OpenAI 称如今人人都能让数据发挥作用，但真正的考验在于治理

OpenAI 于 9 月 10 日推出了 Data agent，并称如今人人都能让数据发挥作用，无需编写数据库查询，也不必学习另一款分析工具。该 agent 将 ChatGPT Work 连接到企业数据，调查业务问题，并将发现转化为交互式仪表板。这个承诺听起来很简单，难点则在于确保每个答案都采用正确的定义、权限与证据。

这使其不只是一个用于图表的对话式界面。OpenAI 正试图将 ChatGPT 置于员工与界定组织绩效衡量方式的系统之间。Data agent 可以在一次对话中访问数据仓库、文档、语义层和商业智能工具，也能根据后续提问持续完善分析。

Microsoft 和 Salesforce 已经分别将自然语言分析引入 Power BI 和 Tableau。OpenAI 则从另一个方向施加压力。它并非要让 AI 成为某一款分析产品中的功能，而是希望 ChatGPT Work 协调企业现有工具间的分析工作。这种方式能否成功，取决于其底层治理的程度，而非答案是否流畅。

通过一次对话，如今人人都能让数据发挥作用

最直接的变化是，ChatGPT Work 现在可在单一对话式工作流中协调数据调查、仪表板创建与后续分析。

OpenAI 将 Data agent 描述为一款可与获批企业系统协作的插件。在 Data agent 发布公告中列出的支持来源包括 Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB 和 Snowflake。它还可以整合存储在 Google Drive 和 SharePoint 中的文件与文档。

用户可以从一个业务问题开始，而不是从一条查询语句开始。例如，询问每周活跃用户为何发生变化、支出在哪些方面增加，或哪些账户面临续约风险。该 agent 可以调查底层信息，识别可能的驱动因素，并展示支撑其结论的证据。

对话不必止于书面答案。用户可以要求 agent 创建带有图表、筛选器和组织专属品牌元素的交互式仪表板。随后，团队可以随着底层数据变化，对该仪表板进行编辑、分享和刷新。

这一工作流之所以重要，是因为业务问题很少以完整的分析规格形式出现。管理者可能先问销售额为何下降，之后再按地区、客户细分或产品收窄问题范围。传统报告流程往往会将每一次细化都变成对分析师的另一项请求。Data agent 则把这些细化保留在同一段对话中。

OpenAI 还表示，该 agent 可以在既有平台中构建和交互使用仪表板，包括 Omni、Oracle BI、Power BI、Sigma、Tableau 和 ThoughtSpot。这种定位表明它倾向于协作，而非立即替代。现有的可视化与治理系统仍是工作流的一部分，ChatGPT 则成为其上方的对话式控制层。

该 agent 依赖的不只是原始表格。它可以利用业务定义、自定义计算、指标关系和可信数据源来理解请求。OpenAI 指向了来自 Databricks Genie Ontology、dbt 和 Snowflake Horizon 等系统的语义层。

语义层是一套受治理的业务定义，用于说明应如何解读数据。例如，它可以规定哪些交易应计为收入，或哪些行为可认定客户处于活跃状态。缺少这些背景，agent 可能会给出技术上有效、却回答了错误业务问题的计算结果。

管理员可控制 Data 是否可用，以及哪些角色可以安装或使用它。OpenAI 的设置指南建议至少连接一个数据仓库和一个语义层。它还建议用户在依赖结果前检查来源、时间范围、筛选条件和指标定义。

安装流程也反映了这些依赖关系。管理员通过 Workspace 设置启用 Data，并配置相关的来源插件。随后，用户可以安装插件、连接已获授权的账户，并将请求发送给 @Data。

将界面称为对话式，并不会消除底层基础设施的要求。有用的答案仍依赖维护良好的数据、记录清晰的指标，以及正确配置的连接。该 agent 改变的是谁可以发起调查，以及他们能够多快地迭代；它并未消除使企业数据值得信赖所需的工作。

Data Agent 对分析需求队列形成压力

OpenAI 最强的挑战并非针对分析师本身，而是针对业务问题与分析答案之间的等待队列。

许多组织将分析工作分为两个阶段：业务团队提出问题，数据专家则将其转化为查询、计算、可视化和解释。这种分工保障了质量，但当问题数量超过可用的分析能力时，也可能造成延迟。

OpenAI Data agent 瞄准的正是这一瓶颈。它让销售、财务、运营和产品团队能够独立启动常规调查。分析师可以减少重复构建常见报告的时间，将更多精力用于验证定义、改进数据模型，以及处理需要更深入判断的问题。

OpenAI 表示，其内部采用已覆盖自身组织的大部分范围。据该公司称，其产品团队几乎所有成员，以及超过三分之二的市场推广组织成员，都在 ChatGPT Work 中使用相关的数据 agent 功能。这些数字是公司自行报告的采用信号，并非对分析准确性或业务影响的独立衡量。

