編者按：本文來自微信公眾號 BV百度風投，作者｜BV軟件組，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。
引言｜全文速覽
生成式AI正把數(shù)據(jù)從靜態(tài)資產(chǎn)推向?qū)崟r決策的前臺。數(shù)據(jù)不再是沉睡在表格里的行列，而是能被語義標注、即時調(diào)度、參與推理鏈路的數(shù)字化資源。當全球數(shù)據(jù)量以每年十數(shù)ZB的速度膨脹，企業(yè)若仍停留在“人工找數(shù)+手動分析”的舊范式，就注定被壓縮到邊際。此刻崛起的Data Agent，本質(zhì)上是一層嵌入模型、工具與業(yè)務流程之間的新操作系統(tǒng)：它以自然語言驅(qū)動全棧數(shù)據(jù)管線，把“結(jié)構(gòu)化讀寫 + 自動推理”變成分鐘級的閉環(huán)，并直接映射到財務、營銷、R&D等核心KPI。
技術成本驟降、用戶心智覺醒與資本加速下注正在同步發(fā)生。三年前生成式推理百萬token還要花60美元，如今降到不足一毛；AI搜索已占美國桌面端查詢的5%以上，表明市場已接受“問一句話，直接拿答案”的交互模式；而Databricks、Snowflake等巨頭的并購與融資則把“數(shù)據(jù)即模型燃料”的敘事推向主流。種種信號指向同一趨勢：Data Agent的窗口期已然打開，且極度稀缺——誰先掌握數(shù)據(jù)生命周期的自動駕駛權(quán)，誰就掌握下一代AI生產(chǎn)力的方向盤。
本文將以產(chǎn)業(yè)與資本雙重視角，拆解Data Agent如何重劃人機分工、如何在真實場景中帶來≥60%的效率躍遷，并展望其從“助手”到“自治業(yè)務大腦”的三階段演進路線。透過領先案例與經(jīng)濟指標，我們認為：在Gen AI時代，真正決定企業(yè)競爭深度的，不是模型大小，而是數(shù)據(jù)被自動調(diào)用和持續(xù)進化的能力。
#01行業(yè)趨勢｜Gen AI時代的數(shù)據(jù)操作系統(tǒng)正在重構(gòu)
什么是 “Data Agent”？
首先，我們要先理解什么是Data：在Agent時代，“Data” 不再只是數(shù)據(jù)庫里的行列，而是 任何能夠隨取隨用、可被語義標注、可被推理的數(shù)字化資產(chǎn)——一切業(yè)務自動化與知識生產(chǎn)的基礎。IDC預測2024年的全球數(shù)據(jù)量已達149ZB并將在 2025年突破181ZB，其中約80%屬于文檔、對話、圖像等非結(jié)構(gòu)化內(nèi)容，這些數(shù)據(jù)需要首先被即時結(jié)構(gòu)化、再被算法調(diào)用，才能真正參與推理鏈路。平均每家公司管理的活躍數(shù)據(jù)集數(shù)較 2020年翻倍，在麥肯錫對63個典型用例的測算里，生成式AI每年可貢獻2.6–4.4萬億美元新增價值，其中近75%的收益源自對結(jié)構(gòu)化數(shù)據(jù)高度依賴的職能——研發(fā)、軟件工程、營銷銷售與客戶運營 。這一集中度意味著“把數(shù)據(jù)管好、讓模型讀懂”是商業(yè)化最確定的突破口。
然后，我們來理解Data Agent的定義：Data Agent 是圍繞數(shù)據(jù)生命周期（獲取、準備、建模、洞察、可視化）全棧自動化的AI智能體，能夠按照自然語言意圖自主規(guī)劃、執(zhí)行與校驗，輸出可維護、可追溯的結(jié)果。
