公司每天都有很多問題：
為什麼這個月業績掉了？
哪個地區退訂率突然升高？
廣告花更多錢：
為什麼訂單沒有一起增加？
哪幾類客戶最容易續約？
客服量暴增：
到底是哪個產品出了問題？
以前這些問題：
通常不是沒資料。
而是資料散在：
Data Warehouse。
CRM。
Spreadsheet。
Dashboard。
Google Drive。
SharePoint。
甚至不同部門裡。
真正困難的是：
要有人把它們找出來、查詢、對定義、做分析，再整理成大家看得懂的結果。
OpenAI 最新推出的：
Data agent
就是想把這一段工作：
直接放進 ChatGPT Work。
它不是單純「把 Excel 丟進 ChatGPT」
Data agent 可以連接企業已經使用的正式資料來源。
OpenAI 目前列出的來源包括：
Amazon Redshift。
Google BigQuery。
ClickHouse。
Databricks。
MongoDB。
Snowflake。
以及其他 Data Source。
文件部分：
還可以把 Google Drive、SharePoint 裡的資料：
一起帶進分析。
所以使用方式不再只是：
下載 CSV。
上傳。
再問 AI。
而是：
讓 AI 在取得授權後，直接對企業原本的資料環境工作。
最簡單的使用方式就是直接問問題
例如：
「為什麼上週 Weekly Active Users 掉了？」
以前：
可能先找 Data Analyst。
Analyst 再確認：
要看哪個 Product？
哪個 Market？
和哪一期比較？
接著：
寫 SQL。
跑 Query。
整理結果。
畫 Chart。
最後：
回來跟你解釋。
Data agent 想做的是：
讓使用者直接從：
Business Question
開始。
AI 再去：
找資料。
比較期間。
拆 Segment。
找出可能 Driver。
把證據整理回來。
真正重要的是它會繼續追問，而不是只給一張圖
例如 AI 發現：
本月 Retention：
下降。
你可以繼續問：
哪個市場降最多？
新客戶還是舊客戶？
哪個產品版本開始出現變化？
Support Ticket 有沒有同步增加？
上個月有沒有一樣的 Pattern？
不用：
每問一次。
重新開一張 Report Request。
整個 Investigation：
可以留在：
同一段 Conversation。
接著可以直接變成互動 Dashboard
分析出結果後：
Data agent 可以建立：
Interactive Dashboard。
不是只貼一張：
靜態 Chart。
團隊可以：
編輯。
分享。
Refresh。
繼續調整。
例如原本 Dashboard：
只看：
全公司 Revenue。
接著可以要求：
拆成：
Region。
Product。
Customer Segment。
Acquisition Channel。
同一個分析：
繼續往下挖。
而且不一定要放棄原本的 BI 工具
這點很實際。
很多公司已經花很多年：
建立：
Power BI。
Tableau。
Sigma。
ThoughtSpot。
Oracle BI。
或其他 Business Intelligence 系統。
不可能因為多一個 AI：
全部丟掉。
Data agent 的方向反而是：
接進去。
OpenAI 表示：
它可以建立或操作：
Omni。
Oracle BI。
Power BI。
Sigma。
Tableau。
ThoughtSpot。
裡的 Dashboard。
所以 AI 比較像：
新的分析入口。
而不是：
叫企業把原本 BI 全砍掉。
這件事最大的改變，其實是誰可以開始分析資料
過去大型 Data Warehouse：
通常不是每一個業務。
行政。
行銷。
營運主管。
都會自己進去查。
不是因為他們沒有問題。
而是：
工具門檻高。
要懂：
Table。
Join。
Metric。
Filter。
SQL。
Dashboard。
很多人最後變成：
「麻煩資料團隊幫我拉一下。」
Data agent 想把入口改成自然語言
例如業務主管可以問：
「這一季哪些產業的 Pipeline 成長最快？和上一季比較，最大的變化來自哪裡？」
行銷可以問：
「最近三個月哪一種 Campaign 帶來的新客戶留存最好？」
