从 “人找数” 到 “数找人”：Data Agent 破壁企业数据价值，告别 “玩具级” 应用

　　企业数据的价值长期被 “锁” 在 IT 系统与少数人手中。大模型催生了 ChatBI 热潮，但多数产品仍停留在 “玩具级”，难以满足企业级复杂场景需求。当 Data Agent 让每个业务人员都能直接与数据对话时，企业决策将从 “经验驱动” 迈入 “全员智能” 的新纪元。

　　基于这样的大背景，本次邀请到数势科技 CTO 韩秀锋，围绕数据分析民主化、Data Agent 技术突破、行业竞争策略等方向展开深度解析。

　　(内容已做精简，如需获取专家完整版视频，请扫码领取。)

　　一、数据分析民主化的演进：从 BI 到 Data Agent 的本质变革

　　数据分析领域正在经历一场深刻的生产关系革命。

　　在传统 BI 时代，数据被层层封锁在技术壁垒之后 —— 从数据库、数据湖仓到数据中台，最终需通过 IT 人员加工成报表，仅有少数决策者能触及数据。这种 “人找数” 的模式，让数据价值被严重禁锢：它仅用于验证高管的假设，且依赖数据分析师、工程师的人工协作链条，本质上仍是 “少数人特权”。

　　Data Agent 的诞生彻底打破了这一枷锁。其核心在于重构人机交互模式：通过自然语言对话，数据能主动响应 “数找人” 的需求，彻底绕过分层建设的技术链路。这一变革让数据服务从 “验证工具” 升级为 “决策伙伴”—— 普通业务人员无需技术背景即可直接调取数据，真正撕开了 “数据民主化” 的突破口。

　　推动这场变革需直面 ToB 产品的独特逻辑，与 ToC 产品截然不同：

　　反馈周期长：企业客户需求需数月甚至数年沉淀，远非 ToC 的天级反馈可比;

　　场景深度绑定：必须深入客户现场，理解业务痛点后逆向迭代产品;

　　共创式进化：上百家大客户的长期共建实践表明，唯有扎根场景才能打磨出真正可用的民主化工具。

　　未来，数据分析民主化的实现需跨越三重关卡：

　　技术关：突破自然语言解析与底层数据调用的瓶颈，降低交互门槛;

　　场景关：从服务高管扩展到业务一线，解决碎片化需求响应难题;

　　生态关：通过客户共创积累场景库，让数据从 “验证假设” 走向 “驱动行动”。

　　二、数据分析决策：突破掣肘与构建壁垒

　　Data Agent 的核心价值在于推动数据民主化。在工程化应用层面，突破掣肘的关键在于解决两大核心问题：

　　1. 语义层构建：企业级应用的 “任督二脉”

　　语义层是行业共识的核心壁垒，负责将企业的业务知识、分析策略、指标体系和一方原生数据，转化为模型可理解、可利用的外挂能力。缺乏精准的语义层，Data Agent 的准确率(尤其是企业级要求的 90%-95% 甚至 100%)便无从谈起。企业特有的行业术语、个性化 “黑话”，都需要在此层被精准理解和映射。

　　2. Multi-Agent(多智能体)协作框架：复杂任务的拆解与协同

　　企业级任务交付通常复杂且多步骤，单一 Agent 无法完成。需将任务拆解为意图理解、任务规划、取数、分析、可视化、报告生成等环节，由不同专业化 Agent 模块分工协作，并通过工作流编排引擎(即任务规划器)高效衔接，类似软件工程的模块化或分治思想。

　　任务规划器的核心是企业 Know-How 主导，必须深度融入企业的特定经验、流程和上下文才能有效工作，基础模型无法胜任。同时，其构建和优化是垂直 Data Agent 厂商的核心职责与价值所在 —— 基模提供通识能力，但落地时必须由垂直厂商结合具体行业和客户场景进行深度改造与集成。

　　数势科技在语义层构建上有着长期壁垒，核心优势源于其 “原生指标平台” 基因的延续与转化：

　　起点优势与深度积累：作为国内指标平台的先行者和标准制定者，数势从 2021 年起深耕企业级指标体系和数据资产化平台建设，拥有大量行业头部客户实践沉淀，为语义层构建提供了深厚的 “企业语义模型” 基础。

　　精准语义与工程保障：将成熟的指标平台能力原生转化为语义层，确保了企业语义的精准性;同时，该层天然集成了企业级所需的精细权限管理、秒级响应、支持实时交互等关键工程能力。

　　差异化路径：区别于其他厂商 “从零向上” 构建指标平台以支撑语义层，数势是 “从高维向下” 融合 AI 能力，其语义层在准确性和成熟度上具备天然先发优势和工程化深度。在此基础上叠加 Data Agent，能更顺畅地实现取数准确、权限可控、响应高效的核心价值。

　　三、基础模型并非吞噬 Agent，而是催化垂类 Agent 的进化

　　当前业界存在一种担忧：基础模型的快速进化会 “吞噬” Agent 的价值空间，尤其是基础模型厂商自身也在积极向 Agent 应用领域扩展。然而，这种 “吞噬论” 并不准确 —— 基础模型的发展实际上是在 “催化” Agent 生态的进化，而非消灭 Agent 的价值。

