公司每天都有很多问题：
为什么这个月业绩掉了？
哪个地区退订率突然升高？
广告花更多钱：
为什么订单没有一起增加？
哪几类客户最容易续约？
客服量暴增：
到底是哪个产品出了问题？
以前这些问题：
通常不是没数据。
而是数据散在：
Data Warehouse。
CRM。
Spreadsheet。
Dashboard。
Google Drive。
SharePoint。
甚至不同部门里。
真正困难的是：
要有人把它们找出来、查找、对定义、做分析，再整理成大家看得懂的结果。
OpenAI 最新推出的：
Data agent
就是想把这一段工作：
直接放进 ChatGPT Work。
它不是单纯「把 Excel 丢进 ChatGPT」
Data agent 可以连接企业已经使用的正式数据源。
OpenAI 目前列出的来源包括：
Amazon Redshift。
Google BigQuery。
ClickHouse。
Databricks。
MongoDB。
Snowflake。
以及其他 Data Source。
文档部分：
还可以把 Google Drive、SharePoint 里的数据：
一起带进分析。
所以使用方式不再只是：
下载 CSV。
上传。
再问 AI。
而是：
让 AI 在取得授权后，直接对企业原本的数据环境工作。
最简单的使用方式就是直接问问题
例如：
「为什么上周 Weekly Active Users 掉了？」
以前：
可能先找 Data Analyst。
Analyst 再确认：
要看哪个 Product？
哪个 Market？
和哪一期比较？
接着：
写 SQL。
跑 Query。
整理结果。
画 Chart。
最后：
回来跟你解释。
Data agent 想做的是：
让用户直接从：
Business Question
开始。
AI 再去：
找数据。
比较期间。
拆 Segment。
找出可能 Driver。
把证据整理回来。
真正重要的是它会继续追问，而不是只给一张图
例如 AI 发现：
本月 Retention：
下降。
你可以继续问：
哪个市场降最多？
新客户还是旧客户？
哪个产品版本开始出现变化？
Support Ticket 有没有同步增加？
上个月有没有一样的 Pattern？
不用：
每问一次。
重新开一张 Report Request。
整个 Investigation：
可以留在：
同一段 Conversation。
接着可以直接变成交互 Dashboard
分析出结果后：
Data agent 可以创建：
Interactive Dashboard。
不是只贴一张：
静态 Chart。
团队可以：
编辑。
分享。
Refresh。
继续调整。
例如原本 Dashboard：
只看：
全公司 Revenue。
接着可以要求：
拆成：
Region。
Product。
Customer Segment。
Acquisition Channel。
同一个分析：
继续往下挖。
而且不一定要放弃原本的 BI 工具
这点很实际。
很多公司已经花很多年：
创建：
Power BI。
Tableau。
Sigma。
ThoughtSpot。
Oracle BI。
或其他 Business Intelligence 系统。
不可能因为多一个 AI：
全部丢掉。
Data agent 的方向反而是：
接进去。
OpenAI 表示：
它可以创建或操作：
Omni。
Oracle BI。
Power BI。
Sigma。
Tableau。
ThoughtSpot。
里的 Dashboard。
所以 AI 比较像：
新的分析入口。
而不是：
叫企业把原本 BI 全砍掉。
这件事最大的改变，其实是谁可以开始分析数据
过去大型 Data Warehouse：
通常不是每一个业务。
行政。
行销。
营运主管。
都会自己进去查。
不是因为他们没有问题。
而是：
工具门槛高。
要懂：
Table。
Join。
Metric。
Filter。
SQL。
Dashboard。
很多人最后变成：
「麻烦数据团队帮我拉一下。」
Data agent 想把入口改成自然语言
例如业务主管可以问：
「这一季哪些产业的 Pipeline 成长最快？和上一季比较，最大的变化来自哪里？」
行销可以问：
「最近三个月哪一种 Campaign 带来的新客户留存最好？」
财务可以问：
