今年，随着大模型技术及理念的快速演进，AI应用正跨越第三个分水岭—— 它们开始像真正的“专家”一样思考 ：自主理解业务背景、规划路径、调用工具执行，甚至从结果中持续学习。
基于字节跳动在内部实战中积累的丰富经验，旗下云和AI服务平台火山引擎正式推出了 新一代企业级AI数字专家 Data Agent ，致力于重塑从数据分析、智能营销的全链路工作流程。
📍Data Agent和传统数据分析/应用最大的区别在哪里？
📍通用型智能体与Data Agent究竟有何差异？
📍Data Agent的成熟度目前在什么水平？幻觉问题如何解决？
📍Data Agent是否会对未来组织和员工产生颠覆性的影响
📍……
我们特邀到了火山引擎Data Agent项目负责人-书山，来一起聊聊这些问题！
以下内容为部分节目实录，完整节目欢迎扫描下方二维码收听：
Q： 请先和听众介绍一下 Data Agent 究竟是什么吧
A ：Data Agent 的概念并不是客观的，也并不是我们去首发的。
许多厂商和公司都曾提出过“数字专家”或类似概念，但今年我们再次使用这一名称时，对其内涵进行了全新的定义。
过去，Data Agent通常被定义为“智能体平台”或某种技术工具，而我们则认为，它的核心属性应当更接近“人”——具体来说，它是企业的“数字专家”。
与传统定义不同，我们的“数字专家”不仅是一个被动的工具或平台，它可以主动可以调用企业的结构化和非结构化数据，进行主动思考，并基于数据洞察推动未来的业务决策和行动。
换言之，它不仅仅是一个静态的“工具箱”，也不局限于生成BI报表或提供简单的Chat BI功能，而是一个具备进化能力的“数据智能体”，能够像人类专家一样分析和解决问题。
Q： Data Agent和传统企业熟悉的数据分析，有哪些本质的区别呢？
A ：在项目立项之初，我们也深入思考一个关键问题：究竟应该将Data Agent定位为一个独立产品还是一个解决方案？
这个思考源于我们已有的技术积累——我们不仅开发过Chat BI这类传统BI的自然语言延伸产品，还拥有CDP、MA等一系列支持Copilot模式的分析工具。理论上，完全可以将这些工具的大模型能力整合起来，打包成一个Data Agent解决方案。
然而经过反复论证，我们最终决定将Data Agent作为独立产品来打造。这个决策背后是对智能体本质的重新思考——Data Agent不应该只是现有Copilot功能的简单叠加，而需要被赋予全新的定义。
这引出了我们对数据分析工具演进的整体认知：传统BI、Chat BI和Data Agent实际上代表着三个不同的发展阶段。
传统BI的核心价值在于让数据更易用，它通过可视化报表和查询界面解决了基础的数据分析需求。Chat BI在此基础上更进一步，用自然语言交互改变了人机协作的方式，但其本质仍是"你问我答"的被动模式。
而Data Agent则代表着真正的范式转变——它让数据具备主动思考的能力，不仅能响应查询，更能自主发现问题、预测趋势，并给出业务建议。
目前阶段的Data Agent虽然仍需要问题触发，但已经展现出初步的主动性。
比如当数据出现异常波动时，它能自动提示可能的原因。随着使用场景的积累，它的进化潜力将更加明显：通过持续学习企业数据资产和业务场景，未来它应该能够自主识别那些业务团队尚未察觉的机会与风险。
这种能力跃迁也重新定义了数据工具的价值维度。传统BI解决的是"如何分析数据"的问题，而Data Agent要解决的是"如何用数据创造业务价值"。就像当企业关心销量下滑时，他们真正需要的不是数据报表，而是可行的解决方案。
这正是Data Agent的独特定位，它不只是数据的搬运工，而是能够将数据洞察转化为业务建议的智能伙伴。
这种转变也是一个团队范式的升级，比如说数据分析师的角色正在从"数据处理专家"向"业务协作者"演变。他们不再只是编写SQL查询，更需要培养业务敏感度，学会提出正确的问题，帮助Data Agent更好地理解业务场景。这种人与智能体的协作模式，将释放出远超传统数据分析的价值潜力。
