OpenAI于9月10日发布面向企业的Data agent，集成在ChatGPT Work中，能连接企业授权的数据源以自然语言生成分析、互动仪表板并推动后续行动。该产品依赖企业的语义层和权限控制，旨在降低非专业用户的数据分析门槛，同时强调数据治理、指标口径与审批链的重要性。
OpenAI于9月10日推出面向企业的Data agent。该智能体被集成到ChatGPT Work中，能够连接企业获准使用的数据源，以自然语言回答业务问题、调查指标变化、生成互动式仪表板，并在获得批准后通过Slack或电子邮件分享结果、推进后续行动。
这一产品把ChatGPT Work从跨应用执行任务的工作代理，进一步推向企业数据分析场景。OpenAI希望员工不必等待数据团队制作报告，也不必先学习SQL或新的商业智能工具，就能围绕销售、支出、客户留存和运营指标展开分析。不过，数据连接、权限和业务定义仍然由企业管理员与数据团队控制。
从提问到仪表板和后续行动
根据OpenAI的产品公告，用户可以直接询问“为什么上周活跃用户发生变化”，要求系统比较不同时间段、识别可能的驱动因素，并提出下一步检查。Data agent随后可以把分析结果整理为包含可视化图表的互动式仪表板，供团队编辑、分享和刷新。
它支持的企业数据连接包括Amazon Redshift、Datadog、Google BigQuery、ClickHouse、Databricks、MongoDB和Snowflake等，也可以把Google Drive与SharePoint中的文件和文档纳入分析。对于已经使用商业智能工具的团队，OpenAI称Data agent还可以在Omni、Oracle BI、Power BI、Sigma、Tableau和ThoughtSpot中创建或操作仪表板。
这意味着，系统的角色并不只是把数据库中的数字转换成一段文字。它试图把一个完整流程串起来：理解问题、查询数据、解释变化、展示证据、提出建议，再把经过用户批准的结果传递给相关人员或连接的工具。OpenAI给出的示例包括制作领导层汇报、设计新产品的KPI框架，以及跟踪从安装、首次使用到持续留存的客户旅程。
业务语义成为企业AI的关键一层
企业数据分析的难点往往不在于能否运行一条查询，而在于不同团队对同一个指标的定义可能并不相同。一个“活跃用户”是否包含未登录用户，一个销售额字段是否已经扣除退款，都会改变分析结论。
OpenAI表示，Data agent会利用企业的业务术语、指标定义、自定义计算和数据关系来解释数据。这些背景可以来自Databricks Genie Ontology、dbt、GitHub、Snowflake Horizon以及企业已有的商业智能仪表板等语义层和可信来源。
OpenAI在面向数据团队的产品介绍中，把这一能力概括为将业务数据与公司背景结合起来，输出带引用的分析、仪表板和管理层读本。该页面还以产品采用率和第30天留存为例，展示如何把Databricks、Salesforce和Slack中的信息放到同一个分析流程里。
这种设计反映了企业部署生成式AI时的一个普遍问题：模型本身可能能够写出查询或总结数字，但如果缺少数据血缘、指标口径和业务背景，回答即使语言流畅，也可能建立在错误的表、错误的筛选条件或过时的信息上。
权限不会因接入智能体而扩大
OpenAI称，企业管理员可以决定哪些数据连接开放给哪些角色。查询会沿用连接账户原有的访问权限，包括表级、行级和列级限制。换言之，员工能否通过Data agent看到一项数据，原则上取决于其在底层系统中是否已经拥有相应权限，而不是仅仅取决于是否安装了插件。
这也是Data agent能否进入企业核心流程的关键。数据分析一旦从只读报告延伸到分享结果、发送邮件或执行其他动作，企业就需要同时管理数据访问、外部工具授权、审批节点和审计记录。OpenAI的ChatGPT Work产品说明此前已强调，企业管理员可以控制工作区、连接工具以及智能体可以采取的行动，并对重要操作要求用户批准。
