OpenAI 又向企业数据分析市场迈出一步。

当地时间 9 月 10 日，OpenAI 宣布在 ChatGPT Work 中推出新的 " 数据智能体 "（Data agent），用户无需编写 SQL 或手动整理多个数据源，只需用自然语言提出问题，智能体就能连接企业获授权的数据和文档，调查数据发生了什么变化，生成分析和互动式 Dashboard，并在获得用户批准后执行后续行动。

不过，这款产品发布之际也留下了一个关键悬念：OpenAI 尚未公布面向外部客户的公开准确率或检索准确率基准。这意味着，企业可以看到它能够连接哪些数据、完成哪些任务，却暂时缺少一个独立、可量化的公开指标来判断它究竟 " 答得有多准 "。

一句话 " 拷问 "600PB 数据，OpenAI 把数据分析变成对话

OpenAI 称，数据智能体的目标是让企业员工直接 " 向数据提问 "。

例如，用户可以询问某项业务指标为何发生变化，要求系统找出影响因素、比较不同时间段或客户群体，再进一步生成管理层需要的报告。智能体会自行调查相关数据，而不是简单返回一段 SQL 或一个数字。

它还能将分析结果直接转化为互动式 Dashboard，包括图表、指标和可进一步编辑的可视化内容，并支持团队成员共享、刷新和继续追问。

官宣新智能体前，OpenAI 的内部数据智能体此前运行已覆盖庞大数据。据 VentureBeat 报道，OpenAI 内部的数据智能体已经服务超过 3500 名用户，覆盖超过 600PB 数据和约 7 万个数据集。

这也解释了 OpenAI 为什么强调此次产品并非从零开始开发，而是将内部已经使用的数据分析工作流进一步产品化。

从数据库到 Dashboard：打通企业数据、文件与 BI 工具

与传统的 " 自然语言查数据库 " 工具相比，OpenAI 更强调数据智能体对企业现有工具链的整合。

目前支持的数据平台包括 Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB、Snowflake 和 Datadog 等；同时可以把 Google Drive 和 SharePoint 中的文件、文档纳入分析。

在分析完成后，数据智能体还可以与 Omni、Oracle BI、Power BI、Sigma、Tableau、ThoughtSpot 等 Dashboard 和 BI 工具协同工作。

OpenAI 称，其数据智能体还可以利用企业已经建立的业务术语、指标定义、自定义计算方式以及数据关系。也就是说，它试图理解的并不只是 " 这张表里有什么 "，而是企业内部究竟如何定义收入、客户、订单等业务指标。

此外，管理员可以预先决定哪些数据连接和角色可以使用，数据查询继续遵循企业原有的表级、行级和列级权限。

更进一步，数据智能体并不止于 " 给出答案 "。它可以根据分析结果建议下一步应该联系谁、哪些团队需要参与，并通过连接的工具分享结果或执行用户批准的行动。

先给自己用：OpenAI 内部超 3500 人已靠它查数据

OpenAI 称，数据智能体源自公司自身的数据使用需求。

VentureBeat 援引 OpenAI 企业技术负责人 Arpan Shah 报道称，大约一年前，OpenAI 内部只有极少数数据问题能够在没有人工介入的情况下端到端解决；如今，公司员工已经可以自行处理大量数据问题。

内部版本曾服务超过 3500 名用户，覆盖约 7 万个数据集和超过 600PB 数据。OpenAI 还表示，目前几乎所有产品团队成员以及超过三分之二的 GTM（市场与销售）团队都在使用数据智能体。

这也是 OpenAI 此次产品定位的重要变化：它希望把过去需要数据分析师、工程师介入的工作，进一步变成普通员工可以通过自然语言完成的任务。

最大悬念：能回答问题，但准确率到底有多高？

但对于企业级数据产品而言，" 能不能做 " 只是第一关，" 做得准不准 " 才是更关键的问题。

OpenAI 没有在此次发布中公布一个面向外部客户的公开准确率或检索准确率 Benchmark。VentureBeat 称，OpenAI 内部确实进行了对比测试，包括将数据智能体的结果与公司已有的数据工具进行比较，但 OpenAI 没有公开具体成绩，也没有提供一个可供外部客户横向比较的数字。

这并不意味着数据智能体准确率低，而是意味着企业客户目前缺少一个公开、统一的量化标准来判断其在复杂企业数据环境中的表现。

这一点尤其值得关注，因为企业数据往往比普通问答复杂得多：答案可能分散在多个数据表、BI Dashboard、文档乃至 Slack 消息中，还涉及不同团队对同一指标的不同定义。

与此同时，竞争对手正在主动用 Benchmark 证明自己的数据智能能力。

例如，Databricks 近期公布的 Adaptive Instructed-Retriever 研究称，其系统在特定企业检索任务中的回答质量可以达到 Claude Sonnet 5、GPT-5.6 Luna 和 DeepSeek-V4-Flash 的水平，同时平均回答时间约为 5.8 秒。需要指出的是，这些结果来自 Databricks 自身测试，尚未经过独立验证。

因此，随着企业开始把更多数据查询交给智能体，谁能够用公开、可复现的指标证明 " 准确 "，可能与谁能连接更多数据源同样重要。

不想让员工事事找分析师，OpenAI 正把数据智能推向企业

从 OpenAI 的产品设计来看，其最终目标并不是简单推出一个 " 更强的 SQL 助手 "，而是让数据智能体成为企业员工与数据之间的新入口。

销售人员可以直接分析客户和销售数据，市场人员可以追踪营销指标，管理层可以要求智能体调查业务变化并生成 Dashboard，而不是每次都等待数据分析师准备报告。

这也使数据智能体成为 ChatGPT Work 向企业工作流进一步深入的一步：从回答问题，走向调查数据、制作分析、生成可视化，再到执行后续行动。

而在另一端，Databricks、Snowflake 等企业数据基础设施厂商也在加速向智能体延伸。未来企业数据智能的竞争，可能不再只是 " 谁拥有更好的大模型 "，而是谁能更准确地理解企业数据、遵循权限体系，并把分析结果真正转化为业务行动。

对于 OpenAI 而言，此次发布解决的是 " 让所有人都能问数据 " 的问题；至于能否进一步证明 " 让所有人都能放心相信答案 "，公开准确率 Benchmark 仍是它需要面对的下一道考题。