在“數(shù)據(jù)激增 + 生成式智能體”雙輪驅(qū)動下，Data Agent不再只是BI工具的增量插件，而是貫穿數(shù)據(jù)生命周期、直接影響業(yè)務KPI的核心基建層。這一賽道的終局想象空間遠超傳統(tǒng)ETL或BI——它連接了數(shù)據(jù)、模型與行動，決定AI真正落地的速度與深度。早期落地者已在安全可控的場景里驗證≥60 % 生產(chǎn)力提升或數(shù)百萬美元年度節(jié)省。過去18個月，Dust（$16 M A 輪） 、Lyzr（$15 M A 輪進行中） 、You.com（估值 $1.4 B）等快速獲資本追捧。
#02 從工具到同事｜Data Agent是高效的數(shù)據(jù)處理同事
在“人驅(qū)動工具”的舊范式里，分析流程以SQL查詢或BI儀表盤為終點；Gen AI為數(shù)據(jù)工作注入“自省回路”，讓智能體開始扮演“同事”而非“工具”； Data Agent智能體具備理解—操作—優(yōu)化的閉環(huán)能力：它會主動追問業(yè)務上下文、自動回滾異常、持續(xù)監(jiān)控指標并推送洞察。
結(jié)合下方圖示可以看到，傳統(tǒng)的數(shù)據(jù)棧分為“搜索—管理—分析”三段：Google / 百度解決信息觸達，Excel與Airtable負責數(shù)據(jù)維護，SQL、Hive、Tableau、Snowflake則承擔深度分析。當大模型原生的代碼生成與自然語言解釋能力嵌入這條鏈路，新的操作系統(tǒng)形態(tài)隨之出現(xiàn)——位于圖示右側(cè)的Data Agent與Coding Agent。前者負責把瑣碎的表格操作對話化，后者則處理長尾的定制化查詢。
Gartner 進一步預測，AI Agents將在2027年自動或輔佐完成50%的業(yè)務決策，而首波落腳點正是數(shù)據(jù)流最密集的報表、監(jiān)控與預算場景。當Data Agent接過“找數(shù)+整數(shù)”的臟活累活，人類分析師才能把注意力轉(zhuǎn)向假設驗證與策略設計；而Coding Agent、Marketing Agent等其他角色，也能在統(tǒng)一、可驗證的數(shù)據(jù) API上協(xié)同，形成真正意義上的多Agent生態(tài)。
為什么“此刻”是Data Agent的窗口期
首先是技術拐點。a16z對LLM推理價格的長期追蹤顯示，要在MMLU 42分段獲 GPT-3同等性能的成本，三年里已從每百萬token 60美元降到0.06美元，折合年化1000倍下降 ；Snowflake Cortex在TS Imagine的落地案例更給出直接指標：30%算力成本削減、4000小時人工釋放 。
其次是市場心智成熟。AI搜索與問答流量在美國桌面端已占到5.6%（一年翻倍），標志著用戶對“自然語言直連結(jié)構(gòu)化答案”模式的接受度急速提升。但超過半數(shù)管理者認為缺乏把個人效率轉(zhuǎn)化為組織收益的系統(tǒng)方法 ，這讓“企業(yè)內(nèi)數(shù)據(jù)分析＋聯(lián)網(wǎng)數(shù)據(jù)調(diào)用”的Data Agent定位愈發(fā)剛需。
再來看資本與基礎設施。Databricks以約13 億美元收購 MosaicML，Snowflake收購Neeva并同步推出生成式套件，均聚焦“模型原生的數(shù)據(jù)平臺”敘事；開源側(cè)，LangChain、Llama-Index、Dify等框架短短一年內(nèi)Star總量翻番，為Data Agent提供了可以即插即用的運行時。在人才維度，從OpenAI跳槽至Meta的o(1) 研究團隊公開表示“數(shù)據(jù)配方而非模型大小”將決定下一階段推理上限——行業(yè)共識正在回到“誰掌握最優(yōu)數(shù)據(jù)，就掌握下一代Agent” 。
