数据在仓库里睡大觉，决策却在群里等报表？本质是效率之争
很多公司并不缺数据。缺的是，把数据变成决策的速度。
很多公司并不缺数据。
缺的是，把数据变成决策的速度。
销售为什么慢了？开支为什么升了？续约风险藏在哪几个大客户里？
这些问题，数据往往“能答”。
但现实里，业务同学常要等一张报表，或者找人代跑一次分析。
问一句，等半天。
追问一句，再等半天。
这到底是技术不够，还是流程太长？
2026 年 9 月 10 日，OpenAI 在 ChatGPT Work 里推出了名为 Data 的插件，也就是 Data agent。
它想做的事很直白：让更多人自己问公司数据，自己追证据，自己出可分享的交互仪表盘，必要时还能把洞察推进到行动。
别急着把它当成又一次“模型发布”。
这篇文章，我们只谈一件事：
数据代理，如何改变企业里“问数—看数—办事”的交易成本。
一、先问本质：企业到底在争什么？
我经常被学员问：
“润总，我们也上了数仓，也买了 BI，为什么决策还是慢？”
想一想再回答。
你们的数据，是不是已经很多了？
报表，是不是也不少了？
真正卡住的，常常不是“有没有数”，而是：
谁有权限问？
谁懂业务口径？
谁会写查询？
谁能把结论做成仪表盘？
谁再把行动推给对的人？
一条链路里，任何一环等待，都会变成整个组织的决策迟滞。
所以，表面看是“分析工具”之争。
底层看，仍然是效率之争。
互联网当年砍的，是传递价值环节里的信息不对称。
今天企业数据场景里，被拉长的，是另一类信息不对称：
业务语言 ↔ 数据语言 ↔ 报表语言 ↔ 行动语言。
翻译成本越高，决策越慢。
怎么办？
先把这件事写成一个极简公式。
二、极简公式：问数不是终点，行动才是
很多团队把“数字化”理解成：
把数据搬进仓库，再挂上一堆仪表盘。
这当然有价值。
但若只停在这里，组织里仍然会重复一种低效剧本：
发现问题的人，不会取数；
会取数的人，不懂业务；
懂业务的人，又要等下一轮排期。
于是，我们不妨把企业数据工作，拆成四步：
公司数据 + 业务语义 + 权限边界 → 可追问的答案 → 可分享的仪表盘 → 可批准的行动再压缩一点：
数据效率 = 问得快 × 信得过 × 推得动“问得快”，是自然语言能不能直接碰到已批准的数据源。
“信得过”，是口径、指标、关系能不能对齐你们已经信任的业务语义。
“推得动”，是洞察之后，能不能建议下一步、找对人，并在批准后真正发出去、做下去。
Data agent 的产品设计，几乎就是沿着这条公式往前推。
为什么这么说？
我们一层一层拆。
三、连接：把“能问的数据”接到对话里
没有连接，就没有交易。
没有接到公司数据，再聪明的对话，也只是在空气里推理。
根据公开介绍，ChatGPT Work 里的 Data agent，可以连接到已批准的数据源，包括 Amazon Redshift、Datadog、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake 等。
它也可以把 Google Drive、SharePoint 里的文件与文档带进分析。
这意味着什么？
意味着“问数”这件事，开始从专属分析入口，迁徙到员工已经每天打开的工作对话里。
但连接不等于放任。
企业数据最怕的，不是问得太少，而是问得太野。
所以权限怎么设计，比功能清单更重要。
公开材料写得很清楚：由管理员决定哪些数据连接可用、哪些角色可以使用；查询会沿用所连账号既有的表、行、列权限。
翻译成大白话：
不是 AI 突然获得上帝视角。
而是 AI 在你已经配好的边界里，替人跑查询、追证据。
这很像零售里的“定倍率”问题。
中间环节越多，成本越高；边界越模糊，风险越大。
真正可规模化的，从来不是“谁都能看一切”，而是“对的人，在对的权限里，更快看到对的事”。
四、语义：没有共同语言，答案就会“看起来很对”
数据连接上了，就够了吗？
远远不够。
同一个词，在销售、财务、产品口中，可能根本不是同一个指标。
“活跃”是日活，还是周活？
“收入”含税吗？
“续约风险”按合同到期，还是按使用衰减？
如果 AI 不懂你们公司的业务词典，它给出的答案，往往语法正确、业务跑偏。
Data agent 强调的第二件事，就是业务语义。
它会使用组织里的业务术语、指标定义、自定义计算与数据关系来理解数据。
这些上下文，可以来自语义层和你们已经信任的来源，比如 Databricks Genie Ontology、dbt、GitHub、Snowflake Horizon，以及 BI dashboards。
这非常关键。
因为企业真正缺的，常常不是又一个会说话的图表。
而是：让更多人，说同一种商业语言。
你可以把它理解成：
可信答案 = 原始数据 × 共同口径没有共同口径，数据再多，也只是各说各话。
有了共同口径，自然语言才第一次有资格，成为组织级的取数入口。
五、产出：从“等一张静态报表”，到“对话里追证据、出仪表盘”
问清楚了，然后呢？
很多人以为终点是一句总结。
对企业经营来说，总结只是中点。
公开介绍里，Data agent 支持在对话中追问结果，并查看每个发现背后的证据。
它还能把分析变成内建可视化的交互仪表盘，团队可以编辑、分享、刷新。