財務可以問：
「本季哪幾類支出增加最多？和去年同期差多少？」
營運可以問：
「客服量增加到底來自訂單、物流，還是產品問題？」
這些才是：
Data agent 真正的使用方式。
不是：
「幫我寫 SQL。」
而是：
先從公司真正想知道的問題開始。
但自然語言分析最怕一件事：大家說的「營收」根本不是同一個營收
這也是企業 Data AI 最容易出錯的地方。
例如：
Revenue。
到底是：
下單金額？
付款完成？
扣掉退款？
含稅？
不含稅？
認列收入？
如果 AI 不知道：
公司的正式定義。
即使 SQL 完全正確：
答案也可能：
商業上完全錯。
所以 OpenAI 特別強調：
Business Context。
Data agent 可以使用企業原本的 Semantic Layer
簡單說：
Semantic Layer：
就是把公司對資料的真正定義：
寫清楚。
例如：
什麼叫：
Active Customer。
什麼叫：
Churn。
什麼叫：
Revenue。
什麼叫：
Qualified Lead。
資料表之間：
怎麼連。
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。
等可信來源裡的定義。
讓分析不要：
自己發明公司的 KPI。
這一點可能比「會不會 SQL」重要很多
因為 SQL 可以寫得：
100% 正確。
但如果問題定義錯：
答案仍然錯。
例如你問：
「哪個客戶最可能流失？」
AI 如果不知道：
公司真正認定 Churn 的條件。
它可以做出：
非常漂亮。
但沒有用的 Dashboard。
所以企業 Data AI 的核心：
不是只讓模型：
看得到 Data。
還要讓它知道：
這家公司怎麼理解這些 Data。
Data agent 也不會因為接上資料，就突然得到全部權限
這一點很重要。
假設你的 Snowflake 帳號：
只能看：
台灣區。
不能看：
日本區。
Data agent 不會因為：
它是 AI。
就自動跨過權限。
OpenAI 表示：
查詢仍會遵守：
原本連接帳號的：
Table。
Row。
Column。
Access Control。
也就是：
人原本看不到的資料：
Agent 不會因為接進 ChatGPT：
突然多一把萬能鑰匙。
管理員還能決定哪些人可以使用哪些 Connection
例如：
財務：
可以連 Finance Warehouse。
行銷：
只能連 Marketing Data。
一般業務：
可以看 Sales Dashboard。
但不能碰：
Payroll。
HR。
Sensitive Customer Data。
這才比較接近：
真正企業環境。
不是：
「全部資料集中起來給 AI 看。」
而是：
AI 也沿用原本的資料治理。
找到 Insight 之後，還能往下一步走
這是 Data agent 和單純 BI Chatbot：
另一個值得看的差別。
例如分析後發現：
Enterprise Customer：
續約下降。
AI 可以：
建議：
下一步應該找：
Customer Success。
Product。
Sales。
一起處理。
接著：
把分析結果：
送進 Slack。
Email。
或其他已連接工作工具。
甚至執行：
使用者批准的 Action。
這就形成：
Question → Analysis → Dashboard → Action
一條完整 Workflow。
但「AI 找到原因」不能直接等於「原因已被證明」
例如：
AI 發現：
某個月 Support Ticket 增加。
同時：
Retention 下降。
它可能提出：
「客服問題可能造成流失。」
這很合理。
但：
兩件事一起發生：
不一定代表：
前者造成後者。
可能還有：
價格調整。
競爭對手促銷。
產品 Bug。
客群變化。
所以 Data agent 最好的用法：
不是：
問一句：
「為什麼？」
然後把第一個答案：
直接當事實。
而是：
繼續追：
證據是什麼？
OpenAI 自己就強調可以查看每個 Finding 背後的 Evidence
使用者可以：
Follow-up。
檢查：
Source。
比較：
Segment。
確認：
Time Period。
再往下分析。
這個工作方式：
其實比：
AI 給一個漂亮結論：