綜合技術成本曲線、用戶心智教育與資本流向三條指標，我們觀察到：Data Agent正處在AI工作時代“新 Excel+新BI+新數(shù)據(jù)工程平臺”的窗口期。它不僅讓數(shù)據(jù)成為生成式AI的可編排能源，也為未來的多Agent生態(tài)奠定了統(tǒng)一、可驗證、可追溯的操作系統(tǒng)。
Data Agent正加速從工具到協(xié)作伙伴的角色躍遷
全球約11億辦公人群每天在Excel、Sheets等表格里驅(qū)動財務與運營決策 。然而，行業(yè)調(diào)查顯示，數(shù)據(jù)人員仍將60–80%的工時耗在“找數(shù)+清洗”環(huán)節(jié)，被稱為“80/20 魔咒” 。Data Agent正是在這道瓶頸上率先破題——
開源論文SheetAgent在長鏈表格基準上將LLM的任務通過率提升20–30%，并通過Planner／Retriever／Informer的三模協(xié)作，通過自反思機制把錯誤回滾到上一步驟，實現(xiàn)“會提問、能糾錯”的表格代理人 。
開源多智能體框架 MetaGPT 采用“PM-RD-QA”虛擬團隊模式，在GitHub累計5.7+萬星，社區(qū)把它作為多Agent協(xié)作的SOP，在金融、游戲和移動端開發(fā)項目中復用。
開源Data Agent項目Teable把Postgres封裝成類Airtable的對話式表格，開源項目已得近20K Stars；在企業(yè)客戶獲?。疌RM場景的灰度測試中，Teable Data Agent將“線索獲取落地頁 →CRM搭建與數(shù)據(jù)對接→自動通知銷售→客戶跟進與需求分析”這一全鏈路的搭建與上線周期，從3~5天壓縮到7分鐘，效率提升約600倍（按3天計）。
不僅僅是開源和技術有了長足的進展，Data Agent在2025年也開始廣泛應用于的于鏈路復雜、信息量大、準確性要求高的企業(yè)場景落地——
德勤在2024年對2,800家大型企業(yè)的調(diào)研發(fā)現(xiàn)，如果把Gen AI疊加到“已成型的數(shù)據(jù)流程”上，投資回收期可縮短至18個月以內(nèi)；而那些缺乏可維護數(shù)據(jù)資產(chǎn)的項目，平均回收期則拉長至30個月以上 。
Snowflake Cortex：營銷機構(gòu)Power Digital在接入Cortex的自然語言查詢后，獲取多源數(shù)據(jù)的時間從“寫SQL”降到“聊天式提問”，對同批查詢的洞察速度提高30倍，僅數(shù)百次查詢就累計節(jié)約三周凈工時 。
You.com ARI Enterprise連接內(nèi)部文件與付費數(shù)據(jù)庫，在復雜行業(yè)問答基準中以76%勝率擊敗OpenAI Deep Research，將多日調(diào)研縮短到數(shù)分鐘 。
法國新銳Dust為健康險公司Alan在Slack內(nèi)部署私域Data Agent，周活躍率維持90%，幫助其知識檢索工時壓縮 >60%。Dust為歐陸銀行Qonto部署的私域Data Agent在一年內(nèi)節(jié)省了50,000個人工小時，直接在合規(guī)審核和客服流程中節(jié)約了數(shù)百萬歐元成本。公司成立一年即突破100萬美元 ARR，近期已躍升至$6M，并在最近一輪融資后仍保持月均三位數(shù)成長。
企業(yè)搜索平臺Glean依托語義知識圖，短短三年ARR超過1億美元，新一輪融資估值已升至72億美元，估值被海外資本解讀為“數(shù)據(jù)護城河”的溢價。
#03 場景和需求｜Data Agent落地的三大市場
數(shù)據(jù)搜集：從“人海戰(zhàn)術”到 AI 驅(qū)動的精準檢索