「本季哪几类支出增加最多？和去年同期差多少？」
营运可以问：
「客服量增加到底来自订单、物流，还是产品问题？」
这些才是：
Data agent 真正的使用方式。
不是：
「帮我写 SQL。」
而是：
先从公司真正想知道的问题开始。
但自然语言分析最怕一件事：大家说的「营收」根本不是同一个营收
这也是企业 Data AI 最容易出错的地方。
例如：
Revenue。
到底是：
下单金额？
付款完成？
扣掉退款？
含税？
不含税？
认列收入？
如果 AI 不知道：
公司的正式定义。
即使 SQL 完全正确：
答案也可能：
商业上完全错。
所以 OpenAI 特别强调：
Business Context。
Data agent 可以使用企业原本的 Semantic Layer
简单说：
Semantic Layer：
就是把公司对数据的真正定义：
写清楚。
例如：
什么叫：
Active Customer。
什么叫：
Churn。
什么叫：
Revenue。
什么叫：
Qualified Lead。
数据表之间：
怎么连。
哪些 Calculation：
才是公司正式算法。
Data agent 可以利用：
dbt。
Databricks Genie Ontology。
Snowflake Horizon。
GitHub。
既有 BI Dashboard。
等可信来源里的定义。
让分析不要：
自己发明公司的 KPI。
这一点可能比「会不会 SQL」重要很多
因为 SQL 可以写得：
100% 正确。
但如果问题定义错：
答案仍然错。
例如你问：
「哪个客户最可能流失？」
AI 如果不知道：
公司真正认定 Churn 的条件。
它可以做出：
非常漂亮。
但没有用的 Dashboard。
所以企业 Data AI 的核心：
不是只让模型：
看得到 Data。
还要让它知道：
这家公司怎么理解这些 Data。
Data agent 也不会因为接上数据，就突然得到全部权限
这一点很重要。
假设你的 Snowflake 帐号：
只能看：
台湾区。
不能看：
日本区。
Data agent 不会因为：
它是 AI。
就自动跨过权限。
OpenAI 表示：
查找仍会遵守：
原本连接帐号的：
Table。
Row。
Column。
Access Control。
也就是：
人原本看不到的数据：
Agent 不会因为接进 ChatGPT：
突然多一把万能钥匙。
管理员还能决定哪些人可以使用哪些 Connection
例如：
财务：
可以连 Finance Warehouse。
行销：
只能连 Marketing Data。
一般业务：
可以看 Sales Dashboard。
但不能碰：
Payroll。
HR。
Sensitive Customer Data。
这才比较接近：
真正企业环境。
不是：
「全部数据集中起来给 AI 看。」
而是：
AI 也沿用原本的数据治理。
找到 Insight 之后，还能往下一步走
这是 Data agent 和单纯 BI Chatbot：
另一个值得看的差别。
例如分析后发现：
Enterprise Customer：
续约下降。
AI 可以：
建议：
下一步应该找：
Customer Success。
Product。
Sales。
一起处理。
接着：
把分析结果：
送进 Slack。
Email。
或其他已连接工作工具。
甚至运行：
用户批准的 Action。
这就形成：
Question → Analysis → Dashboard → Action
一条完整 Workflow。
但「AI 找到原因」不能直接等于「原因已被证明」
例如：
AI 发现：
某个月 Support Ticket 增加。
同时：
Retention 下降。
它可能提出：
「客服问题可能造成流失。」
这很合理。
但：
两件事一起发生：
不一定代表：
前者造成后者。
可能还有：
价格调整。
竞争对手促销。
产品 Bug。
客群变化。
所以 Data agent 最好的用法：
不是：
问一句：
「为什么？」
然后把第一个答案：
直接当事实。
而是：
继续追：
证据是什么？
OpenAI 自己就强调可以查看每个 Finding 背后的 Evidence
用户可以：
Follow-up。
检查：
Source。
比较：
Segment。
确认：
Time Period。
