2026 年，AI 落地的故事正在上演一个奇特的悖论：模型能力突飞猛进，企业 AI 投入成本与日俱增，但然后呢？越来越多的案例和数据显示，真正进入生产并产生持续 ROI 的项目仍然是少数。Gartner 甚至预测，2026 年 60% 的 AI 项目将被放弃。
背后的原因不是模型不够好，而是数据没有准备好被 AI 消费。
当 AI 进入真实业务流程后，现实的卡点是能不能拿到正确的数据、理解正确的业务语义，并基于可信的数据完成任务。在 Agentic AI 时代，这种矛盾被进一步放大。过去，数据的消费者是人，如今，越来越多 Agent 开始参与分析、开发、治理等数据工作，人和 Agent 需要基于同一套数据体系协同工作。如果企业还在沿用上个时代专为人而设计的数据平台，很难支撑 Agent 在生产环境中稳定、准确、可信地运行。
在 6 月 5 日举行的腾讯云 AI 产业应用大会上，腾讯云宣布面向 Agent 升级全栈数据平台能力，试图解开的正是这个结。通过生产级数据智能体 DataBuddy、数据智能平台 WeData 和 AI 原生大数据底座三层架构，构建人和 Agent 协同工作的智能入口、统一控制面和数据底座。
这三层架构中，带给笔者最大惊喜的，是 Buddy 家族的新成员——DataBuddy。因为它瞄准的，是数据工作流本身。从数据工程、数据治理到数据分析，数据团队最难啃的脏活累活，它都按照 Agentic AI 时代的新范式，重构了一遍。
当行业关注点从模型能力转向 AI 落地，数据成了越来越绕不开的话题。因为在真实的业务流程中，不管 AI 是做经营分析、生成报表还是最终执行，都需要完整跑通从数据接入到数据分析、数据治理，再到最终的业务输出，这样一整条链路。这中间，任何一个环节的不确定，都会放大结果的不可靠。
然而，企业现有的数据平台，大多并不是为这条链路设计的。
回顾大数据平台的发展历程就会发现，过去 20 年，大数据平台经历过两次完整的代际演进：在大数据时代（2006-2014），重点关注的是离线数仓、ETL、报表决策，把分布式存算和开发任务工具化；在湖仓一体时代（2014-2023），重点关注的是湖仓存算、数据治理，以及资产化。
本质上，这两个时代解决的，都是 人如何更高效地使用数据 这个问题。业务方提一个数据需求，分析师先理解业务口径，再写 SQL 取数、对齐指标，最后做出一份报表。如果底层数仓不能满足，还需要数仓工程师对数仓分层做调整。这些需求从提出到交付，少则两三天，多则一两周。
这件事过去 20 年都没怎么变。整流程虽然效率不高，但基本能够运转。
但当 Agent 开始开始批量上岗后，数据平台终于迎来了新的使用者：Agent。Agent 对数据的时效性、准确性和语义一致性提出了更高的要求，原本可以依靠人工经验弥补的断层，在 Agent 面前变成了硬伤。
AI 时代带来了新的问题，同时，很多旧时代的问题，如数据孤岛、治理缺失等也被再次放大。新旧问题交织在一起，老办法已经不够用了。
“平台效率与数据质量的短板，正成为企业 AI 落地的最大瓶颈”，腾讯云大数据总经理周清认为，真正的 AI-Native 数据平台，不等于 AI+ 数据平台。在 GUI 旁边加一个 Copilot 侧边栏，也不会让一个平台真正进入 AI 时代。真正能带来改变的，是将交互、研发、运行时、治理这四个范式同时重构：
交互范式：在 AI 时代，自然语言成为新的交互方式，真正的产物是 AI 生成的，UI 是 AI 产物的投影；
研发范式：从人写代码转向 Spec-Driven，从数据需求的 Spec 来驱动 AI 去理解主动生成产物，人来做评审；
运行时范式：Agent 是一等运行时公民，与任务共生命周期；
治理范式：元数据将成为 Agent 可调用的语义 API。
当交互、研发、运行时和治理四个范式同时发生改变时，最直观的变化，将从“人使用工具”，变成“Agent 完成工作”。过去大家关注数据平台有多少功能，现在关注的，是一项数据工作能否真正交付。
对比过去和现在的数据团队工作模式，会发现一个非常典型的问题。
过去的数据工作从需求拆解到结果分析，几乎每一步都需要不同的角色在不同的系统中完成，响应慢、易出错、成本高。在人机协作的 Agentic AI 时代，能不能把一条数据需求，变成一次端到端的交付？
DataBuddy 瞄准的正是这件事。