數(shù)據(jù)是企業(yè)的重要增長引擎，但往往在搜集階段需要耗費大量的時間與人力。IDC 的調(diào)研指出，一名知識型員工平均每天要把30%的工時花在到處檢索與搬運信息，這相當于每周五個工作日里有一天只在“找資料”而非“用資料”。這種“人海戰(zhàn)術”在UGC平臺爆發(fā)式增長后愈發(fā)低效：信息量翻倍，而搜索噪聲同步放大，導致人工檢索與手動錄入數(shù)據(jù)的邊際成本居高不下。
人類平均靜默閱讀速度約238詞/分；而Gemini2.0的Context Window達1M token，處理速度達到2萬token/分（1 token≈1 詞）。簡單換算可知，LLM的信息攝取速度已是人類的100倍，這讓“搜索+篩選+摘要”一步到位成為可能，Data Agent將為數(shù)據(jù)和信息領域帶來的效率躍遷。
同時，行業(yè)內(nèi)也涌現(xiàn)出一批新產(chǎn)品驗證市場需求：
Perplexity：月活約1500萬，每周請求量過億，最新私募估值180億美元；其面向消費者的Q&A搜索與企業(yè)API同步增長，最近還與三星、蘋果洽談在手機端預裝AI瀏覽器Comet 。
Exa：為AI agent和開發(fā)者提供原生語義搜索與內(nèi)容檢索API，支持網(wǎng)頁抓取、相似內(nèi)容發(fā)現(xiàn)、自動生成摘要等；常被用于RAG場景中，幫助企業(yè)快速進行市場調(diào)研、競爭分析和資料收集。
Sheet0.com: 旨在為Prosumer提供L4級別的用戶體驗，通過對話式窗口將數(shù)據(jù)工作抽象為“發(fā)指令-落表-可視化”，在營銷、銷售、電商等數(shù)據(jù)場景中，為知識工作者十倍提效。和通用搜索相比，Sheet0更強調(diào)無幻覺的結(jié)構(gòu)化輸出和Excel等已有數(shù)據(jù)生態(tài)的無縫銜接。
Thunderbit：通過Excel插件將網(wǎng)頁內(nèi)容一鍵導入并結(jié)構(gòu)化，幫助用戶快速生成銷售線索或行業(yè)報告。
數(shù)據(jù)采集正從低效的人力密集模式向智能化、自動化轉(zhuǎn)型，隨著Perplexity、Exa、Sheet0等產(chǎn)品的成熟，企業(yè)的數(shù)據(jù)搜集與結(jié)構(gòu)化將逐漸形成“零摩擦”流程。
數(shù)據(jù)管理：從表格工具到Data Agent“自動駕駛”
Microsoft 365今日擁有約3.21億活躍用戶，其中絕大多數(shù)日常依賴Excel處理業(yè)務數(shù)據(jù)。然而“人人都會用”的神話早已被數(shù)據(jù)戳破：一項行業(yè)調(diào)研顯示，全球7.5億日常表格用戶中，僅20%掌握VLOOKUP等基礎函數(shù) ；更令人警醒的是，多項學術復盤指出88%的在役表格包含至少一個錯誤，常因公式拼寫或引用鏈斷裂導致決策失真。
數(shù)據(jù)管理的交互界面正經(jīng)歷根本性變革——從以表格為核心的傳統(tǒng)操作，轉(zhuǎn)向以自然語言為入口的智能對話層。
來源：飛書多維表格官網(wǎng)，用戶可通過自然語言進行數(shù)據(jù)查詢、公式生成
飛書多維表格把數(shù)據(jù)庫、智能助手與自動化工作流深度融合：用戶只需在同一輸入框用自然語言說明“把客服系統(tǒng)本周新增的差評匯總為趨勢圖”，系統(tǒng)便用AI寫公式功能即時生成查詢語句、聯(lián)通跨表字段并返回可視化結(jié)果；如果緊接著補一句“今后每逢周五自動推送”，多維表格會把這段對話轉(zhuǎn)成AI節(jié)點插入工作流，按時抓取最新數(shù)據(jù)并在飛書群內(nèi)播報。借助這一原生Data Agent，員工無需記憶 VLOOKUP或SQL，就能在飛書生態(tài)內(nèi)完成數(shù)據(jù)管理全流程。