Q： 你们因为什么判断Data Agent需要在Deep Research方面做大的投入？
A： 今年2月，我们在规划Data Agent时，OpenAI发布的Deep Research其实也给了我们重要启发。当时市场上类似的研究还不多，包括Manus在内的其他厂商都尚未发布相关成果。
OpenAI的探索让我们看到了一种新的可能性——传统的数据分析工具，无论是BI还是Chat BI，都停留在"用自然语言查询数据"的层面，却无法自动从数据中提炼出真正的业务洞察。
所以我们觉得数据分析领域同样需要自己的"Deep Research"。我们发现两个关键突破点。
一个是数据类型的融合。传统BI主要处理结构化数据，而大模型时代，非结构化数据的重要性日益凸显。虽然非结构化数据的信息密度可能不高，但它们往往蕴含着重要的关联线索。如何有效利用这些数据成为新的挑战。
一个是洞察生成的方式。人类分析师通常依靠直觉来关联信息和提炼洞察，但其实这不是人脑最擅长的工作。而大模型恰恰能在这方面发挥优势——通过海量信息的关联分析，更系统地发现数据背后的规律。将企业内结构化和非结构化数据有机结合，从中自动生成有价值的洞察，这正是传统BI乃至Chat BI都未能很好解决的问题。
而现在的一些通用Agent（如Manus）更多聚焦在任务自动化层面，比如完成开发、客服等流程性工作。而如何深度挖掘企业内部数据价值，则是一个尚未被充分开发的领域。
正是看到这个空白，我们在2月就果断启动了相关研发。到4月发布概念视频时，市场的积极反响印证了我们的判断，企业用户对这类能力确实存在强烈需求。
在研发过程中，我们虽然借鉴了OpenAI Deep Research的思路，但针对企业场景也做了重要创新。市面上的Deep Research主要面向网页信息搜集，比如调研数百个网站生成报告；
而我们的Data Agent则专注于企业内部数据的深度关联。另一个关键差异是报告形式，企业场景需要包含图表、数据可视化等更丰富的呈现方式，这些都是在摸索中逐步形成的产品特色。
Q：Data Agent目前在Deep Research方面，已经做到什么效果了呢？
A： 在企业营销决策的场景中，我们观察到一个典型的案例，某大型消费公司在筹备市场活动时，通常会经历一个复杂的数据分析过程。
首先，市场团队需要调取历史活动数据，通过复盘报告来识别过往活动的成效规律，包括人群画像特征、不同活动的投资回报率，以及成功与失败活动的关键因素。基于这些初步发现，团队还需要进一步深挖，比如分析特定人群在不同地域或产品线的表现差异。
传统模式下，这个过程需要大量分析师手动提取数据，业务团队反复讨论，再通过交叉分析逐步形成洞察。从数据收集到最终决策，往往需要3-7天时间才能产出完整的分析报告。
而现在，借助Data Agent的深度分析能力，同样的决策流程可以通过三个关键问题快速完成，系统能在一个小时内生成包含活动建议和预算分配方案的初步报告。
这种效率的提升也不意味着可以完全取代人工判断。
业务人员仍然需要对系统生成的建议进行验证，对存疑的部分进行深入探讨。但不可否认的是，决策效率实现了数量级的提升，从原来的以"天"为单位缩短到以"小时"为单位。这种改变不仅体现在时间维度上，也重新塑造了整个决策链条的工作方式。
这种新型工作模式的核心价值其实在于它让数据洞察从"奢侈品"变成了"日用品"。过去需要专业团队耗时数天才能完成的分析，现在任何业务人员都能快速获取。
虽然当前系统在准确性和洞察深度上仍有提升空间，但随着大模型能力的持续进化，这种数据驱动的决策方式，可以为企业带来实质性的效率变革。
更重要的是，这种改变不是简单的效率提升，而是决策范式的转变。当数据洞察变得即时可得，企业的决策节奏、资源配置方式乃至组织协作模式都将随之改变。
这或许才是数据智能带给企业最深远的变革，不仅改变了"怎么做分析"，更改变了"如何做决策"。
Q：你觉得大模型幻觉是一种缺陷吗？
A： 在AI技术的发展过程中，幻觉问题一直是一个值得深入探讨的话题。首先需要明确的是，从技术原理来看，完全消除大模型的幻觉几乎是不可能的。