重要很多。
Data agent 的價值應該是：
讓驗證變快。
不是：
把驗證拿掉。
一個非常實際的例子：業績突然掉 12%
假設公司 Dashboard 顯示：
本週 Sales：
明顯下降。
你可以先問：
哪個 Region？
AI 發現：
主要來自南區。
再問：
新客戶還是舊客戶？
結果：
新客戶沒什麼變。
主要是：
Existing Customers。
再問：
哪些 Product？
結果：
集中在某一產品線。
接著看：
同期 Support Ticket。
才發現：
這個產品最近：
配送問題明顯增加。
這時：
你才真的接近：
值得調查的原因。
不是一開始：
看到營收掉。
就讓 AI 自己寫：
「市場需求下降。」
這也是為什麼 Dashboard 不應該只是漂亮
真正好的 Dashboard：
不是：
有十個 Pie Chart。
而是：
讓人快速回答：
哪裡變了？
和什麼比較？
變化集中在哪裡？
有哪些可能原因？
下一步應該查什麼？
如果 Data agent 能把：
這個 Investigation Process：
一起保存。
它的價值就比：
單純自動做圖：
高很多。
OpenAI 自己現在也大量使用這種方式
OpenAI 表示：
幾乎所有 Product Team。
以及超過三分之二的：
Go-to-market Organization。
都在使用這套 Data Agent 能力：
自行分析公司資料。
但 OpenAI 同時提到：
能做到這件事的前提不是：
把所有資料直接丟給模型。
而是 Data Team 先建立：
共同 Business Definition。
Access Rule。
Sensitive Data Safeguard。
這一點非常重要。
AI Data Agent 不會讓 Data Team 消失
反而可能讓 Data Team 的工作：
往另一個方向移。
以前大量時間可能花在：
「幫我拉這個數字。」
「幫我改這張圖。」
「幫我加一個 Filter。」
未來更多時間可能變成：
定義：
Metric。
治理：
Data Quality。
建立：
Semantic Layer。
管理：
Access。
驗證：
Source。
也就是：
少做：
報表代工。
多做：
資料制度。
OpenAI 已經公布一些實際企業例子
例如 NTT DATA 表示：
過去 Dashboard 的授權成本、技術門檻與製作負擔：
讓很多非工程員工不容易自行建立 Dashboard。
使用 Data agent 後：
Sales。
Corporate Function。
等非工程團隊：
也開始能用自然語言：
建立與更新自己的 Dashboard。
ServiceTitan 則拿它找產品採用差異
OpenAI 公開案例中：
ServiceTitan 利用 Data agent 建立 Dashboard：
比較 AI Sidekick Atlas 的使用狀況。
結果發現：
使用 Atlas 的客戶：
發起 Campaign 的比例：
大約是未使用者的三倍。
這個 Finding：
再被拿回去改善：
Onboarding。
這是一個很好理解的例子。
AI 不是只說：
「Atlas 看起來很好用。」
而是：
從公司自己的資料：
建立可檢查的差異。
micro1 的案例更有意思：AI 還抓出原 Dashboard 的錯誤
OpenAI 公開的 Alpha 使用案例中：
micro1 表示：
Operations Team 用自然語言：
重新建立 Performance Tracking Dashboard。
大約半小時內：
完成新的 Dashboard。
同時還發現：
原本 Dashboard 裡的錯誤。
這提醒另一件事：
AI 不一定只是：
「把舊報表自動重做。」
有時真正的價值是：
讓人重新檢查：
原本以為正確的 Reporting Logic。
但這些案例不能直接變成「你的公司也一定半小時完成」
不同公司：
Data Quality。
Metric Definition。
Warehouse。
Permission。
Schema。
Context。
差很多。
如果資料本身：
亂。
欄位沒有統一。
Revenue 每個部門定義不同。
Dashboard 十年沒整理。
那麼：
再好的 Agent：
也不可能自動把所有治理問題消失。
所以：