客户案例揭示了 OpenAI 希望产品承担的工作。NTT DATA 表示，销售和企业职能中的非工程人员已通过自然语言构建并更新仪表板。Thermo Fisher Scientific 则称，其利用该 agent 为团队做准备，并发现涉及其供应基础的机会。

ServiceTitan 提供了一个更具体的案例。该公司表示，它利用该 agent 构建了一个仪表板，比较使用其 AI 助手 Atlas 的客户与未使用 Atlas 的客户。分析发现，Atlas 用户发起营销活动的频率约为非用户的三倍。ServiceTitan 表示，这一发现正在影响其入职引导决策。

这个案例同时展现了自助分析的吸引力与局限性。三倍的关联性可能指向一项有价值的产品策略，但它本身并不能证明 Atlas 导致客户发起了更多营销活动。更活跃的客户可能只是更倾向于采用该助手。

分析师通常会通过考察客户规模、合作期限、既有活跃度及其他可能解释，来检验这种差异。对话式 agent 可以协助完成这些检查，但人仍必须理解它们为何重要。更快地获得分析，并不会自动带来统计学上的严谨性。

其他 Alpha 用户也描述了类似的效率提升。CookUnity 表示，其增长团队利用该 agent 优化季节性转化仪表板，并通过内部报告核对结果。Micro1 表示，其运营团队在大约半小时内重建了绩效仪表板，同时识别出原始版本中的错误。

这些说法之所以具有参考价值，是因为它们描述了具体工作流。不过，它们仍是由 OpenAI 选取的客户证言，并不能证明普遍错误率、标准化节省时间，或不同数据环境下可量化的回报。

因此，对分析团队形成的压力将并不均衡。拥有成熟指标定义和清晰权限结构的组织，能够委派更多探索性工作。系统割裂的企业则可能发现，该 agent 暴露了关于哪些数字才具权威性的未决分歧。

这种结果依然可能很有价值。当两个团队以不同方式计算留存率时，一个精致的仪表板可能掩盖争议。能够展示来源和定义的对话式工作流，则可以让分歧浮出水面。真正的生产力提升或许来自一次性解决这种模糊性，而不是更快回答某一个问题。

对于知识工作者而言，这一转变类似于向AI 知识库的更广泛迁移。寻找信息只是第一步。有用的系统还必须将事实与背景、来源以及人们需要作出的决策连接起来。

OpenAI Data Agent 如何跨既有 BI 工具工作

OpenAI 的竞争方式在于编排：一个 agent 可跨越数据仓库、文档、业务定义与可视化平台，而无需让每项任务都从某一款 BI 产品内部开始。

这正是此次发布背后的核心机制。数据仓库存储结构化企业数据，语义层解释业务含义，文档补充定性背景，BI 平台呈现经过批准的报告和可视化内容，ChatGPT Work 则提供协调这些组件的界面。

设想一位销售负责人正在调查续约下降。数据仓库可能包含合同日期、产品使用情况、支持活动和账户属性。SharePoint 可能保存账户计划，BI 仪表板则展示公司已批准的留存指标。在可用连接器和权限允许的前提下，Data agent 可以将这些来源纳入同一项调查。

该负责人可以询问受影响的细分群体，将其与此前期间比较，并要求提供最强驱动因素的证据。后续问题可以加入文档中的支持工单主题，或要求按地区组织仪表板。其价值在于，当问题不断演变时仍能保持分析脉络。

这不同于基础的文本转查询功能。将一句话翻译为 SQL 仅解决了工作流中的一部分。用户仍须选择正确的数据源、解读结果、比较不同解释，并传达发现。OpenAI 正将这些步骤打包为一个 agentic 过程，即软件能够围绕既定目标规划并执行多项相互关联的任务。

此次发布并未让既有 BI 厂商失去意义。Microsoft 的 Copilot 数据提问已可查询 Power BI 语义模型，并以可视化形式返回答案。Microsoft 建议模型作者使用清晰的字段名称、合理的模型结构和业务专用同义词，以改善结果。

Tableau 在自身环境中采取了类似路径。Tableau Agent可创建可视化内容、计算字段、筛选数据，并支持自然语言探索。其文档也说明了边界条件，包括数据源限制，以及用户应拆分为独立步骤处理的任务。

这些产品拥有一项重要优势：它们运行于既有的分析环境中，组织可能已经在其中管理经过认证的数据源、仪表板、权限和报告工作流。用户无需离开平台，即可在 AI 辅助与直接可视化编辑之间切换。

OpenAI 的优势在于广度。Data agent 可以从 ChatGPT Work 开始，连接多个数据系统、文档和 BI 产品。当问题跨越部门边界，或相关背景信息存在于正式仪表板之外时，这一点会很有帮助。

