一项新技术要改变世界，靠的并不只是技术本身。
飞机就是一个很有意思的例子。飞机在一百多年前就已经被造出来，也成功飞上了天空。但从“能飞”到大规模投入应用，却经历了漫长的过程。
飞机从来不是一个能够独立存在、单点突破的产品，它要走向普及，需要机场、航线网络、空中交通管制、通信导航、安全标准逐步成熟等等。
今天的 Data Agent，也处在一个类似的阶段。
01 从技术可用到具备普及条件
过去几年，大模型让很多人看到了“用自然语言获取数据”的可能性。
用户不必先打开十几个报表，也不应该知道数据在哪张表里，更不应该先学习 SQL。他关心的其实就是一件事：
今天我想知道什么？
比如：
- “今年华东区哪些门店利润下降了？”
- “最近三个月哪些商品销量增长最快？”
- “哪些客户正在流失？”
- “为什么这个月利润比上个月低？”
如果这些问题可以直接得到准确答案，那么企业获取数据的方式，显然会发生一次非常大的变化。
但问题也恰恰出现在这里。很多人把 Data Agent 理解成了：只要有一个足够强的大模型，就可以直接连接数据库，然后开始回答问题。实际情况远没有这么简单。
02 AI 不会自动让混乱的数据变得正确
如果一家企业内部连“销售额”到底怎么定义都没有统一，那么 AI 也无法替企业完成这个定义；如果同一个客户在三个系统里有三个ID，AI 也不会凭空知道它们其实是同一个人；如果组织关系没有维护，AI 也无法可靠判断一家子公司到底属于哪个板块；如果权限体系本身没有建立，那么 AI 同样不知道谁应该看到哪些数据。
所以，Data Agent 真正大规模进入企业，需要一个非常重要的前提：企业的数据基础设施已经建设到一定程度。
- 至少要有相对稳定的数据仓库;
- 要有基本的数据治理；
- 核心业务对象之间的关系要能够被识别；
- 数据口径要相对明确。
很多企业已经为这些基础建设投入了十几年甚至二十年。过去的数据仓库、数据治理和数据中台积累，正在成为 Data Agent 今天落地的基础。
03 旧的解决方案不会突然消失
Excel、BI、指标平台和传统 NL2SQL 都有自己的主场，他们分别适用于不同的数据基础和业务场景。
- Excel 灵活，适合处理临时数据。业务口径突然变化，或老板临时问了一个从未出现过的问题，都可以快速处理；
- BI 看板适合长期监控已经明确的经营指标。对于固定、需要反复查看的数据，一张看板仍然很高效；
- 指标平台适合统一大量核心指标口径，让组织在同一套定义下使用数据；
- 传统 NL2SQL 也有自己的优势：接入几张表就可以开始工作，前期建设较少。
我们更关心的是：当企业的数据基础设施逐渐成熟之后，会不会出现一种新的、更自然的数据使用方式？
答案是一定会。
04 真正的变化，不是“AI 帮你写 SQL”
如果 Data Agent 最终只是让AI替用户生成一段SQL，那么它带来的变化其实非常有限，因为用户仍然需要面对数据库本身。
真正重要的变化应该是：数据获取这件事情本身，逐渐从一种专业技能变成一种基础能力。
今天，一个普通业务人员想获取一组复杂数据，往往要提出需求，等待数据人员确认口径、寻找数据表、编写 SQL、核对结果，最后才能拿到答案。这条链路存在了很多年，我们已经习惯了它。
但从用户的角度看，这其实很不自然。一个人真正想做的只是提出问题，至于数据来自哪张表、经过什么计算、如何关联、SQL怎么写，这些都应该逐渐沉到基础设施里面。
就像今天使用很多成熟基础设施时，我们不会关心背后的技术细节：使用搜索引擎时，我们不会思考网页索引是怎么建立的；刷卡支付时，我们不会思考清算网络如何完成资金结算。
同样，未来使用企业数据的人，也不需要更不应该先学习数据结构。
05 Data Agent 真正需要的是一层新的数据基础设施
这层新基础设施的核心，是语义。数据仓库解决数据怎么存、怎么加工、怎么形成稳定的数据资产；指标平台解决已经定义清楚的指标应该怎么算。自然语言成为人与数据交互的重要入口之后，系统还要回答一个问题：机器如何理解这个企业的数据世界？
