答案呈现。 同一个数据问题，分析师和邮件营销人员需要的答案形式不同。系统需要根据提问者的角色调整输出的深度和表达方式，这一点在访谈中被明确提及为 Athena 的能力之一。

与现有工作流的贴合。 Figma 强调的“交付自助分析”并不是让所有人去学 SQL，而是把分析能力嵌入到营销、产品等角色已经在用的流程里。工具不改变工作习惯，才可能被持续使用。

对 SaaS 团队的参考价值

Figma 的案例说明，大模型在数据分析领域的价值正在从“辅助分析师写查询”转向“直接服务业务角色”。这一转向对 SaaS 公司有两层含义。

第一，分析团队的定位可能发生变化。当常规问题可以由业务方自助解答，分析师的价值更多体现在指标体系建设、归因方法论和复杂问题的深度拆解上，而非日常取数。

第二，数据基础设施的投入回报被重新定义。自助分析对数据质量、指标口径一致性的要求远高于传统报表模式，因为错误会直接暴露给非技术用户。Figma 能率先跑通这一模式，与其自身的数据治理基础不无关系。

OpenAI 的 Athena 目前仍处于试点阶段，Figma 是早期参与方之一。这一合作能否推广到更广泛的客户群体，以及在不同数据成熟度的公司中表现如何，还有待观察。但至少从 Figma 的反馈看，自助分析从概念到日常工具的距离，比多数人预期的要近。