AIFlux此前对OpenAI推出Admin插件、将ChatGPT Work与Codex带入工作区管理层的报道也指出，对话式企业工具的权限边界不能替代底层系统的授权与审批机制。
OpenAI先在内部验证这种工作方式
OpenAI表示，Data agent背后的能力已经被公司内部广泛使用：几乎所有产品团队成员，以及超过三分之二的市场和销售组织成员，都在使用数据智能体分析公司数据。NTT DATA、Thermo Fisher、ServicePiston等参加Alpha项目的组织，则被用于分析销售和支出、发现报告错误，以及判断业务机会和人员配置。
这些数字和案例目前都来自OpenAI及其客户项目的自我描述，不能直接等同于独立评估结果。类似地，OpenAI在内部数据智能体介绍中披露，其内部平台服务超过3,500名用户，覆盖约600PB数据和7万个数据集；内部智能体可以查询数据、发布报告，并通过表结构、历史查询、代码和组织文档理解数据背景。这些经验为Data agent的产品设计提供了来源，但并不意味着外部企业能够在不进行数据治理建设的情况下复制相同效果。
OpenAI内部案例所显示的另一个重点，是数据智能体并非只靠模型推理。它还需要持续维护的表和字段说明、数据管道代码、查询历史、企业文档、访问控制，以及能够让用户检查假设和原始结果的透明机制。Data agent要处理的，实际上是数据工程、业务分析和企业治理的结合体。
从个人效率工具到组织分析入口
Data agent的推出，也延续了OpenAI把ChatGPT Work定位为“从提问到完成工作”的产品路线。7月发布ChatGPT Work时，OpenAI将其描述为能够跨应用和文件推进复杂项目的智能体，并称它可以在后台持续处理任务、生成文档、表格、幻灯片和网站。如今，企业数据分析被纳入同一个工作入口，员工可以在对话中从问题一路走到可分享的分析结果。
这种变化可能降低非专业用户获取数据分析的门槛，也可能改变数据团队的工作重点。重复性的取数、报表制作和初步诊断，有机会交给智能体完成；数据团队则需要投入更多时间维护指标口径、数据质量、权限规则和评估体系。
但自然语言并不会自动消除分析风险。指标变化可能由数据延迟、口径变更或错误连接造成，模型也可能把相关性误认为因果关系。OpenAI称用户可以查看每项发现背后的证据，并在对话中继续追问；对于企业而言，真正重要的仍是能否验证数据来源、确认假设，并在对外行动前保留适当的人工审查。
OpenAI此前的研究显示，在超过80万条美国ChatGPT用户消息中，排除写作、总结和日程安排等通用任务后，43.5%的职业特定消息涉及用户所属职业之外的工作。其《人工智能如何扩展人们的工作范围》将这种现象称为“任务交叉”。Data agent可能进一步推动这种变化：销售人员、运营人员或产品经理可以直接探索过去需要转交给分析师的问题，但他们也需要理解结果的限制，并知道何时把问题交回专业数据团队。
企业采用的门槛仍在治理而不只是安装
Data agent目前以ChatGPT Work中的“Data”插件形式提供。管理员可以在工作区设置中安装或开放它，并配置Databricks、Snowflake等数据源插件；用户随后可以通过提及“@Data”开始分析。具体的可用范围、连接器配置和权限效果，仍取决于企业的工作区类型、底层数据系统和管理员设置。
因此，这次发布的意义不只是增加了一个自然语言分析工具。它把企业AI竞争的重点再次推向数据语义、权限传递、证据链和行动控制：谁可以问、可以看什么、指标如何定义、结论能否复核，以及哪些后续行动必须由人批准，都会决定这类产品能否从演示进入日常运营。
OpenAI希望让更多员工“把数据变成答案、仪表板和行动”。但对企业来说，能否真正把数据用于决策，最终仍取决于数据基础是否可信，以及组织是否愿意为智能体建立清晰、可追踪的责任边界。