痛點不是缺資料，而是資料對不上
聯合國體系每年產出大量統計，用來追蹤公共衛生、貧窮、教育等跨國議題。這些機構手上的資料品質極高，但問題出在結構：統計散落在不同組織的獨立資料庫，格式彼此衝突，連同一個組織內部也未必一致。Google 的 Prem Ramaswami 在 2026 年 9 月 17 日的公告中指出，分析師往往要花上好幾個月做人工整理，才開始真正分析。
這件事對做產品的人不陌生。真正的成本通常不在取得資料，而在把兩份「講不同語言」的資料對齊：指標定義不同、時間軸不同、地理邊界不同。UN System Data Commons 想處理的正是這一層。
它實際做了什麼
根據 Google 的公告，UN system 推出 UN System Data Commons，這是一個開源平台，建構在 Google 的 Data Commons 之上，把全球統計整合成一個互連的 AI-ready 知識圖譜。平台會自動把指標、時間軸與地理邊界整合進同一個環境，讓分析師把時間留給找趨勢，而不是排版試算表。
查詢方式分成兩條路。一條是自然語言搜尋，非營利專案經理、記者或政策分析師都能用白話提問，直接拿到相關資料與互動式視覺化；公告舉的例子包括乾淨水源與就學率的關係、過去十年多少人取得電力、不同區域平均壽命如何變化。另一條是 Explore 分頁，用位置或健康、教育等主題篩選。公告也強調，每個資料集都經過 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
公告裡最值得產品團隊注意的，是 AI assistant 能力直接進入研究工作流。平台建構在 Model Context Protocol（MCP）等開放標準上，讓 AI agent 能自行抓取權威數字、跨領域串接，再打包成圖表、資訊圖表或報告草稿。
這裡的設計選擇很關鍵：把資料層做成 agent 可呼叫的介面，而不是只做一個給人看的網站。對照本部落格先前談過的 Data agent 如何把公司資料變成對話，邏輯相同——當資料能被自然語言查詢，從問題到答案的距離會縮短，但瓶頸會轉移到「資料本身是否已被整理成一致結構」。UN 這個案例等於把最難的前置工程先做完了。
上線時程與還沒說清楚的部分
公告提到，未來一年 UN system 會持續加入更多 UN 實體的資料集，目標是 2027 年前涵蓋 80% 的 UN system 統計資料集。也就是說，現在看到的覆蓋範圍不是終點。
有兩點要保留。第一，公告明確提醒，即使資料有出處、經過驗證，引用關鍵數字前仍應回查原始來源。第二，這份公告沒有說明 API 的存取限制、配額、授權條款或收費方式；如果你的產品打算把這類資料接進正式流程，這些細節需要另外確認，不能從公告推論。
對產品團隊的實務啟示
如果你正在做資料密集的產品，這個案例值得參考的不是「UN 有了新平台」，而是它的分層方式：先把異質資料統一成一致結構，再同時提供人類介面與 agent 介面。多數團隊的順序常常相反——先做聊天介面，才發現底層資料根本對不上。
實務上的下一步很簡單：挑一個你手上最常被問、但每次都要人工拼湊的跨來源問題，先檢查那兩份資料的指標定義與時間軸能不能對齊。這一步沒做完，再好的 agent 也只是把錯誤答案講得更流暢。
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。