這一轉(zhuǎn)變不僅顯著降低了數(shù)據(jù)操作的門檻，也意味著數(shù)據(jù)管理正逐步邁向“L2/L3”時刻。
數(shù)據(jù)分析：Agent引爆“人人皆分析師”
早期的數(shù)據(jù)分析需依賴 SQL/Hive，由數(shù)據(jù)工程師手動編碼；Snowflake等PaaS 的出現(xiàn)雖提升效率，但對非技術用戶仍不友好。數(shù)據(jù)分析本質(zhì)以代碼為載體，且SQL邏輯相對簡單，非常適合Coding Agent快速交付高質(zhì)量結(jié)果。Cursor等產(chǎn)品已出現(xiàn)大量實戰(zhàn)案例。然而，由于這些Coding Agent并沒有數(shù)據(jù)上下文，用戶常需手動搬運數(shù)據(jù)，體驗斷裂。
與仍需額外接入數(shù)據(jù)庫的傳統(tǒng)Coding Agent不同，數(shù)據(jù)庫原生的Data Agent天然具備完整的數(shù)據(jù)上下文。
來源：Airtable官網(wǎng), 用戶可直接在對話框內(nèi)對Airtable提出數(shù)據(jù)分析需求
Airtable的最新AI-native版本把大模型直接嵌入其關系型數(shù)據(jù)庫引擎：用戶只需輸入自然語言，就能讓Omni Agent即刻掃描表間關系、聚合記錄，并生成可解釋的洞見。例如，營銷團隊可以一句話詢問「上季度ROI 最高的活動及原因是什么」，系統(tǒng)會自動在多維數(shù)據(jù)中提取指標、比對趨勢并給出結(jié)論；官方披露，Omni 甚至能夠在數(shù)萬條通話或合同記錄中尋找模式并提示異常，從而將「找數(shù)—分析—決策」鏈路壓縮到幾秒內(nèi)，真正做到數(shù)據(jù)與Agent的零縫隙銜接，印證了數(shù)據(jù)庫原生Data Agent的上下文優(yōu)勢。
#04 Data Agent發(fā)展三階段｜從助手到業(yè)務“大腦”的三步躍遷
我們判斷，AI Data Agent的演進將經(jīng)歷三大階段，每一階段都對應著組織生產(chǎn)力的躍升與商業(yè)模式的重塑。
階段 1｜人類主導，AI賦能
Data Agent正在改變?nèi)伺c數(shù)據(jù)的交互方式，重構(gòu)了數(shù)據(jù)團隊的工作重心和企業(yè)的決策流程。過去，使用數(shù)據(jù)往往意味著面對復雜表格和高門檻工具，而今天，Data Agent正將自然語言變?yōu)樾碌牟僮鹘缑?，讓員工無需掌握SQL或BI工具，即可完成數(shù)據(jù)查詢、表格填寫和報告生成。以摩根士丹利為例，該公司在財富管理系統(tǒng)中接入GPT-4推出“Data助手”，讓理財顧問可以用對話方式訪問內(nèi)部知識庫，結(jié)果是98%以上的團隊將其納入日常工作，顯著節(jié)省了原本用于翻閱資料的時間。
Data Agent不僅“聽得懂”，更“聽得明白”。當銷售經(jīng)理提問“去年新品在各區(qū)域的利潤走勢”時，AI能夠自動識別“新品”“利潤”“區(qū)域”等術語背后的業(yè)務含義，實時調(diào)用財務與銷售系統(tǒng)中的數(shù)據(jù)生成可視化趨勢圖，報告撰寫時間平均縮短70%。麥肯錫估算，通過Data Agent推動流程自動化，企業(yè)平均可減少20-30%的運營成本，同時提升40%以上的運營效率。
本質(zhì)上，這是一次底層范式的遷移：數(shù)據(jù)工作的“生產(chǎn)力工具”正由Data Agent驅(qū)動重構(gòu)，它讓數(shù)據(jù)的使用不再依賴少數(shù)技術專家，而是普惠到每一個員工和業(yè)務單元。數(shù)據(jù)不再難以觸達，分析不再高高在上，AI讓“人人可用數(shù)據(jù)、人人做出判斷”成為現(xiàn)實，也讓企業(yè)在瞬息萬變的市場中具備更快的響應速度和更強的競爭能力。