因此，战略竞争并不只是 Data agent 与 Power BI 的对决，或 Data agent 与 Tableau 的对决，而是围绕分析工作从何处开始展开的竞争。Microsoft 希望许多问题从 Power BI 语义模型开始。Salesforce 希望用户在 Tableau 的受治理环境中探索。OpenAI 则希望业务问题从 ChatGPT Work 开始，再向外路由。

这一差异会影响供应商和客户。如果 ChatGPT 成为通用界面，数据平台可能沦为对话背后不那么显眼的基础设施。如果 BI 产品保住受信任的呈现和审查层，OpenAI 就仍是协调者，而非最终的记录系统。

OpenAI 通过支持现有工具承认了这一现实。该 agent 可以与 Power BI 和 Tableau 交互，而不是强迫客户重建每一个仪表板。这降低了采用阻力，也让组织能够保留对现有数据技术栈的投入。

但这也带来了技术复杂性。每项连接都可能暴露不同的功能、元数据和权限模型。一个平台支持的仪表板操作，未必能在另一个平台中使用。OpenAI 的指南指出，已连接工具的操作取决于工具自身的能力以及用户的访问权限。

同样的问题也适用于非结构化背景信息。一份文档可能解释了某项指标为何发生变化，但它也可能已经过时，或只是推测。agent 必须区分权威定义与辅助性评论。管理员必须决定哪些来源值得信任，以及应如何处理相互矛盾的证据。

最佳实施方式不会立即连接所有可用系统，而是从范围明确的工作流、已知的事实来源和清晰的审查流程开始。这样，团队可以先衡量 agent 能否复现已获批准的指标，再扩大其覆盖范围。

知识融合方法可帮助用户理解这一设计。结构化指标与定性文档服务于不同目的。只有当系统保留了足够的背景信息，能够说明每个结论的来源时，将两者结合才真正有用。

自然语言并不能消除治理问题

Data agent 降低了界面层面的技能门槛，但也提高了定义、访问控制、验证和负责任共享的重要性。

OpenAI 表示，查询会执行已连接账户现有的权限，包括表、行和列级限制。这一点至关重要，因为对话式界面不应授予用户在源系统中本不具备的访问权限。管理员还可以选择哪些连接可用，以及哪些角色可以使用它们。

这些控制措施降低了一类风险，但无法回答所有治理问题。用户可能拥有访问敏感数据的正当权限，却仍可能创建面向更广泛受众的仪表板。发布或共享这一行为可能引入第二道权限边界。

OpenAI 的帮助文档警告称，用于分析的数据可能会被复制到已发布的网站中。它提醒用户在选择接收者时考虑权限问题。这意味着，源级授权和输出级分发必须分别审查。

仪表板也可能通过汇总暴露敏感信息。规模较小的群体、狭窄的筛选条件或不寻常的组合，可能泄露原本会被单行数据掩盖的细节。组织需要制定发布政策，关注可视化传达了什么，而不只是查询是否成功。

准确性带来了另一项挑战。大型语言模型可能会自信地解读模糊请求，而业务数据往往包含未被明说的假设。“收入”“客户”和“活跃用户”都可能有多个有效定义。自然语言问题可能掩盖这些选择，而非解决它们。

语义层是 OpenAI 的主要应对方案。通过让 agent 以获批准的计算和关系为基础，组织可以减少歧义。该产品还可以展示证据，并允许用户在同一段对话中追问某项发现。

不过，语义层需要持续维护。新产品会改变指标定义。团队会重命名字段、调整归因规则、迁移数据库。如果受治理的上下文落后于业务变化，agent 可能会基于过时假设给出解释充分的答案。

当 agent 开始建议行动时，风险会更加严重。一项诊断可能影响人员配置、支出、客户优先级或产品投资。这些决策需要的不只是看似合理的图表。用户需要知道纳入了哪些数据、审查了哪个时间段，以及还存在哪些替代性解释。

OpenAI 自己的指南也鼓励开展这种审查。用户应核查来源、筛选条件、时间范围和指标定义。如果某个答案与现有报告冲突，他们应要求 agent 比较这些细节。这实际上承认了：对话式便利并不保证正确性。

竞争对手也提出了类似限定。Microsoft 指出，生成式输出可能具有非确定性，因此人们应对其进行评估和验证。Tableau 记录了来源和工作流方面的限制，同时保留现有的行级和列级安全策略。

这些警示指向一个行业共识：AI 可以让分析更易获得，但可靠的自助式分析仍建立在经过整理的模型和人工审查之上。对话层改变了体验，却不会废除数据治理的原则。

评估 Data agent 工作方式的组织，应测试可复现性，而不只是呈现质量。拥有相同权限的两名用户能否获得一致的计算结果？agent 是否引用与官方报告相同的定义？审查人员能否重建一项意外结果背后的步骤？

