OpenAI在ChatGPT Work里上线了Data agent，内部超过三分之二的GTM组织已经用它自己跑数据分析了。不写SQL，直连8大主流数据源和6种BI工具。
- 直连8大数据源与6大BI工具，打通企业数据孤岛。
- 基于语义层与现有权限控制，保障表/行/列级数据安全。
- 内部超三分之二GTM团队已落地，需先统一定义与访问规则。
企业级数据接入的工程底座
Data agent目前支持接入Amazon Redshift、Datadog、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake，以及Google Drive和SharePoint的文件。它深度依赖企业的语义层。系统会读取Databricks Genie Ontology、dbt、GitHub、Snowflake Horizon和现有BI仪表板中的业务术语、指标定义和数据关系。
这里有一个关键的落地边界：如果你的公司没有建立完善的语义层或指标字典，Data agent的查询准确率会断崖式下跌。大模型直接生成复杂SQL在企业级宽表下幻觉率极高，语义层提供了必要的上下文约束。OpenAI内部的数据团队正是通过创建共享业务定义和设置访问规则，才让产品团队和GTM组织能够自己分析数据。
权限穿透与BI工具联动
企业落地Data Agent的最大阻力往往是数据安全。Data agent的解法是继承现有账户权限。Enterprise administrators配置数据连接和角色后，所有查询严格执行表、行、列级别的限制。这种设计避免了模型越权读取敏感数据的风险。
在输出端，Data agent能直接在Omni、Oracle BI、Power BI、Sigma、Tableau和ThoughtSpot中构建和交互仪表板。你可以通过自然语言指示它追踪客户旅程、找出留存卡点，或者把分析结果通过Slack和邮件分发。NTT Data、Thermo Fisher、ServiceTitan等Alpha客户已经在用它分析销售和支出、捕捉报表错误。
落地配置与实操路径
要在你的组织里跑通这个流程，管理员需要进入Workspace settings > Plugins，在Plugins目录中找到Data并安装。接着配置相关的数据源插件（如Databricks和Snowflake），完成账户连接后，在对话中@Data即可提问。
给技术决策者一份可执行的落地清单：第一步，盘点并完善dbt或Snowflake中的语义层与指标定义；第二步，在Workspace中配置RBAC权限，确保行/列级数据隔离；第三步，先在GTM或产品团队进行小范围试点，跑通从提问到Slack分发的闭环。
Data插件地址：
OpenAI数据团队内部实践：
官方Webinar：
从工程视角看，Data agent的价值在于它把数据消费的门槛从写代码降到了对话。但前提是，企业的数据基建必须跟上。没有干净的语义层和严格的权限控制，AI只会加速制造错误报表。OpenAI内部超三分之二的GTM团队能用起来，是因为他们先做了数据治理。想抄作业的公司，先把指标字典理清楚，再谈接入。
看完想聊两句？
你们公司现在用Tableau还是Power BI？接AI Agent最大的阻力是权限还是数据质量？
往期推荐
- ·OpenAI对决纽约大学，万级Agent抢跑百万美元数学难题
- ·苹果芯片跑Ollama，ChatGPT桌面端直连本地模型
- ·OpenAI 500兆瓦中心 vs 9亿美元电网，阿根廷零阻力
点击公众号头像 → 历史消息，可翻阅以上文章
