OpenAI Data Agent 加入一场建立在信任之上的企业分析竞赛
OpenAI 于 9 月 10 日推出 OpenAI Data Agent，将受治理的公司分析能力引入 ChatGPT Work，企业分析领域的竞争也随之升温。
这款新代理可连接获批准的业务系统，调查变化原因，并根据自然语言请求构建交互式仪表盘。它还会推荐后续行动，并能通过已连接的工作场所工具发送获批准的输出内容。
这一定位使 OpenAI 与 Google 日益成熟的对话式分析技术栈展开直接竞争。然而，这场竞争并不只是比拼哪个模型能写出更好的 SQL，而是比拼哪个平台能够理解业务定义、遵守权限、呈现证据，并赢得足以影响真实决策的信任。
OpenAI 带着一项有利优势进入市场。该公司在将相关能力打包提供给客户之前，已先在复杂的数据环境中测试了一套相关的内部系统。不过，Google、Microsoft、Snowflake、Databricks 以及成熟的商业智能厂商，掌控着现有分析技术栈的重要组成部分。
由此形成的竞争格局颇为特殊。OpenAI 希望 ChatGPT 成为员工提问、调查、可视化和采取行动的场所；而其合作伙伴仍希望自家的数据仓库、语义层和仪表盘继续作为这一体验之下权威的基础设施。
OpenAI Data Agent 从回答走向行动
重要变化并非自然语言查询，而是试图将完整的分析工作流放进一次 ChatGPT 对话中。
根据 Data Agent 发布公告，用户可以连接 Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB 和 Snowflake 等获批准的数据源。来自 Google Drive 和 SharePoint 的文件也可为分析提供参考。
该代理不只是把问题翻译成数据库查询。OpenAI 表示，它可以调查某项指标为何发生变化、检查支持性证据、接受后续指令，并将发现转化为交互式仪表盘。
这一工作流瞄准了大型组织中常见的延迟：销售负责人发现续约表现走弱，要求分析师解释原因，然后等待分析师找到合适的数据表。分析师还必须确认定义、检查连接、核对仪表盘，并整理分析结果。
OpenAI Data Agent 将这些步骤压缩进一个对话循环。用户可以询问每周活跃用户为何下降，要求与更早时期进行比较，并引导代理关注可能的原因。代理随后还能提出额外检查建议，而不是止步于一张静态图表。
OpenAI 还表示，该代理可以在 Omni、Oracle BI、Power BI、Sigma、Tableau 和 ThoughtSpot 中创建或交互操作仪表盘。这一点很重要，因为 OpenAI 并未要求所有客户立即放弃当前的可视化层。
相反，ChatGPT Work 成为一个编排界面。代理可以跨越数据存储、业务文档、语义系统和现有仪表盘开展工作，同时保留这些系统作为事实来源。
语义层是一套受治理的定义，用于说明公司如何计算收入、留存率和活跃用户等指标。这些定义能够防止不同团队为同一个标签赋予不同含义。
OpenAI 表示，其代理可使用来自 dbt、GitHub、Snowflake Horizon 和 Databricks Genie Ontology 等来源的指标定义、自定义计算、关系和业务术语。这种基于业务语境的能力，使该产品不同于通用的文本转 SQL 界面。
管理员仍发挥核心作用。他们选择可用连接、配置数据源插件，并决定哪些角色可以使用它们。查询应会执行已连接用户现有的表级、行级和列级权限。
该代理以 Data 的名称出现在 ChatGPT Work Plugins 目录中。管理员安装并配置相关连接后，员工便可在对话中通过 @Data 调用它。
OpenAI 表示，最后一步可以延伸至分析之外。该代理能够识别应参与的人员、推荐下一步行动、通过 Slack 或电子邮件分享发现，并执行经用户批准的操作。
这种演进改变了竞争的筹码。传统仪表盘帮助人们理解发生了什么；而能够分析变化并发起响应的代理，则开始争夺对决策工作流本身的控制权。
企业分析正在争夺入口
OpenAI 正通过让 ChatGPT 成为员工遇到业务问题时首先打开的地方，向分析厂商施加压力。
商业智能平台多年来一直在超越静态报表。Tableau、Power BI、Looker、ThoughtSpot 及较新的数据平台，已经支持自然语言提问、自动化解释和辅助可视化。
OpenAI Data Agent 并非在这一转变之前到来，而是在对话式分析已成为整个行业战略重点之后进入市场。
