摘要： 公共衛生、貧窮、教育這些跨國議題，聯合國體系每年都靠大量統計在追蹤。資料本身的品質沒話說，卡住的是結構——同一批數字散落在各組織自己的資料庫裡，格式互相打架，就算隸屬同一個組織，也未必說得通。Google 的 Prem Ramaswami 在 2026 年 9 月 17 日的公告裡提到，分析師常要耗上幾個月做人工整理，才終於進得了真正的分析。
痛點不是缺資料，而是資料對不上
公共衛生、貧窮、教育這些跨國議題，聯合國體系每年都靠大量統計在追蹤。資料本身的品質沒話說，卡住的是結構——同一批數字散落在各組織自己的資料庫裡，格式互相打架，就算隸屬同一個組織，也未必說得通。Google 的 Prem Ramaswami 在 2026 年 9 月 17 日的公告裡提到，分析師常要耗上幾個月做人工整理，才終於進得了真正的分析。
產品團隊對這種處境應該不陌生。貴的從來不是把資料拿到手，而是讓兩份「各說各話」的資料對齊——指標定義不一樣、時間軸不一樣、地理邊界也不一樣。UN System Data Commons 瞄準的正是這一層。
它實際做了什麼
根據 Google 的公告，UN system 端出的是 UN System Data Commons：一個開源平台，蓋在 Google 的 Data Commons 之上，把各地統計收攏成單一互連的 AI-ready 知識圖譜。指標、時間軸與地理邊界交由平台自動整合進同一個環境，分析師的時間因此能花在找趨勢，而不是把試算表排整齊。
要取用資料有兩條路。第一條是自然語言搜尋：非營利專案經理、記者、政策分析師都能用日常說法提問，直接拿回相關資料與互動式視覺化；公告舉的例子有乾淨水源和就學率的關聯、過去十年有多少人接上電力、各區域平均壽命怎麼變。第二條是 Explore 分頁，依位置或健康、教育這類主題篩選。公告同時強調，每一個資料集都經過 UN system 統計學家與技術專家驗證。
MCP 讓 agent 直接取數，這才是對開發者最實際的變化
整份公告中，產品團隊最該畫線的地方，是 AI assistant 的能力被直接放進研究工作流。平台以 Model Context Protocol（MCP）這類開放標準為基礎，AI agent 因此能自己去撈權威數字、把不同領域的資料串起來，再輸出成圖表、資訊圖表或報告草稿。
這個設計選擇是關鍵所在：資料層被做成 agent 能呼叫的介面，而不是另一個只給人瀏覽的網站。本部落格之前談過的 Data agent 如何把公司資料變成對話 是同一套邏輯——資料一旦能用自然語言查詢，問題與答案之間的距離就縮短了，但瓶頸會換位置，變成「資料本身是不是已經整理成一致的結構」。UN 的案例等於先把最難的前置工程做完了。
上線時程與還沒說清楚的部分
公告表示，接下來一年 UN system 會陸續納入更多 UN 實體的資料集，並以 2027 年前涵蓋 80% 的 UN system 統計資料集為目標。換句話說，目前可見的覆蓋範圍並不是終點。
有兩件事得先擱在心上。其一，公告講得很明白：資料就算附了出處、也通過驗證，要引用關鍵數字以前，仍該回頭查原始來源。其二，公告對 API 的存取限制、配額、授權條款與收費方式都沒有著墨；假如你的產品要把這類資料接進正式流程，這些細節得另外查證，不能靠公告推測。
對產品團隊的實務啟示
手上在做資料密集產品的人，該從這個案例帶走的不是「UN 又有新平台上線」，而是它的分層順序：先讓異質資料統一成一致的結構，然後同時端出給人用的介面與給 agent 用的介面。很多團隊的做法剛好倒過來——聊天介面先做，之後才發現底層資料根本對不上。
實務上能馬上做的下一步很單純：從手上挑一個最常被問、而且每次都得靠人工拼湊的跨來源問題，檢查那兩份資料的指標定義與時間軸是否對得起來。這一步沒過關，agent 再強也只是把錯的答案講得更順。