同时，它也可以在 Omni、Oracle BI、Power BI、Sigma、Tableau、ThoughtSpot 这些工具里，用自然语言去建、去改仪表盘。
注意这个顺序。
不是先逼所有人学会一套新 BI。
而是：分析可以在对话里发生，结果既能留在对话产物里，也能回到你们已经在用的 BI 现场。
这很像当年新零售讨论里的那句话：
不是线上打败线下，也不是线下打败线上。
是更高效率的组合，打败更低效率的组合。
这里也一样。
不是 Chat 取代 BI，也不是 BI 拒绝 Chat。
是“对话追问 + 证据链 + 可刷新仪表盘 + 既有 BI”的组合，在缩短从问题到共识的时间。
生活里有个很像的切片。
你去商场买衬衫，信息流、资金流、物流几乎同时完成，所以感觉很快。
企业里问数，常常把这三件事拆开了：
先找人拿信息，再找人做图，再找人转发群，最后才进入行动。
每拆一次，就多一次等待。
Data agent 试图做的，是把“问—证—看—共创”重新捏回更短的闭环。
六、行动：洞察若不落地，只是更高成本的观望
还有一层，很多人容易忽略。
分析结束了，事情才开始。
公开材料写到：你可以让 ChatGPT Work 建议下一步，并指出需要谁参与；经你批准后，它可以通过已连接的工具，把发现发到 Slack 或邮件，并执行相应动作。
这句话里，最重要的不是“能发消息”。
是“批准”。
顾问可以灰度思考。
企业家必须黑白决策。
AI 可以建议行动，也可以拟好通知。
但真正扣动扳机的，仍然应当是人。
把公式再写完整一点：
数据价值 =（答案 × 证据 × 仪表盘）× 批准后的行动前半段再漂亮，若乘以零行动，结果还是零。
反过来，行动若没有证据与口径托底，组织又会掉进另一头：用更快的速度，做错的事。
所以，Data agent 有意思的地方，不在于它会不会“更会说话”。
而在于它试图把企业数据工作，从“报表生产”，推进到“决策传导”。
七、官方自称与 Alpha 举例：能参考，但不能误读成普适成绩单
谈到这里，读者通常会问：
“听起来不错。有人真在用吗？”
OpenAI 有一段自我表述，需要原样理解、谨慎引用。
官方自称：几乎全部产品团队、超过三分之二的 GTM 组织，在用 ChatGPT Work 里的数据代理能力分析公司数据。
请注意，这是官方自称，不是第三方审计结果。
它说明的是：至少在 OpenAI 内部，这条路径被认为值得大规模使用。
至于外部，公开材料给出的是 Alpha 项目中的客户举例，包括 NTT DATA、Thermo Fisher、ServiceTitan、Zipline 等。
这里同样要克制。
官方举例了这些名字。
但素材并未给出可独立核验的统一成效数字，因此本文不补写、不推演任何“提升百分之几”的结论。
对企业家更有用的读法是：
先别追问别人快了多少。
先问自己：我们卡在公式的哪一段？
是连不上数据？
是口径打架？
是仪表盘做不出、传不开？
还是洞察到了群里，行动仍停在“周知一下”？
找对瓶颈，比收藏一张发布稿重要得多。
八、给管理者的工具箱：四步自查，再谈上不上
如果你是创始人、业务负责人，或者正在负责企业 AI 落地，不妨先做一张自查清单。
第一，权限与连接。
Workspace settings 里，Plugins 是否已按角色开放 Data？
管理员是否明确了可用数据源与可用角色？
查询是否严格继承表、行、列权限？
没有边界的“人人可问”，不是效率，是风险外包。
第二，业务语义。
你们最关键的指标，是否已经沉淀在 dbt、语义层、受信任的 BI 仪表盘，或类似 Databricks Genie Ontology、Snowflake Horizon 这样的上下文里？
如果公司内部连“收入”都没有统一说法，先别幻想自然语言能自动统一。
第三，产出形态。
团队是只要一句话结论，还是要可编辑、可分享、可刷新的交互仪表盘？
现有分析习惯更依赖 Power BI、Tableau、ThoughtSpot、Sigma、Omni、Oracle BI 中的哪一类？
Data agent 的价值，往往体现在：对话里能追证据，产物还能回到你们本来就在用的工具链。
第四，行动闭环。
洞察之后，是否允许系统建议行动与相关人？
Slack、邮件等已连工具，是否在“人批准之后”才触发？
如果组织里没有批准机制，自动化只会放大混乱。
用法本身并不复杂：在 Workspace settings > Plugins 安装 Data，然后在对话里 @Data 提问。
难的从来不是点击安装。
难的是，你有没有把“问得快、信得过、推得动”三件事，同时设计进治理结构。
结语
回到开头那个问题。
数据在仓库里睡大觉，决策却在群里等报表。
这件事，表面是工具问题。
本质是交易成本问题。
谁能缩短“业务问题 → 可信证据 → 共同看见 → 批准行动”的距离，谁就在争夺下一轮组织效率。
ChatGPT Work 的 Data agent，并不是让所有人一夜之间都变成数据分析师。
它更像把过去分散在数仓、语义层、BI、协作工具里的环节，重新串成一条更短的决策链。
最后送你一句，供拍板时自问：
你是在堆积更多看不清的报表，还是在降低一次正确决策的成本？
在不确定性里，真正确定的，往往不是又一个新名词。
而是你是否愿意，把效率这件事，做到可连接、可治理、可行动。