“为什么销售额下降？”过去可能要提需求、排期、写SQL、核对口径，再等一份报表。ChatGPT Work的新Data agent试图把入口变成一句自然语言。它会让更多人接触数据，但不会让数据分析师消失，因为真正困难的从来不只是写查询，而是判断哪个数字可信、变化为什么发生，以及公司应该做什么。

发生了什么

OpenAI在9月10日发布Data agent，将其描述为能够连接企业数据、调查变化、生成交互式仪表板并在对话中继续细化分析的Agent。用户可以问销售放缓、成本上升或客户续约风险等问题，而不必先学习新的查询工具。

这类产品把过去分散的步骤放进一个会话：理解业务问题、寻找数据、执行分析、展示结果和接受追问。它的吸引力很直接——业务人员不用把问题翻译成技术需求，数据团队也能减少大量重复取数。

但“可以问”不等于“答案一定对”。官方发布介绍的是产品能力，不是对每家公司数据质量的保证。接入哪些系统、用户拥有什么权限、同名指标如何定义，仍由企业自身决定。

数据Agent实际在做什么

与普通聊天机器人相比，数据Agent需要操作真实数据工具，并在多轮对话中记住口径。与固定BI报表相比，它能探索尚未预先定义的问题。但自由度越高，错误空间也越大：它可能选错时间字段、重复计算客户、混淆收入与回款，或者把相关性写成因果关系。

因此，一个可靠的数据Agent至少需要三层约束。第一层是权限，只能看到用户本来有权查看的数据。第二层是语义，让“活跃用户”“收入”“流失”等指标拥有统一定义。第三层是证据，答案应能回到查询、数据源和过滤条件，而不是只给一段流畅解释。

还需要第四层：把事实描述与原因判断分开。“华东区销售额下降12%”可以由数据验证，“因为竞品降价”却需要价格、渠道、访谈或实验等额外证据。语言模型很擅长把合理故事写得完整，数据Agent若没有证据标记，就可能把一个相关现象包装成确定原因。好的界面应分别显示已验证事实、可能解释和下一步验证方法。

数据分析师会被替代吗

重复取数和基础图表的工作会减少，这是合理预期。但数据团队的价值会向上移动：建设可信指标、处理数据质量、设计实验、解释异常、识别因果陷阱，以及把分析转化为决策。

业务人员也会获得新责任。过去可以把错误归因于“报表没做好”，未来提出的问题本身将直接影响结果。“最近销售不好”缺少地区、产品、渠道和比较周期；一个Agent即使执行完美，也只能猜测用户真正想问什么。

自然语言还会隐藏口径冲突。产品负责人说“用户”，财务可能指付费账户，运营可能指访问设备，销售则可能指企业客户。同一句问题在不同部门对应不同分母。如果Agent在回答前主动展示口径并让用户确认，看起来多了一步，却能减少后续争论。真正高效不是最快出图，而是第一次就让参与者讨论同一个数字。

数据安全也不能只靠“模型不会泄露”的承诺。权限应在查询和数据源层强制执行，而不是仅写进提示词。测试时要让低权限账号故意询问高权限数据、通过汇总反推个人信息，并检查导出的仪表板是否继承原权限。对话入口越简单，越需要底层访问控制保持严格。

我的判断是，数据Agent不会让企业突然变成数据驱动，它只会更快暴露企业原本的数据治理水平。口径清楚、权限完整、记录可靠的公司会得到效率放大；数据散乱的公司只会更快地产生一批看起来专业的错误图表。

上线前先做四件事

1. 建立20个最常用指标的业务词典，写清计算方式和负责人。
2. 为敏感字段设置最小权限，不让自然语言绕过既有访问控制。
3. 要求每个关键结论显示数据源、过滤条件与查询时间。
4. 用历史上已经人工确认的十个问题做回放测试，并记录错误类型。
5. 对涉及预算、人事和客户处置的结论保留人工批准。

真正值得收藏的不是Agent画出的第一张图，而是它能否让另一个人复现同一结论。

如果业务人员能直接问数据，数据团队最该保留的核心工作是什么？

关注「蜗牛聊AI」，一起看懂技术变化背后的真正机会。