因为模型本质上是在预测下一个token，而非进行事实判断。这种特性在创意场景中反而成为一种优势，比如DeepSeekR1之所以能脱颖而出，很大程度上正是因为它能通过“幻觉”产生出人意料的创意和独特的洞察视角。
我觉得关键在于如何辩证地看待和运用这种特性。在需要严谨性的数据领域，如果AI基于错误数据产生幻觉，确实会导致报告可信度下降。
但在创意脑暴或需要突破性思维的场景中，这种"幻觉"反而能激发出常规思维难以触及的新颖观点。理想的做法是找到平衡点：通过工程化手段确保基础数据的准确性，将幻觉控制在合理范围内；同时保留大模型产生创新洞察的能力。
这种平衡的艺术，可能体现在一方面采用技术手段提升数据准确性，降低关键信息的错误率；另一方面适度保留模型的创造性"幻觉"，让报告不仅准确，还能提供超越常规的视角和见解。
Q：在幻觉处理的方面，Data Agent现在可以处理到什么程度？
A： 在AI技术的演进过程中，幻觉问题始终是一个需要平衡的关键课题。这种平衡不是一劳永逸的，而是随着大模型能力的迭代不断调整的过程。
新一代大模型在幻觉处理上未必总是优于前代，这使得我们需要持续寻找微妙的平衡点——过度控制可能导致模型洞察力下降，而过于宽松又会影响输出的准确性。
这种平衡就像是在给大模型"戴手铐"与"摘手铐"之间不断切换。我们无法用简单的分数来衡量幻觉问题的解决程度，因为这个评估标准本身就在随着技术迭代而波动。
更现实的做法是聚焦于特定场景的优化，让幻觉在某些应用场景中不再成为障碍。
目前，我们正在不断扩大Data Agent和Deep Research的应用边界，在这些特定场景中逐步解决幻觉问题。这不是追求完美的过程，而是通过持续优化，让AI在保持创造力的同时，输出越来越可靠的结果。
Q：Agent 如果以成熟等级划分的话，Data Agent的成熟度目前在什么水平？
A： 在Data Agent的发展过程中，我们将其能力演进划分为四个关键阶段，每个阶段都代表着智能水平的显著跃升。
L1阶段如同传统的Chat BI，主要完成基础的数据查询和图表展示功能，需要用户全程引导。进入L2阶段后，系统开始理解业务语境，能够自主进行数据归因分析，不再需要用户逐步指导。
L3阶段标志着质的飞跃，系统不仅能分析原因，更能提出具体的业务建议和解决方案。而L4则代表着终极形态——就像自动驾驶领域的全自动驾驶，在数据领域实现真正的自主决策。
在这个阶段，Data Agent可以主动监测数据变化，自主产生洞察，并在授权范围内执行策略，人类只需设定总体框架。
举例来说，当分析APP的DAU变化时：L1阶段仅能展示趋势图表；L2可以分析不同城市级别的差异原因；L3能够提出增长建议；而L4则会主动监控数据，定期生成执行方案。
这种演进体现在两个维度：自主性从完全人工主导发展到系统自主执行；对于业务的影响力，从单纯数据分析深化到直接参与业务决策。
目前我们的技术处于L2到L3之间的过渡阶段，已经能够完成有限度的归因分析和初步业务建议，但在建议质量和洞察深度上仍有提升空间。要实现L4的终极愿景，还需要大模型能力和Agent技术的持续突破。
Q：很多人现在持有一些 AI 代替人类的观点。在你看来，Data Agent是助手逻辑还是会代替人的逻辑？
A： 我觉得Data Agent的定位需要被正确理解——它本质上是一个"数字专家"，但绝非简单的人类替代品。就像企业业务扩张时需要招聘更多人才一样，Data Agent的引入是为了增强而非取代现有团队。
它的核心价值在于成为人类能力的放大器，将人们从低价值、重复性高且容易出错的繁琐工作中解放出来。
以数据分析师的工作为例，传统模式下他们大部分时间都耗费在数据导出、报表制作和基础归因分析上。这种重复劳动不仅效率低下，更严重的是剥夺了分析师深度思考的机会，他们很少有时间评估业务问题的质量，更难主动发现那些被忽视的关键问题。
当Data Agent接手这些基础工作后，分析师就能站在AI的肩膀上，将精力投入到更高价值的领域：定义更优质的问题、发现潜在的业务盲点、进行更深度的战略思考。