再往下分析。
这个工作方式：
其实比：
AI 给一个漂亮结论：
重要很多。
Data agent 的价值应该是：
让验证变快。
不是：
把验证拿掉。
一个非常实际的例子：业绩突然掉 12%
假设公司 Dashboard 显示：
本周 Sales：
明显下降。
你可以先问：
哪个 Region？
AI 发现：
主要来自南区。
再问：
新客户还是旧客户？
结果：
新客户没什么变。
主要是：
Existing Customers。
再问：
哪些 Product？
结果：
集中在某一产品线。
接着看：
同期 Support Ticket。
才发现：
这个产品最近：
配送问题明显增加。
这时：
你才真的接近：
值得调查的原因。
不是一开始：
看到营收掉。
就让 AI 自己写：
「市场需求下降。」
这也是为什么 Dashboard 不应该只是漂亮
真正好的 Dashboard：
不是：
有十个 Pie Chart。
而是：
让人快速回答：
哪里变了？
和什么比较？
变化集中在哪里？
有哪些可能原因？
下一步应该查什么？
如果 Data agent 能把：
这个 Investigation Process：
一起保存。
它的价值就比：
单纯自动做图：
高很多。
OpenAI 自己现在也大量使用这种方式
OpenAI 表示：
几乎所有 Product Team。
以及超过三分之二的：
Go-to-market Organization。
都在使用这套 Data Agent 能力：
自行分析公司数据。
但 OpenAI 同时提到：
能做到这件事的前提不是：
把所有数据直接丢给模型。
而是 Data Team 先创建：
共同 Business Definition。
Access Rule。
Sensitive Data Safeguard。
这一点非常重要。
AI Data Agent 不会让 Data Team 消失
反而可能让 Data Team 的工作：
往另一个方向移。
以前大量时间可能花在：
「帮我拉这个数字。」
「帮我改这张图。」
「帮我加一个 Filter。」
未来更多时间可能变成：
定义：
Metric。
治理：
Data Quality。
创建：
Semantic Layer。
管理：
Access。
验证：
Source。
也就是：
少做：
报表代工。
多做：
数据制度。
OpenAI 已经公布一些实际企业例子
例如 NTT DATA 表示：
过去 Dashboard 的授权成本、技术门槛与制作负担：
让很多非工程员工不容易自行创建 Dashboard。
使用 Data agent 后：
Sales。
Corporate Function。
等非工程团队：
也开始能用自然语言：
创建与更新自己的 Dashboard。
ServiceTitan 则拿它找产品采用差异
OpenAI 公开案例中：
ServiceTitan 利用 Data agent 创建 Dashboard：
比较 AI Sidekick Atlas 的使用状况。
结果发现：
使用 Atlas 的客户：
发起 Campaign 的比例：
大约是未用户的三倍。
这个 Finding：
再被拿回去改善：
Onboarding。
这是一个很好理解的例子。
AI 不是只说：
「Atlas 看起来很好用。」
而是：
从公司自己的数据：
创建可检查的差异。
micro1 的案例更有意思：AI 还抓出原 Dashboard 的错误
OpenAI 公开的 Alpha 使用案例中：
micro1 表示：
Operations Team 用自然语言：
重新创建 Performance Tracking Dashboard。
大约半小时内：
完成新的 Dashboard。
同时还发现：
原本 Dashboard 里的错误。
这提醒另一件事：
AI 不一定只是：
「把旧报表自动重做。」
有时真正的价值是：
让人重新检查：
原本以为正确的 Reporting Logic。
但这些案例不能直接变成「你的公司也一定半小时完成」
不同公司：
Data Quality。
Metric Definition。
Warehouse。
Permission。
Schema。
Context。
差很多。
如果数据本身：
乱。
字段没有统一。
Revenue 每个部门定义不同。
Dashboard 十年没整理。
那么：
再好的 Agent：