　　真正具备长期价值的 Agent，必然存在于基础模型无法覆盖的领域 —— 即那些深度依赖企业一方专属数据、隐性知识、特定业务上下文和独特经营策略的垂直场景。Agent 的核心价值在于，能将这些企业特有的核心资产有效内化、学习，并转化为产品能力，进而赋能客户，甚至衍生出具有创造性或针对性的智能服务。这才是企业级或垂直领域智能体的根本价值所在。

　　基础模型厂商与垂直 Agent 厂商的发展路径存在显著差异：

　　基础模型厂商的 AGI 路径：利用强大的基础模型能力，结合开放的公共数据与经验，提升通用应用能力(如生成 PPT、Excel、Word 等)，是一种自上而下、能力驱动的范式。

　　垂直 Agent 的场景驱动路径：从客户的实际业务场景和具体需求出发，通过逆向工程，抽象、萃取出高价值业务环节，并将其 Agent 化和产品化。在此过程中，基础模型的能力、行业通识数据等仅作为输入资源之一。

　　垂直 Agent 的核心竞争壁垒在于 “双引擎”：

　　企业专属 Know-How 与数据：这是垂直 Agent 最坚固的护城河。企业一方数据、隐性知识和独特的业务逻辑，是基础模型厂商或其他大厂无法复制的核心资产。需特别注意的是，企业绝不能将这些核心知识训练进基础模型本身，否则它们将瞬间转化为行业通识，丧失独特性。

　　模型应用与工程化能力：如何将基础模型的能力与企业专属资源有效整合并最大化利用，是另一关键壁垒。这包括深刻理解业务场景、设计上层工程架构，以最大化模型在特定环境中的价值。尽管基础模型本身技术快速迭代，但在企业级应用中，坚持选用并有效集成当下最优的基础模型技术是核心策略。

　　Agent 应用厂商应坚定拥抱基础模型技术路线，相信其持续进化将带来更多可能性;同时，持续挖掘、内化并创新应用企业的独特知识资产 —— 这是其不可替代的进化空间。

　　四、Data Agent 厂商的核心应对策略：提升产品力，聚焦业务价值

　　客户最终是为实际价值付费，而非 AI 概念本身。当前市场上的 Data Agent 产品存在明显分层：大部分产品仅能处理宽表取数、简单数据集连接或可视化交互升级，解决的是浅层需求，难以满足高端客户的核心痛点。

　　真正服务大型企业客户的 Data Agent，需要具备企业级产品力。这类客户通常面临复杂场景：管理数百张表、多年积累的海量数据;业务语义复杂且隐性;对数据安全与高性能有多场景严苛要求。满足这些需求与基础方案相比，如同车规级与玩具级的本质差异。

　　Data Agent 能力的核心分级体现在其价值输出深度。超越基础查数功能的产品，应能主动帮助客户发现高价值的商业洞察。例如，某国际知名商超客户案例中，通过构建以商品 SKU 为核心的精细化指标与语义体系，结合多维商品对比分析，Data Agent 在一个月内即帮助客户挖掘出关键问题：部分高流量位置商品实际转化不佳、某些高销售额商品利润空间不合理。基于这些洞察，客户优化了商品陈列、调整了供应商并重新议价，两个月内仅这部分优化就带来约两三千万的净收益提升。

　　因此，厂商构建核心竞争力的关键在于两点：

　　技术领先性：在 Data Agent 的能力上持续领先，打造真正解决复杂企业级需求的产品力，形成稀缺性;

　　价值可量化：能够通过产品应用，为客户输出显性化、可量化的业务结果，清晰证明产品价值。

　　具备这两点，厂商才能在预算缩减的市场环境下，依然有能力赢得并支撑高预算项目。

　　五、总结

　　Data Agent 正从 “概念工具” 蜕变为企业决策的 “智能引擎”。其核心价值在于消除数据壁垒，让 “数找人” 成为现实，驱动 “全员智能” 决策。数势科技凭借深植于指标平台的业务语义层优势与对垂直场景的深刻理解，正通过扎实的企业级产品力与可量化的业务价值，助力客户跨越技术鸿沟，将数据洞察切实转化为增长动能。

　　数据民主化的新纪元已至，而这场变革的关键钥匙，掌握在真正理解企业需求的实干者手中。

　　「爱分析・对话首席」栏目介绍

　　《对话首席》是一档面向科技行业从业者的深度对话直播栏目，聚焦数智化浪潮下的战略思考与商业实践。栏目每期邀请 1-2 位对科技领域有独特见解的高层管理人员，通过 1.5 小时的高浓度对谈，解构数智化关键命题。

　　栏目话题涵盖宏观形势研判、前沿技术落地、行业格局变迁、竞争壁垒构建及业务增长路径等。通过嘉宾之间实践经验与行业洞察的碰撞，还原科技领军者在技术创新与商业博弈中的决策逻辑，为从业者提供兼具思想纵深与实践价值的行业参考。