Data agent 最適合的公司：
未必是：
Data 最多的公司。
而是：
已經有一定可信資料基礎，但分析入口仍太慢的公司。
小公司沒有 Snowflake，就完全用不到嗎？
也不能這樣理解。
Data agent 可以利用：
Google Drive。
SharePoint。
以及其他已連接的 Data Source。
但如果公司真正的營運資料：
只有幾張：
Google Sheets。
那麼是不是值得導入：
完整企業 Data Stack：
就要看需求。
不要因為工具很強：
反而先增加系統複雜度。
對很小的團隊：
一份乾淨 Spreadsheet：
有時已經夠用。
Data agent 更適合什麼問題？
第一：
重複發生。
每週都問：
業績。
留存。
成本。
Pipeline。
第二：
需要跨資料來源。
例如：
Sales＋Support＋Spend。
第三：
需要持續 Drill Down。
不是只看：
一個 Total。
而是一路追到：
Region。
Product。
Customer Type。
第四：
分析後真的有人要採取行動。
如果只是：
一年看一次的漂亮報表。
價值就沒有那麼高。
第一次使用，不要問「幫我分析整家公司」
範圍太大。
最好先選：
一個問題。
例如：
「比較這個月和上個月的續約率，找出變化最大的 Customer Segment，列出你使用的資料來源、Metric Definition 與可能 Driver。」
這樣：
結果容易驗證。
也容易知道：
AI 到底有沒有用。
第二步才把分析做成 Dashboard
如果 Finding：
已經確認有價值。
再說：
把這套分析：
建立成：
可 Refresh 的 Dashboard。
下一週：
直接更新。
這比：
一開始就要求：
「幫公司做一個完整 CEO Dashboard。」
成功率高很多。
第三步才考慮讓 Insight 觸發 Action
例如：
發現：
某群客戶 Renewal Risk：
提高。
第一階段：
只產生報告。
第二階段：
通知 Customer Success。
再成熟一點：
才考慮：
建立 Follow-up Task。
不要一開始就：
分析完。
自動寄信給客戶。
因為：
Data Insight。
和：
Business Action。
中間還需要：
判斷。
這也是 Data agent 最值得看的地方
過去 AI Data Tool：
常常停在：
「幫我分析。」
現在 Data agent 往前走成：
「幫我找資料。」
「告訴我哪裡變了。」
「讓我繼續追證據。」
「做成 Dashboard。」
「找出需要處理的人。」
「把核准的結果送進工作流程。」
AI 開始不是：
一個畫圖表的助手。
而是：
資料問題的：
Investigation Agent。
但最後真正重要的還是資料治理
如果公司的：
Revenue Definition：
三個部門三個版本。
客戶 ID：
不同系統不一致。
歷史資料：
缺一半。
權限：
亂開。
那麼 Data agent：
只是讓你：
更快看到混亂。
它不能代替：
Data Governance。
所以 AI Data 分析成熟後：
最重要的技能可能不再只是：
會不會 SQL。
而是：
知道公司的哪一個數字才是真的。
所以今天第一次認識 Data agent，只要記住一件事
它不是：
「不用資料團隊了。」
也不是：
「以後 Dashboard 都可以讓 AI 隨便做。」
真正的新能力是：
讓原本需要：
資料工具。
查詢語言。
BI 操作。
才能進行的商業調查：
開始可以直接從一句自然語言問題：
啟動。
然後一路走到：
證據。
Dashboard。
下一步。
當公司已經累積很多資料：
真正缺的往往不是：
更多數字。
而是：
更快知道哪個數字值得現在處理。
這才是 Data agent 最值得看的地方。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
今日 AI 工具｜2026/07/29：ChatGPT Work，連接文件與工作工具，把研究、整理、製作到更新變成一段完整流程
今日 AI 工具｜2026/08/25：Meta AI 小型企業功能，直接分析 Facebook／Instagram 成效、Meta Ads 與 Google Workspace