这正是我们开发Data Agent的初衷，通过人机协作实现能力跃升。AI负责处理机械性工作，人类则专注于需要创造力、判断力和战略思维的领域。这种分工不是简单的替代关系，而是通过能力互补实现整体效能的提升。
Q：假设Data Agent是一个人的话，Ta的学历和工作经验该如何评估呢？
A： 评估一个Data Agent的能力，就像企业招聘人才一样需要从两个维度考量：学历和经验。
这里的"学历"代表底层大模型的通用智能水平和知识储备，就像我们通过学历来判断一个人的基础智力水平一样。
一个拥有"高学历"的Data Agent意味着它具备强大的通用知识库和推理能力，能够处理开放性的通用问题，比如市场调研这类需要广泛知识面和逻辑分析的工作。
然而，仅凭"学历"还不足以应对企业特定的业务挑战。这就引出了第二个关键维度——"经验"。当面对企业内部的销售复盘或用户流失分析时，Data Agent需要理解企业的私有数据、业务黑话、分群逻辑等专有知识。
这种经验积累是一个渐进的过程，就像实习生逐步熟悉企业运作一样。Data Agent必须通过学习企业特有的数据资产和业务逻辑，才能从"聪明的通用人才"成长为"懂业务的数据专家"。
Q：当各种 Agent 来到企业之后，未来的组织、未来的员工会有哪些变化？
A： 当AI技术特别是大模型和Agent开始广泛应用于各行各业时，关于"机器取代人类"的讨论从未停止。但我觉得与其说是取代，不如说这是一场深刻的工作范式变革。
每一次技术革命都会重塑职业形态，这次也不例外，不是岗位的消失，而是职能的升级与重构。Agent技术正在将人类从业者从繁琐的执行工作中解放出来，转向更具战略价值的策略制定和创新推动。
以AI编程为例，这一技术确实降低了编程的门槛，但并不意味着程序员会被淘汰。就像如今人人都会使用Office办公软件，但并不会自称"PPT专家"一样，编程正在成为一种基础技能。
这种变化带来的不是职业的消亡，而是能力边界的扩展。未来职场的关键竞争力将不再是单纯的技能掌握，而是提出好问题的能力、理解AI洞察的能力，以及将技术建议转化为业务行动的能力。
面对这样的变革，组织和个人都需要重新思考定位。组织需要重构职能体系，员工则需要建立与AI协作的新工作模式。在这个过程中，有一个核心问题值得深思：在技术快速迭代的浪潮中，哪些是不变的本质？
虽然答案因人而异，但有一个普适的建议——先行动起来。
当前大多数人对大模型的使用仍处于初级阶段，只有通过实际应用，才能真正理解如何与AI有效协作，发现技术赋能的可能性。与其过度担忧被替代，不如主动探索如何借助AI扩展自己的能力边界，这才是应对变革的我觉得比较重要的事情。
Q：在技术快速迭代的浪潮中，哪些是不变的本质？这个问题如果是你，会怎么回答？
A： 在快速变化的技术环境中，企业需要把握那些不变的底层法则。
比如说，数据资产的重要性始终如一，甚至与日俱增。企业应当系统性地积累各类数据——无论是结构化的业务数据，还是非结构化的会议记录、交流文档等。
这些数字资产将成为未来大模型理解企业运作的基础素材，就像培养一个企业专属的数字专家需要丰富的学习资料一样。
对个人而言，提出优质问题的能力正在成为核心竞争力。这种能力体现在与大模型交互的各个环节：从设计精准的Prompt，到根据反馈调整提问方向，本质上都是在进行高质量的提问训练。
即便未来大模型变得更智能，这种有效沟通的能力依然关键——因为人机协作的核心在于双方能否准确理解彼此。
就像指导一个聪明的助手，清晰的指令和及时的反馈调整永远不可或缺。这些基本原则不会随技术迭代而改变，反而会在AI时代展现出更大的价值。
节目上新速递
精彩继续！新一期节目我们特邀到火山引擎增长咨询团队的Asty和Mario，结合多行业落地经验和真实案例，进一步探讨：
在现阶段，Data Agent已经能帮助企业重塑哪些工作及流程链路？
企业又需要做好哪些准备，才能真正用好Data Agent？
欢迎大家扫码订阅&收听：
👏 Data+AI 推荐阅读：
点击阅读原文，收听本期播客节目