DataBuddy 是腾讯云于今年 5 月发布的生产级数据智能体，也是 Buddy 家族的第三位成员。如果说 CodeBuddy 面向的是开发者，WorkBuddy 面向的是职场人士，那么 DataBuddy 面向的，就是企业数据基础设施建设中最重要的角色：数据分析师、数据治理人员、数仓工程师。
它基于腾讯 WorkBuddy 同源 Agent 底层能力打造，继承了 WorkBuddy 的 Harness。 第三方数据显示，WorkBuddy 已经成为当前国内日活跃用户数（DAU）第一的效率型 Agent，这也从侧面印证了整套 Agent 底层架构的稳定性。DataBuddy 相当于站在 WorkBuddy 的肩膀上，复用了这套经过海量用户验证的成熟 Agent 底层架构。同时，DataBuddy 还 通过 Skill 引入腾讯云大数据服务内外部十几年大规模经验，以及与数据智能平台 WeData 原生深度联动，最终实现数据垂直领域的 Agent 化。
据介绍，DataBuddy 一共内置了三个数据专家，能够针对数据工程、数据治理、数据分析三大数据场景实现对话即交付。用户只需要通过自然语言对话，就能端到端完成大数据全链路任务。
在数据工程场景中，过去完全依靠人工搭建，现在 DataBuddy 能自动完成数仓方案设计、代码生成和工作流编排，将重复开发工作量降低 80%，整体研发效率提升 5-10 倍。重点不是快了，而是人不再需要关心中间每一步怎么做，新手就能直接起步。
比如在这个案例中，只需要几句话，就能让 DataBuddy 基于数据源内的原始表，从 0 到 1 设计数仓建设方案。甚至还能生成项目规范，并根据项目规范更新技术方案。
此外，DataBuddy 还提供完整的 AIOps 能力，能自动解析日志、代码、资源、上游依赖分析失败原因，输出根因判断，再基于内置的运维知识库及 Skills，推荐可信的修复方案，一键执行修复。
在数据治理场景中，过去是人工治理：敏感数据靠人工标记，质量规则凭经验拍脑袋，问题诊断止于“表象”，人工巡检覆盖率低。DataBuddy 的打法是，以 AI 实现智能守护。可以在没有预设规则的条件下，自主分析数仓中存在的问题，输出完整的质量报告。比如，它会分析哪些是敏感字段需要脱敏，哪些字段在业务层面不合逻辑，等等。
在上面这个案例中，DataBuddy 能根据信息输出当前数仓数据治理情况的分析报告，如果遇到元数据不完整或数据质量没有监控到的，能够自动推荐处理策略，用户确认后即可自动执行。
最终生成数仓数据治理分析报告非常详实，覆盖元数据完整性、血缘健康度、语义模型一致性、数据质量、数据安全合规以及存储与成本六大维度。在治理改进建议与推荐策略中，还按照紧急程度进行了划分，哪些需要立即处理的，哪些可以晚点处理的，都呈现得明明白白。
在数据分析场景中，过去业务提一个需求，排期可能得等上 1-3 天，报告完全依靠人工制作，异动归因靠经验，费时费力。DataBuddy 充当的，是一个随身的数据分析师角色。它能实现对话即交付，不会写 SQL 的业务人员和分析师，也能用 DataBuddy 实现智能问数、指标归因分析、报告生成和可视化看板搭建。同时结合 WeData 的数据语义层，DataBuddy 能大提升准确性，解决数据口径问题。
比如在这个案例中，DataBuddy 能快速对 1000 个游戏用户进行行为分析。
最终生成的分析报告，不仅有核心总结，还有下一步的建议动作，参考指数非常高。
大家对 Data Agent 的期待，从来不是一个只能对话的 ChatBot，而是一个能够直接参与业务交付的数据 Agent。从 DataBuddy 落地的三大场景来看，它瞄准的正是交付这件事。
但当 Agent 开始分析数据、调用工具甚至参与业务决策时，企业最担心的往往不再是能力，而是边界。
根据 Gartner 调研，75% 的企业已经在组织内部试点、部署或使用某种形式的 AI Agent，但只有 15% 正在考虑或部署真正具备自主能力的 Agent。
相比模型能力本身，企业更关心的是另一个问题：Agent 能否在可控范围内运行？
2026 年，幻觉仍是 AI 最大的顽疾。
过去一年，很多企业的 Data Agent 项目最后都止步于“幻觉” 。“如果底层数据没准备好，上面跑什么 Agent 都是白搭。”腾讯云 WeData 产品总监唐晨表示，当下 Agent 存在两种路线：一种是 Wrapper 型 Agent，这种 Agent 实际是大模型套壳，没有数据底座，也就决定了它的上限不会太高；另一种是数据平台原生 Agent，更像是数据平台在 AI 时代的有机延伸。