- 什么是客户？
- 什么是门店？
- 什么是商品？
- 哪家公司属于哪个集团？
- 什么叫“连续三个月增长”？
- 什么叫“高价值客户”？
- 同一句“销售额”，在不同场景下应该使用哪个口径？
这些都是业务语义问题。
我们的判断是，在数据仓库之上，会逐渐形成一层新的基础设施：AI 语义层。它把企业的数据资产转换成 AI 能够稳定理解和使用的业务世界。向下连接数据仓库，向上可以连接 Data Agent、各种 AI 应用、Agent、MCP 以及未来可能出现的更多智能应用。
业务对象、关系和口径预先定义之后，大模型可以直接在企业语义空间里工作，不必每次面对数据库时重新猜测几十张表之间的关系。
图示：亿问 Data Agent 中的语义层，来自真实项目
06 基础设施不完善，并不意味着只能等待
企业通常会在解决真实业务问题的同时，逐步补齐当前场景需要的数据基础。
- 对于数据基础已经比较成熟的企业，亿问可以直接基于现有的数据仓库建设语义层，让 Data Agent 更快进入支撑业务。
- 对于数据基础还没有完全准备好的企业，亿问可以从一个真实、结果可验证的业务问题开始。先梳理需要哪些数据，明确核心业务对象、组织关系和指标口径，再完成必要的数据清洗、数据治理、数据加工和语义建模，最后把 Data Agent 交付给业务人员。
这条路径覆盖数据治理、数据仓库、AI 语义层和最终的 Data Agent 应用。亿问 Data Agent 可以提供一体化的建设和落地服务。
企业数据问答的结果，会受到源数据、数据仓库加工逻辑、业务口径和语义表达等多个环节的影响。各环节由不同团队负责时，现场很容易变成这样：AI 团队说数据有问题，数据团队说 AI 理解有问题，业务团队只关心一件事：为什么最后给我的答案还是不对？
对业务人员来说，无论问题出在哪一环，最后只看一个结果：答案是否可信。亿问一直坚持沿着整条链路，对“用户最终能不能获得可信的数据答案”负责。已有的基础设施可以直接接入；当前场景缺少的部分，我们也可以一起补齐。
07 我们正处在一个交界点
今天，一边是已经成熟的数据使用方式：Excel、SQL、BI、固定报表和指标平台。另一边，是一种正在出现的新方式：人直接提出业务问题，系统理解企业的数据世界，并给出答案。
前一种方式已经成熟，后一种方式才刚刚开始。
企业的数据仓库和业务定义越成熟，Data Agent 越容易进入稳定使用。大模型再强，面对尚未整理的数据世界，也很难稳定问数。
新技术的普及很少均匀发生。它通常先在基础设施成熟的地方落地，再随着条件完善向外扩散。Data Agent 也处在这个阶段。
08 问数为何还要先找人？
今天，在企业里听到这些话很正常：
- “这个数字你帮我查一下。”
- “这个数据在哪张报表里？”
- “这个需求排期要多久？”
我们已经习惯了。
几年之后，人们也许会疑惑：为什么一个员工只是想知道一项经营数据，却需要先找到另一个人？
当原本只有少数专业人员能完成的事情，变成每个人都能自然使用的能力，技术才算进入日常。
09 我们的目标：让每个人都能随时随地获得数据
SQL、语义层、Logicform、数据仓库和指标平台会继续存在，只是会逐渐沉到基础设施里。用户无需掌握这些技术，也不必先成为数据分析师。
用户只需要做一件最自然的事：提出问题，然后得到可信、可以继续追问的数据答案。
这也是亿问 Data Agent 从一开始就没有改变的目标：让每个人都能随时随地获得想要的数据。
实现这个目标，仍然离不开数据治理、数据仓库和语义建设，Data Agent 本身也要持续迭代。
Data Agent 已经出现，企业对它的需求也已显现。接下来，要把它走向大规模应用所需的“跑道”铺得更完整。已有的基础设施，我们直接接入；当前场景缺少的部分，我们也一起补齐。