Google 于 2026 年 6 月 30 日正式推出 BigQuery 中的 Conversational Analytics。该系统让技术和业务用户能够在 BigQuery 内通过自然语言进行多步骤分析并生成可视化报告。
Google 的 对话式分析 还可以访问跨云数据源，包括 Databricks Unity、AWS Glue、SAP 和 Salesforce。数据团队可以将专用代理发布至 Gemini Enterprise、Data Studio 或自定义应用中。
这让 Google 在竞争中占据了清晰位置。它掌控着主要的云数据仓库、Gemini 模型家族、企业界面，以及大量查询实际运行的基础设施。
OpenAI 采取的是不同路径。它希望 ChatGPT Work 位于多个数据平台之上，包括竞争对手的系统。即使底层数据仓库属于 Google、Snowflake、Databricks 或 Amazon，这一产品也能成为共通的对话层。
这正是此次发布为何会对传统商业智能之外的领域造成压力。掌控员工起点的平台，能够影响哪些工具继续保持可见，哪些工具则成为隐藏在对话背后的基础设施。
财务负责人或许不再打开仪表盘目录、选择报告并调整筛选条件，而是从 ChatGPT 开始，描述需要作出的决策，并让代理定位相关数据集和仪表盘。
这种转变并不自动淘汰 BI 平台。OpenAI 已宣布的集成表明，市场可能形成分层格局：ChatGPT 处理意图与编排，而成熟系统提供受治理的指标、存储、可视化和访问控制。
战略问题在于，谁能够获得持久的用户关系。如果大多数分析都从 ChatGPT 开始，现有仪表盘产品就可能从主要工作空间沦为一个呈现终点。
OpenAI 的合作伙伴意识到了这种可能性，但参与其中也能扩大它们的覆盖范围。Microsoft 表示，Power BI 用户可以通过描述业务问题来创建仪表盘。Tableau 则强调，其语义层能够为答案提供依据，而 ChatGPT 提供了另一个工作场所。
Snowflake 将其受治理的数据和访问控制定位为共享基础，无论员工在哪里提出问题。Databricks 同样将 Genie 描述为连接企业数据与可信答案的语境层。
这些表述揭示了一条经过协商的边界。OpenAI 希望掌控对话体验，而合作伙伴则希望保留对数据、定义和治理的权威。
Google 是最明确的主要对手，因为它能够在内部整合这些层。其分析代理紧贴 BigQuery 数据运行，并能在不依赖外部对话界面的情况下进入 Gemini Enterprise。
OpenAI 的跨平台方式提供了灵活性，但也带来了集成工作。每增加一个系统，都会引入不同的模式、权限、元数据约定、刷新周期和运营限制。
因此，这场竞赛取决于的不只是功能清单。客户必须判断，独立的编排层是否提供了足够便利，足以证明在其分析架构中新增一个关键控制点的合理性。
难点在于业务语境，而非 SQL
OpenAI Data Agent 只有能区分技术上有效的答案与公司实际所指的答案，才能取得成功。
大型语言模型能够生成语法正确的 SQL，却可能选择错误的数据表、粒度、筛选条件或业务定义。由于查询可以运行且图表看起来连贯，所得答案可能显得很有说服力。
OpenAI 在自身运营中就遇到了这一问题。今年 1 月，该公司介绍了一款内部数据代理，服务超过 3,500 名用户，覆盖逾 600 PB 数据和 70,000 个数据集。
其 内部架构 说明了为何企业分析所需的远不止数据库访问权限。该系统整合了模式元数据、历史查询、人工注释、从代码推导出的语境、机构知识、记忆以及实时数据仓库检查。
模式元数据会向代理说明列和数据类型。表血缘描述数据集如何连接，以及哪些上游流程创建了这些数据集。历史查询则揭示常见连接方式和既有使用模式。
即便如此，这些要素仍无法完整解释一个组织。两张表可能包含相似字段，却应用了不同的排除规则。一项看似简单的指标，可能依赖未记录的约定、实验性筛选条件或特定产品逻辑。
OpenAI 的内部代理通过人工撰写的说明和代码层面的分析来处理这种模糊性。Codex 会检查数据管道，以推断某张表的所有权、粒度、依赖关系、连接键和更新行为。
该代理还可以从工作场所系统中检索机构语境。内部文档可能会说明产品发布、事故、代号和数据库模式无法表达的规范指标定义。
记忆机制又增加了一层能力。当用户修正某个细微的筛选条件，或澄清一个含义模糊的术语时，内部系统能够保留这一经验供后续对话使用。OpenAI 表示，用户可以查看和编辑这些记忆。
商业版 OpenAI Data Agent 遵循同一核心思路，尽管 OpenAI 尚未公开确认每个客户部署都会复现这一内部架构。原始访问权限必须与公司特定的语境相伴。