他们还应测试权限分离。一个有价值的试点应纳入拥有不同地区、部门和管理层级访问权限的用户。目标是确认答案和仪表板在分析、编辑、刷新和共享的全过程中都遵守这些差异。

另一项测试涉及对抗性歧义。团队可以提出定义不足的问题，观察 agent 是要求澄清，还是悄然自行选择某个定义。一个值得信赖的系统，应在给出建议前明确呈现会产生重要影响的假设。

数据质量仍是最后一项约束。重复记录、延迟摄取、缺失值和文档记录不佳的连接关系，同样会误导传统仪表板和 AI agent。自然语言可能让这些问题更不容易被察觉，因为用户从未看到底层查询。

这正是 现在每个人都能让数据发挥作用 背后的主要张力。更广泛的访问可以缩短问题与决策之间的距离，但也可能增加基于自己并未亲自建模的数据作出决策的人数。

只有当公司将治理视为产品体验的一部分，这次发布才会成功。定义应与发现一同呈现。证据应始终可供检查。高影响决策应当需要审查，已发布的仪表板则应有明确负责人。

三个信号将显示这一承诺能否兑现

下一项考验不在于 Data agent 能否绘制出令人信服的仪表板，而在于组织能否信任并反复使用其分析。

第一个信号是超越精选 alpha 示例的经验证采用情况。OpenAI 已列举使用该 agent 处理销售、支出、运营、供应规划和产品采用情况的客户。更有力的证据将来自多个部门的持续使用，并且会有与既有报告进行核对的记录。

如果组织在初始试点后继续使用该 agent，说明这一工作流正在解决一个持久问题。如果使用集中于技术专家群体，“现在每个人都能让数据发挥作用”这一主张的范围就会比标题暗示的更窄。采用情况应以已完成且经过审查的决策来衡量，而不应只看提示词数量。

第二个信号是 OpenAI 如何标准化来源追溯与验证。用户需要看到清晰可见的数据来源、所应用的筛选条件、指标定义、刷新时间和计算逻辑。审查人员应能够区分有来源支撑的发现与模型的解读。

清晰的来源追溯将强化 OpenAI 作为分析控制层的定位。薄弱或不一致的来源追溯，则会促使谨慎的公司在关键工作中回归现有 BI 环境。对话式界面只有让验证更容易，而不是仅仅隐藏复杂性，才能赢得信任。

第三个信号是 Microsoft、Salesforce 和主要数据平台的反应。Power BI 和 Tableau 已支持自然语言提问与可视化分析。数据仓库提供商也正在添加以其自身受治理元数据为基础的 AI 界面。

竞争对手可以通过扩展跨来源推理、改进 agent 工作流，或让非技术用户更容易使用其产品来回应 OpenAI。他们也可以强调，受信任的分析应保留在已对数据模型和权限进行管理的平台内部。

OpenAI 的合作伙伴战略可能会缓和这一冲突。Snowflake、Databricks、MongoDB、AWS、ClickHouse 和 G2 都为此次发布提供了支持性声明。他们的参与表明，主要数据提供商认为，让用户通过 ChatGPT Work 访问其系统具有价值。

合作并不能消除围绕用户注意力的竞争。如果员工首先向 ChatGPT 提问，即使另一家公司存储数据或渲染最终图表，OpenAI 仍控制着起始体验。随着 agent 承担更长的分析工作流，这一位置可能变得具有战略重要性。

对于企业买家而言，下一步应是开展审慎的试点。选择一个定义稳定的决策流程，例如每周销售管道审查或产品采用情况报告。将 agent 的输出与获批准的仪表板进行比较，记录分歧，并在扩大访问范围前测试每一条共享路径。

为试点设定清晰的成功标准。有用的衡量指标包括与认证指标的一致性、重复问题节省的时间、所需修正次数，以及决策者能否检查支持性证据。不要把精美的演示视为运营可靠性的证明。

对于个人知识工作者而言，实际机会在于更快地探索。使用 agent 来构建问题、比较细分群体并创建初始仪表板。随后，在将输出转化为建议前检查定义和证据。

Data agent 对商业智能的未来做出了雄心勃勃的押注。它假设人们会更愿意陈述自己的目标，并让 agent 协调底层系统。这是一个可信的方向，尤其是在问题跨越数据仓库、文档和既有仪表板时。

更困难的问题在于，组织能否让这种便利变得可靠。关注 OpenAI 如何呈现来源追溯、客户如何报告持续采用情况，以及现有 BI 供应商如何回应。这些信号将决定每个人是否真的都能让数据发挥作用，还是受信任的分析依然依赖于一小群人为每个答案把关。