DataBuddy 属于后者，它完全搭载在腾讯云全新升级的一站式数据智能平台 WeData 上。真正值得关注的，不是产品增加了多少功能，而是腾讯云在这次升级背后，对 Data+AI 时代企业数据平台演进方向的判断：Agentic AI 时代的数据平台，可能需要按照全新的范式重构。
正如前文所说，数据平台的消费者已经从人变成了 Agent。数据平台承担的也不再只是传统的元数据管理，而是直接决定 Agent 会不会产生幻觉。
腾讯云认为，统一语义正在成为 AI 时代新的数据护城河。
没有统一语义，NL2SQL 会反复掉进三个陷阱：指标歧义，系统里一个“收入”有八种口径，Agent 随机选一个；JOIN 错乱，关联键靠猜，SQL 跑得通但数据全错；查询条件随意匹配，比如过滤条件是“上季度”或者“华东区”，大模型很难理解“华东区”到底指什么。这也是多数 Data Agent 项目止步于幻觉的根因。
但语义本身并不是一个孤立模块。要让 Agent 真正做到可信、可控、可交付，还需要能够访问数据、调用能力、执行任务，并最终进入生产环境。这也从侧面解释了，为什么腾讯云没有把 DataBuddy 设计成一个独立的 Agent 产品，而是把它放进了整个 WeData 的架构体系中。
从架构上来看，DataBuddy 位于三层架构的顶层，即应用层，包括三类原生 Agent、Memory + Skill Store、MCP 协议层。
在它下面一层，叫做治理层或数据层，解决的是 AI-Ready 最关键的 Unity Catalog、统一语义、MCP。把平台所有的能力、数据，通过 MCP、Skills 暴露出来，最终让 Agent 能调得到、读得懂、用得对。
再往下是工程层，即 DIOps 全栈工程。用统一的 IDE 把数据负载和 AI 负载放在同一个 Workflow 里编排，再通过 Bundle 的发布机制解决开发到生产的发布问题，使得生产更加严谨、可信。
从应用层到数据层再到工程层，三层缺一不可。工程层接住任务，治理层接住语义，应用层接住对话，理解用户的意图。三层加在一起，才是数据平台 Agent-Native 真正的形态。 这也解释了为什么，DataBuddy 能在 WeData 上跑得起来。
把这套架构放到真实的业务场景中，价值体现得会更加清晰。
以新零售行业为例，这个行业的瓶颈从来不是数据太少，而是数据太散、报表太慢。线上线下、ERP、CRM 的数据分散在不同系统中，BI 的时效性跟不上大促节奏。此外，AI 模型上线慢，推荐系统和用户分群模型从开发到投产动辄需要 1-2 个月。非结构化数据也用不起来，商品图、客服对话、用户评价沉淀在对象存储，或者其他系统里面，无法跟大数据系统打通，缺少数据准备的链路，没法喂给 RAG。
WeData 通过全域数据接入和多源异构集成，把分散的全域数据收拢成一份统一口径，让大促决策从“等报表”变成“实时看”。其中，Unity Catalog 做全域血缘，能从一张报表追到上游每一张表；从 GMV、复购率、转化率到 ROI，统一指标口径； MLOps 全闭环承接推荐、用户增长、智能补货模型；最上面的 DataBuddy，能让企业用自然语言直接问数。
基于这一套方案，WeData 把“全域数据 + 智能模型 + 业务决策”打造成了一条工程化流水线，数据资产可以复用，营销 ROI 可以持续量化优化。
当 AI 落地的真正瓶颈来到数据层，所有数据平台都值得按照 Agentic AI 时代新的范式要求，重新做一遍。本质上，腾讯云这次升级就是在从两个视角回答同一个问题：Agentic AI 时代的数据平台，到底应该长什么样？
DataBuddy 回答的是“Agent 能做什么”，WeData 回答的是“为 Agent 准备了什么底座”。两个视角加在一起，构成了 Agentic AI 时代企业数据智能平台的完整方案。
如果把这次升级放在更长的时间轴上看，它代表的，或许是一次人机分工的重新划线。过去，数据平台是为人设计的操作台；现在，Agent 正在成为合法的“一等用户”。而这场变化，才刚刚开始。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。