这一机制解释了它与语义系统的集成。OpenAI 需要 Databricks Genie Ontology、dbt 模型、Snowflake Horizon、BI 仪表盘及其他可信来源，因为模型无法安全地推断每一条业务规则。
这也解释了为何成熟数据厂商仍难以被取代。Snowflake 的 Cortex Analyst 已经能够将自然语言问题建立在与结构化数据关联的语义模型之上。
Google 允许团队使用经过验证的查询、自定义元数据、术语表条目和明确指令来配置数据代理。其文档建议验证生成的输出，因为看似合理的答案仍可能在事实上出错。
OpenAI 面临同样的底层限制。推理模型可以探索多个假设，但其置信度并不能保证所选数据集代表组织认可的事实。
真正的检验不在于智能体是否能生成仪表盘，而在于分析师能否审查其证据、复现其逻辑，并识别意外结果背后的假设。
这也是知识管理成为运营基础设施的关键所在。团队需要维护良好的定义、记录在案的决策以及可搜索的业务背景，智能体才能可靠地跨部门推理。
组织良好的 AI 知识库 可以帮助员工找到相关背景。企业分析还对数据血缘、权限、审批和指标归属提出了更严格的要求。
缺少这一基础，自助式分析可能会放大分歧，而不是解决分歧。更多员工能够生成答案，但每个答案都可能依赖于对业务的不同解读。
仪表盘无法掩盖信任问题
精美的图表会让分析错误变得更加危险，因为它会让不确定的推理看起来像是已被确认的证据。
OpenAI 表示，用户可以查看每项发现背后的证据，并通过对话方式进一步完善调查。这种设计优于一次性给出答案，但公开细节尚不足以说明其在各种客户环境中的错误率。
发布材料中包含了一些颇具前景的客户案例。NTT DATA 表示，销售和企业职能部门中的非工程人员使用自然语言构建并更新了仪表盘。该公司指出，许可成本、投入工作量和技术专长是仪表盘更广泛应用的障碍。
ServiceTitan 表示，其团队创建了一个仪表盘，显示其 Atlas assistant 的用户发起营销活动的频率约为非用户的三倍。据称，这一结果推动了入职流程的调整。
CookUnity 表示，其增长团队构建了一个季节性转化仪表盘，将输出与内部报告进行核对，并缩短了规划时间。这一验证步骤意义重大，因为它保留了一个独立的参考点。
另一家评估合作伙伴 micro1 表示，其运营团队在半小时内重建了绩效跟踪仪表盘，并发现原始仪表盘存在错误。这些案例展现了有用的应用场景，但仍属于 OpenAI 呈现的客户说法。
这些案例没有提供关于准确性、延迟、总体运营成本、权限失败或分析师审查时间的标准化对比。OpenAI 尚未发布广泛的独立证据，说明这款商用智能体在无需干预的情况下得出正确结论的频率。
这种区别很重要，因为分析错误可能出现在多个层面。生成的查询可能无效，所选表格可能不合适，或者业务问题本身过于模糊，无法得出唯一站得住脚的答案。
即使计算正确，也可能给出误导性的建议。续约率下降可能与支持工单量相关，但这种关系并不能证明哪项运营调整能够改善留存率。
赋予智能体行动工具会放大这些错误的后果。发送报告的风险低于修改营销活动、重新分配员工，或调整客户工作流程。
人工审批提供了一个控制点，但审批质量取决于可见性。管理者若不了解其背后的数据、假设、置信度和其他可能解释，就无法真正监督一项行动。
权限带来了另一项挑战。OpenAI 表示，查询会遵循现有访问规则，包括行级和列级限制。这能够保护直接检索，但企业还必须考虑生成的仪表盘通过聚合可能揭示什么。
员工可能无法访问单条记录，却能从一个小型群体中推断出敏感信息。安全团队需要测试，现有政策在追问和组合数据源的情况下是否仍能按预期发挥作用。
跨系统推理会带来进一步的风险。一项连接销售、产品、财务和支持数据的问题之所以有价值，恰恰是因为这些领域此前彼此分离。
但它也可能生成一个没有任何单一系统被设计为授权的答案。管理员必须审视，经单独许可的事实组合后，是否会揭示受限制的业务结论。
记忆同样值得严格审视。记住更正内容可以改善未来的分析，但组织需要为共享记忆建立明确的归属。一条错误规则不应悄然成为持久的事实来源。
当指标定义发生变化时，团队还需要变更控制。智能体必须知道，哪个定义适用于较早时期、当前报告、受监管披露以及实验性分析。
OpenAI 自身的使用情况提供了令人鼓舞的证据，表明这一架构可以在相当大的规模上运行。该公司表示，其几乎所有产品团队成员，以及超过三分之二的市场推广组织成员，都在 ChatGPT Work 中使用数据智能体。
