OpenAI 進場做數據智能體：決勝點喺語義層，唔係模型
OpenAI 喺 ChatGPT Work 推出 Data agent，直接駁通企業數據倉。但基準數據講得好白：企業級問數嘅樽頸從來唔係模型——企業 schema 上準確率得約 21%，信心遠超管控。語義層同數據治理，先至係 AI 問數落地嘅分水嶺。
先講結論：9 月 10 日 OpenAI 喺 ChatGPT Work 入面推出嘅 Data agent，最值得企業留意嘅唔係「又多咗個更聰明嘅模型」，而係呢間最勁嘅模型公司喺官方產品說明入面承認咗一件事——AI 要讀得明企業數據，前提係接通語義層同數據治理。模型能力已經過剩，企業自己嘅業務語境先係稀缺資源。
OpenAI 呢步棋：數據智能體入到每個員工嘅工作台
按 OpenAI 官方公告（轉引自 Unite.AI 報道），呢個 Data agent 以 @Data 方式喺 ChatGPT Work 調用，可以直接駁通企業已批准嘅數據源：Amazon Redshift、Google BigQuery、Snowflake、Databricks、MongoDB、ClickHouse、Datadog，仲可以將 Google Drive 同 SharePoint 嘅文件拉入分析。業務同事用一句說話追問「上個禮拜銷售點解放緩」「邊項開支喺度升」，Agent 自己查表、寫查詢、搵關聯，最後產出一個可以編輯、分享、定時刷新嘅互動式儀表板。
內部採用數據好說明問題：OpenAI 稱自己成個產品團隊同超過三分之二嘅 GTM 團隊都喺度用緊；Alpha 客戶有 NTT Data、Thermo Fisher、ServiceTitan 等，NTT Data 嘅評價係「好多非工程師，尤其係銷售同職能部門同事，已經可以用大白話自建同更新自己嘅儀表板」。
巨頭幫我哋驗證咗：語義層係前置條件，唔係可選項
呢單新聞入面最易睇漏嘅一句係：要 Data agent 明白企業數據，OpenAI 要求接入「組織自己嘅業務術語、指標定義、自訂計算同數據關係」，而呢啲語境嘅來源係 Databricks Genie Ontology、dbt、Snowflake Horizon 呢類語義層資產。即是話，連最識做模型嘅公司都承認：得張裸表加大模型，唔夠。
行業證據鏈其實早就指向同一度。綜合 Alex Merced 對 context engineering 嘅綜述：
| 基準 / 場景 | 數據形態 | 領先成績 |
|---|---|---|
| Spider（學術基準） | 乾淨細庫、問題直接 | 約 91% |
| BIRD | 真實庫 + 髒數據 | 約 73% |
| Spider 2.0（企業級） | 千列闊表、多方言、多步交互 | 約 21% |
| EntSQL | 需要內部口徑同業務知識 | 15.9%–21.4% |
同一個模型，轉個數據形態，成績由 91% 跌到 21%。對生產環境 Text-to-SQL 失敗案例嘅分析顯示，約 81% 嘅錯誤出喺 schema 同語義層面——SQL 語法無錯，只係查錯欄、漏咗口徑。而 dbt Labs 今年 4 月嘅基準畀咗正面解法：同樣嘅企業問題，裸寫 SQL 準確率 90.0% 同 84.1% 嘅兩個頂級模型，接上語義層之後分別升到 98.2% 同 100%。
我哋之前喺語義層數據 Agent 架構同上星期嘅 NL2SQL 架構分析入面已經反覆論證過：將推理預算落喺語義建模度，回報係幾十個百分點；落喺堆算力度，回報趨近於零。
信心同管控嘅落差：人人識問數之後，錯得更自由
問數門檻降到零係雙刃劍。同樣喺 9 月 10 日，Harness 發布咗基於 700 名工程負責人調查嘅《State of Agent DLC 2026》報告，結論係：企業對 AI Agent 嘅信心全面領先佢哋實際嘅管控能力。
| 維度 | 「有信心」嘅企業 | 實際有對應管控嘅企業 |
|---|---|---|
| 環境入面 Agent 清單完整 | 77% | 44%（有主動發現工具） |
| 測試擋得住生產事故 | 74% | 19%（有自動攔截門禁） |
| 15 分鐘內關停失控 Agent | 76% | 33%（有一鍵 kill switch） |
| 講得清每個 Agent 嘅真實開銷 | 74% | 60% 上季仍然超支 |
更扎心嘅一組數字：自認 Agent 安全嘅公司（75%），事故發生率（88%）同整體樣本（87%）幾乎冇分別；58% 嘅組織部署 AI Agent 之後，每百次變更嘅生產事故不跌反升。當「問數」由分析師嘅專利變成每個員工一句說話嘅操作，一個冇語義治理嘅環境唔係效率提升，而係錯誤放大器。
行業嘅應對方向都好一致：Salesforce 同日發布六能力嘅 Trusted Enterprise AI Harness，將上下文、治理、安全由單一 Agent 抽出嚟變成可重用嘅企業底座；安永喺服貿會提出企業要由「外掛式 AI」行向「內生式 AI」，指出約七成潛在價值藏喺跨部門協同度，而 74% 嘅企業仲未過規模化呢一關。
OntiCards 觀點：將語義資產揸喺自己手上
將呢啲訊號砌埋一齊，圖景好清晰：數據智能體嘅競爭正在由「邊個模型勁」轉向「邊個揸住企業自己嘅語義資產」。業務術語、指標口徑、欄位含義、表間關係、質量規則——呢啲嘢模型學唔到，只可以由企業內部生出嚟。
OpenAI 嘅方案，好自然會將你企業嘅業務語境託管喺第三方 SaaS 度。而 OntiCards 嘅路線係將呢層資產留喺企業自己手上：數據卡片將表結構、欄位含義、業務口徑、表間關係沉澱成 Agent 可以直接定址嘅「數據字典 + 地圖」；業務術語庫令「有效訂單」「活躍用戶」喺唔同部門有一個對得返嘅口徑；數據質檢喺問數之前先驗數據質素。成條鏈路支援私有化部署同信創數據庫適配，語義資產唔會出企業邊界。相關思路亦見數據 Agent 賽道觀察同Agent 可審計性分析。
如果你都喺度評估「人人識問數」落喺自己數據度需要咩前提，歡迎電郵 hello@onticards.com 同我哋傾，或者去產品頁了解數據卡片驅動嘅完整鏈路。
