摘要： OpenAI 在 2026 年 9 月 10 日推出 ChatGPT Work 的 Data agent，讓使用者以自然語言查詢核准的企業資料來源。它依 semantic layer 與可信定義解讀資料，套用原有表格、列與欄位權限，並能建立或操作 BI 儀表板。文章強調指標定義、權限治理與資料品質仍是答案可信的關鍵。
真正的瓶頸不是資料，而是排隊等答案
每個部門手上都有能回答問題的資料：銷售為什麼走弱？開支從哪個項目開始攀升？哪些重要客戶的續約可能出問題？長久以來的做法卻是等報表出爐，或拜託資料團隊協助跑一次分析。OpenAI 在 2026 年 9 月 10 日推出 ChatGPT Work 的 Data agent，訴求是讓更多人不必自己寫查詢、也不必學一套新的分析工具，就能拿到答案。
這個 agent 會接上企業核准的資料來源，包括 Amazon Redshift、Google BigQuery、Snowflake、MongoDB、Databricks，另外也能把 Google Drive 與 SharePoint 裡的檔案納入分析。解讀資料時，它依據的是組織慣用的業務用語、指標定義與資料之間的關聯，而這些脈絡取自 semantic layer 與可信來源，例如 Databricks Genie Ontology、dbt、Snowflake Horizon 以及既有的 BI 儀表板。
從提問一路走到行動
回答問題只是 Data agent 的一部分。使用者能繼續追問，逐項查看每個結論所依據的證據，再把分析結果做成內建視覺化的互動式儀表板。團隊成員可以編輯、分享與更新這些儀表板，也能提供品牌指南來控制輸出樣式。
再往前一步，agent 可以建立並操作 Omni、Oracle BI、Power BI、Sigma、Tableau 與 ThoughtSpot 的儀表板。也就是說，分析不必搬離團隊原本就在用的工具，不需要所有人改換平台。使用者還能請 ChatGPT Work 提出下一步建議、指出應該找哪些人參與，並以 Slack 或 email 分享發現，取得核准後再透過已連接的工具執行行動。
權限與治理從設計第一天就在裡面
企業管理員決定開放哪些資料連線、哪些角色可以使用。查詢時會套用所連接帳戶原有的權限，包含表格、列與欄位層級的限制。因此 Data agent 並不是繞過治理的後門；它把自然語言介面架在既有的存取控制之上。
OpenAI 自己也在內部大量使用這項能力：幾乎所有產品團隊，以及超過三分之二的 GTM 組織，都靠 data agents 分析公司資料。他們的資料團隊負責建立共用的業務定義、設定存取規則，並為敏感資料加上保護措施。這個思路和我們先前提過的把電子郵件拆成三十個小模型：Fyxer 如何讓 AI 助理值得信賴相呼應：可信度不來自某一個模型，而是來自清楚的權限、明確的定義與可稽核的流程。
對產品團隊意味著什麼
有了 Data agent，產品團隊與資料之間的關係跟著改變。以前產品經理或行銷人員想知道「哪個功能使用率最高」或「哪個客群流失最快」，得等分析師給答案；現在他們可以直接用自然語言提問，並在對話過程中不斷調整分析角度。
這並不表示分析師會失去工作。他們的角色反而轉向建立與維護 semantic layer、定義指標、設定權限，以及把關資料品質。產品團隊該想清楚的是：哪些資料適合對 agent 開放？哪些指標必須先標準化？當不同部門對同一個名詞各有各的理解時，要怎麼處理？
Alpha 計畫的客戶已經看到實際成效。ServiceTitan 藉由 Data agent 建置儀表板，發現採用 Atlas AI 助理的用戶發起行銷活動的比例約為非使用者的三倍，這項發現協助他們把 onboarding 流程簡化。NTT DATA 則讓非工程背景的員工，尤其是銷售與企業功能部門，能自行用自然語言建立並更新儀表板。
接下來：把分析接上行動
現階段的 Data agent 聚焦在查詢、分析與儀表板，但真正的價值在於把洞察轉換成行動。OpenAI 提到可以透過已連接的工具執行經過核准的行動，不過實際可執行的範圍與限制，來源資料並未進一步交代。
對產品團隊而言，現在就能起步的動作是：先把公司內部的資料來源與 semantic layer 盤點一次，確認哪些指標已有明確定義、哪些權限還需要調整。接著挑一個具體的業務問題，交給一位非技術背景的團隊成員，讓他自己用 Data agent 找答案，並觀察他在哪裡卡住、哪些環節還需要補上更多脈絡。比起急著全面導入，這樣更能看清這個工具的真實價值。
Data agent 把「對資料提問」的門檻壓到幾乎為零，但門檻低不等於答案一定正確。治理方式、指標定義與權限設計，依然是決定這個工具能不能真正「把資料變成工作」的關鍵。