不过，OpenAI 是一个极为 AI 原生的环境。其员工、数据团队、内部工具以及对实验的容忍度，并不能代表所有医疗服务提供商、银行、制造商或政府机构。
该公司还围绕自身工作流程构建了内部系统。接入多个成熟平台的客户，将继承产品集成无法自动清理的组织复杂性。
对于买家而言，最安全的早期部署应具备清晰的指标、范围有限的数据源、可审查的查询和可逆的操作。高风险建议需要比总结营销活动的仪表盘更严格的评估。
因此，OpenAI Data Agent 应被视为分析协作者，而非不容质疑的决策引擎。它的价值取决于：在证据不完整时，它能否充分揭示不确定性并支持验证。
三个信号将决定企业分析竞争格局
下一阶段将由经过验证的采用情况、真实工作负载下的治理能力，以及已掌控企业数据的平台如何应对来决定。
第一个信号是 alpha 项目之外的持续使用。OpenAI 已列出正在测试销售、支出、报告、人员配置和运营分析的组织，但初期热情并不能证明长期采用。
应关注非技术员工在早期演示之后是否仍持续使用该智能体。重复的每周使用、共享仪表盘以及分析积压的减少，将增强 OpenAI 关于对话式调查能够成为日常工作这一主张的说服力。
问题的质量同样重要。简单的汇总已广泛可用。持久的差异化要求用户信任智能体进行跨数据集、多步骤的调查，并对既有报告提出挑战。
这类工作流程的增长将强化 OpenAI 的前门策略。如果使用仍局限于基础图表创建，成熟的 BI 界面将保留更多当前角色。
第二个信号是有关准确性和治理的证据。企业应寻找已发布的评估方法、审计能力、更正工作流程以及围绕行动的明确边界。
OpenAI 自身的企业数据表明，采用正在走向更深层的授权。截至 2026 年 6 月，Codex 在企业客户中生成的 Codex 和 ChatGPT 输出 token 总量中占 64%。
该公司还报告称，其使用量最高的企业客户，每位活跃用户生成的输出 token 数量是典型企业的 8.3 倍。OpenAI 指出，token 数量并非衡量业务价值的完美指标。
这一提醒同样直接适用于数据智能体。更多查询、更长的调查和更多仪表盘，并不能证明决策更好。买家需要与正确性、分析师审查、节省时间和业务成果相关的衡量指标。
事件报告同样具有参考价值。对失败的连接、过时背景、权限错误或误导性建议进行透明说明，将有助于客户评估运营成熟度。
如果 OpenAI 能够在不同数据仓库和语义层之间提供可复现的评估，其跨平台定位将更具可信度。如果证据仍以精选客户故事为主，信任缺口将继续存在。
第三个信号是 Google 和数据平台供应商如何应对。Google 已在 BigQuery 中提供正式可用的对话式分析，并通过 Gemini Enterprise 和 API 分发智能体。
其 数据智能体控制机制 包括经验证的查询、自定义指令、术语表条目、访问限制和审计日志。Google 还禁止这些智能体在已记录的 BigQuery 使用场景中执行写入操作或数据操纵查询。
这一边界形成了鲜明对比。OpenAI 强调从分析走向经批准的行动，而 Google 已记录的 BigQuery 控制机制强调受约束的分析环境。
两种方法都并非在所有情况下更好。更狭窄的系统可能更容易治理，而更广泛的智能体则可以减少更多工作流程摩擦。
Snowflake、Databricks、Microsoft、Tableau 及其他合作伙伴也必须决定让渡多少用户体验。他们可以深化 ChatGPT 集成、强化自身智能体，或将语义治理作为主要的差异化来源。
合作伙伴支持目前帮助 OpenAI 在无需全面迁移的情况下接入企业数据。随着时间推移，这些合作伙伴也可能抗拒沦为 ChatGPT 背后可互换的后端服务。
因此，决定性的竞争应对将体现在产品行为中，而非发布声明中。应关注仪表盘在哪里创建、定义在哪里编辑、权限在哪里管理，以及用户会回到哪里提出后续问题。
企业应从一个具有实际影响但可审查的工作流程开始。产品团队可以调查采用率下降，将发现与已批准的仪表盘进行比较，并记录每一项必要的更正。
该测试应涵盖含糊的术语、过时的文档、受限制的列和相互冲突的指标。它还应衡量多少分析师时间从编写查询转移到了审查和治理。
OpenAI Data Agent 让企业分析更易于访问，但访问从来不是唯一瓶颈。可信的背景、谨慎的权限管理和可追责的决策，仍是更艰难的工作。
买家面临的核心问题如今很实际：该智能体是否帮助更多人得出站得住脚的答案，还是仅仅让更多人能够制作看似令人信服的仪表盘？
认真测试这一区别的组织，将了解对话式分析应处于何种位置。那些把流畅输出当作已验证事实的组织，则有可能自动化最昂贵的一类错误。