也不可能自动把所有治理问题消失。
所以：
Data agent 最适合的公司：
未必是：
Data 最多的公司。
而是：
已经有一定可信数据基础，但分析入口仍太慢的公司。
小公司没有 Snowflake，就完全用不到吗？
也不能这样理解。
Data agent 可以利用：
Google Drive。
SharePoint。
以及其他已连接的 Data Source。
但如果公司真正的营运数据：
只有几张：
Google Sheets。
那么是不是值得导入：
完整企业 Data Stack：
就要看需求。
不要因为工具很强：
反而先增加系统复杂度。
对很小的团队：
一份干净 Spreadsheet：
有时已经够用。
Data agent 更适合什么问题？
第一：
重复发生。
每周都问：
业绩。
留存。
成本。
Pipeline。
第二：
需要跨数据源。
例如：
Sales＋Support＋Spend。
第三：
需要持续 Drill Down。
不是只看：
一个 Total。
而是一路追到：
Region。
Product。
Customer Type。
第四：
分析后真的有人要采取行动。
如果只是：
一年看一次的漂亮报表。
价值就没有那么高。
第一次使用，不要问「帮我分析整家公司」
范围太大。
最好先选：
一个问题。
例如：
「比较这个月和上个月的续约率，找出变化最大的 Customer Segment，列出你使用的数据源、Metric Definition 与可能 Driver。」
这样：
结果容易验证。
也容易知道：
AI 到底有没有用。
第二步才把分析做成 Dashboard
如果 Finding：
已经确认有价值。
再说：
把这套分析：
创建成：
可 Refresh 的 Dashboard。
下一周：
直接更新。
这比：
一开始就要求：
「帮公司做一个完整 CEO Dashboard。」
成功率高很多。
第三步才考虑让 Insight 触发 Action
例如：
发现：
某群客户 Renewal Risk：
提高。
第一阶段：
只产生报告。
第二阶段：
通知 Customer Success。
再成熟一点：
才考虑：
创建 Follow-up Task。
不要一开始就：
分析完。
自动寄信给客户。
因为：
Data Insight。
和：
Business Action。
中间还需要：
判断。
这也是 Data agent 最值得看的地方
过去 AI Data Tool：
常常停在：
「帮我分析。」
现在 Data agent 往前走成：
「帮我找数据。」
「告诉我哪里变了。」
「让我继续追证据。」
「做成 Dashboard。」
「找出需要处理的人。」
「把核准的结果送进工作流程。」
AI 开始不是：
一个画图表的助手。
而是：
数据问题的：
Investigation Agent。
但最后真正重要的还是数据治理
如果公司的：
Revenue Definition：
三个部门三个版本。
客户 ID：
不同系统不一致。
历史数据：
缺一半。
权限：
乱开。
那么 Data agent：
只是让你：
更快看到混乱。
它不能代替：
Data Governance。
所以 AI Data 分析成熟后：
最重要的技能可能不再只是：
会不会 SQL。
而是：
知道公司的哪一个数字才是真的。
所以今天第一次认识 Data agent，只要记住一件事
它不是：
「不用数据团队了。」
也不是：
「以后 Dashboard 都可以让 AI 随便做。」
真正的新能力是：
让原本需要：
数据工具。
查找语言。
BI 操作。
才能进行的商业调查：
开始可以直接从一句自然语言问题：
启动。
然后一路走到：
证据。
Dashboard。
下一步。
当公司已经累积很多数据：
真正缺的往往不是：
更多数字。
而是：
更快知道哪个数字值得现在处理。
这才是 Data agent 最值得看的地方。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
今日 AI 工具｜2026/07/29：ChatGPT Work，连接文档与工作工具，把研究、整理、制作到更新变成一段完整流程
今日 AI 工具｜2026/08/25：Meta AI 小型企业功能，直接分析 Facebook／Instagram 成效、Meta Ads 与 Google Workspace
