摘要：OpenAI 在 ChatGPT Work 中推出 Data agent，用户用自然语言即可连接公司数据、分析变化并生成可分享的交互式仪表盘。
OpenAI 在 ChatGPT Work 里塞进了一个 Data agent，定位很清晰：让不懂 SQL 的人也能"用说话的方式做数据分析"。你连上公司数据源，用自然语言说"帮我看上月各区域营收变化、标出异常"，它就能拉数、分析、出一张可交互的仪表盘，还能分享给同事。对大量被报表和取数折磨的团队，这等于把"找数据岗排期"变成"张口就来"。一个运营同学周五下午想看个趋势，再也不用等到周一数据团队有空。
它的价值不在"多了个图表工具"，而在把数据分析从专业岗下沉到每个人的工作流。官方公布了数据源和 BI 工具接入范围，以及权限管控方式——这点很关键，因为连公司数据这种事，能不能"看该看的、不碰不该碰"直接决定企业敢不敢用。权限边界清晰，才谈得上落地。过去企业上 BI，最贵的不是软件，是"让业务方学会用软件"的培训成本，而自然语言入口恰好削平了这道门槛。
放到竞争格局里，Data agent 和前面的 Agents API 是同一套打法：OpenAI 在把"企业数字员工"的一块块拼图补齐。一个管 Agent 怎么跑（Agents API），一个管数据怎么接进来分析（Data agent）。对 Tableau、Power BI 这类传统 BI，压力在于：它们的门槛是"你得会拖拽、会建模"，而自然语言入口可能把一大批轻度用户直接截走。BI 厂商接下来的护城河，会从"功能多"转向"和 Agent 谁能接得更好"。
当然，自动生成的仪表盘"看起来对"不等于"真的对"。数据口径、异常定义、口径对齐这些坑，模型未必每次都踩准。企业的稳妥用法，是先让它做初稿和探索，关键决策仍由人复核。把它当"数据助理"而非"数据负责人"，才是健康姿态。一个常见的翻车是：模型把"同比"算成了"环比"，图表漂亮但结论错，决策者照着拍板就出事。所以权限之外，还得给"结果可溯源"留位置。
对国内做 BI 和数据分析的团队，启示很清楚：自然语言入口已是标配预期，差异化的空间会落到行业指标库、权限治理和结果可解释上。单纯做"图表好看"的工具，护城河会越来越薄。谁能把"让业务方不问人就能拿到可信数字"这件事做扎实，谁就接住了这波企业 AI 落地的真需求。
