問題不在資料，在於等待答案
每個部門都有資料可以回答的問題：為什麼銷售下滑？支出在哪裡上升？哪些大客戶的續約有風險？但傳統上，得到答案意味著等待報表，或請資料團隊幫忙跑分析。OpenAI 在 2026 年 9 月 10 日宣布推出 ChatGPT Work 的 Data agent，目標是讓更多人自己找到答案，而不需要寫查詢或學習新的分析工具。
這個 agent 連接公司核准的資料來源，包括 Amazon Redshift、Google BigQuery、Snowflake、MongoDB、Databricks 等，也能把 Google Drive 和 SharePoint 的檔案帶進分析。它使用組織的業務術語、指標定義和資料關係來解讀資料，這些脈絡來自 semantic layer 和可信來源，例如 Databricks Genie Ontology、dbt、Snowflake Horizon 和現有 BI 儀表板。
從問問題到產生行動
Data agent 不只是回答問題。使用者可以追問結果、檢視每個發現背後的證據，然後把分析轉成互動式儀表板，內建視覺化功能。團隊可以編輯、分享和更新儀表板，也可以提供品牌指南來調整輸出樣式。
更進一步，agent 可以建立並操作 Omni、Oracle BI、Power BI、Sigma、Tableau 和 ThoughtSpot 的儀表板。這表示分析工作可以留在團隊已經使用的工具裡，而不是強迫所有人切換到新平台。使用者可以要求 ChatGPT Work 建議下一步、指出需要參與的人，並透過 Slack 或 email 分享發現，在核准後透過連接的工具執行行動。
權限與治理是設計核心
企業管理員可以選擇哪些資料連線可用、哪些角色可以使用。查詢會強制執行連接帳戶的現有權限，包括表格、列和欄位的限制。這代表 Data agent 不是一個繞過治理的後門，而是把自然語言介面放在既有的存取控制之上。
OpenAI 內部也廣泛使用這套能力：幾乎所有產品團隊和超過三分之二的 GTM 組織用 data agents 分析公司資料。資料團隊建立共享的業務定義、設定存取規則，並為敏感資料加上保護措施。這個做法與我們之前討論過的把電子郵件拆成三十個小模型：Fyxer 如何讓 AI 助理值得信賴有相似之處：信任不是來自單一模型，而是來自明確的權限、定義和可稽核的流程。
對產品團隊的意義
Data agent 的出現改變了產品團隊與資料的關係。過去，產品經理或行銷人員要依賴分析師才能回答「哪個功能使用率最高」或「哪個客群流失最快」。現在，他們可以直接用自然語言提問，並在對話中反覆調整分析。
但這不代表分析師的工作會消失。相反地，分析師的角色會轉向建立和管理 semantic layer、定義指標、設定權限，以及確保資料品質。產品團隊需要思考：哪些資料應該開放給 agent？哪些指標需要標準化？如何避免不同部門對同一個名詞有不同解讀？
Alpha 計畫的客戶已經看到具體成果。ServiceTitan 用 Data agent 建立儀表板，發現使用 Atlas AI 助理的用戶啟動行銷活動的比率大約是非使用者的三倍，這個發現幫助他們簡化 onboarding。NTT DATA 讓非工程師，特別是銷售和企業功能部門的人，用自然語言建立和更新自己的儀表板。
下一步：從分析到行動
Data agent 目前的重點是查詢、分析和儀表板。但真正的價值在於把洞察轉成行動。OpenAI 提到可以透過連接的工具執行核准的行動，但具體的執行範圍和限制，來源資料沒有詳細說明。
對產品團隊來說，現在可以開始做的是：盤點公司內部的資料來源和 semantic layer，確認哪些指標已經有清楚的定義，哪些權限需要調整。然後挑一個明確的業務問題，讓一個非技術團隊成員試著用 Data agent 回答，觀察哪裡卡住、哪裡需要更多脈絡。這比急著全面導入更能看出這個工具的真實價值。
Data agent 把「問資料問題」的門檻降到接近零，但門檻降低不代表答案自動正確。治理、指標定義和權限設計，仍然是決定這個工具能否真正「把資料變成工作」的關鍵。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。