階段 2｜場景驅(qū)動，應用自生
Data Agent作為新型智能體，能夠讀取企業(yè)現(xiàn)有的業(yè)務數(shù)據(jù)，自動生成涵蓋前端界面和后端邏輯的完整應用系統(tǒng)，為每個企業(yè)配備了一支全天候待命的開發(fā)團隊。例如一位酒店經(jīng)理，只需讓Data Agent調(diào)用現(xiàn)有預訂和客房數(shù)據(jù)，AI便可自動生成一套整合預訂、調(diào)度與保潔功能的定制系統(tǒng)，真正做到所想即所得。
OpenAI曾展示GPT-4可將餐巾紙上的網(wǎng)站草圖直接變?yōu)榭蛇\行網(wǎng)頁，Teable則更進一步，讓用戶僅需一句需求描述，系統(tǒng)即可完成從分析、編程到部署的全過程。
這種能力釋放出前所未有的業(yè)務創(chuàng)造力：市場人員可以在靈感來臨時立即生成活動管理工具，供應鏈員工能按需定制庫存調(diào)度系統(tǒng)，企業(yè)由此進入“秒響應、日迭代”的創(chuàng)新節(jié)奏?？焖匍_發(fā)能力還直接帶來收入增長與客戶體驗的飛躍。MIT的一項研究發(fā)現(xiàn)，具備實時響應能力的企業(yè)，其營收增長率平均高出同行62%，利潤率比落后企業(yè)高出97%。Data Agent讓每一位員工都擁有“造工具”的能力，也讓每一家組織，都更接近成為真正的數(shù)據(jù)驅(qū)動型企業(yè)。
階段 3｜自治智能，數(shù)據(jù)成為業(yè)務OS
AI Data Agent將不再僅僅是分析助手，而是演化為一位真正的“數(shù)字COO”——全面接管數(shù)據(jù)采集、治理、分析與監(jiān)控等關鍵流程，推動企業(yè)實現(xiàn)更高程度的實時性與自動化運營。
以酒店行業(yè)為例，傳統(tǒng)的定價、排班和庫存決策往往依賴人工經(jīng)驗和靜態(tài)報表，反應滯后，誤差頻發(fā)。而擁有全景視角的Data Agent能夠?qū)崟r整合歷史入住率、天氣變化和當?shù)鼗顒影才诺榷嗑S數(shù)據(jù)，自動提出定價和排班建議，并同步優(yōu)化OTA 渠道投放和廣告預算。例如，東京一家酒店引入AI動態(tài)定價系統(tǒng)后，在某場演唱會官宣當晚即調(diào)整周末房價，最終實現(xiàn)每房收益提升6–10%；同時，系統(tǒng)還基于預訂密度自動增配保潔排班，使房間翻臺率提升20%。
更重要的是，Data Agent打破了部門間的數(shù)據(jù)孤島，實現(xiàn)業(yè)務全鏈條的聯(lián)動優(yōu)化，能夠在識別某個業(yè)務信號后，快速判斷其對上下游流程的影響。例如，某國際酒店集團部署的系統(tǒng)會在檢測到推廣活動轉(zhuǎn)化率下滑時，自動分析原因，并同步協(xié)調(diào)市場與產(chǎn)品團隊提出調(diào)整策略。
#05 時代性機會｜Data Agent正在打開一個確定且仍然稀缺的窗口
確定性｜數(shù)據(jù)驅(qū)動的AI中間層，剛需已被市場驗證
微軟最新《Work Trend Index》顯示，75%的知識工作者已開始在日常工作中調(diào)用生成式 AI，但53%認為“公司缺少把個人效率放大為組織產(chǎn)出的方法論” 。同期《華爾街日報》和《衛(wèi)報》對“AI搜索”的報道指出，AI驅(qū)動的搜索與問答流量在 2025 年已占到美國桌面搜索5.6%。這從另一個側(cè)面證明，“讓自然語言直連結(jié)構(gòu)化答案”已經(jīng)成為用戶與企業(yè)的共同心智。這正是Data Agent所提供的“企業(yè)內(nèi)數(shù)據(jù)分析+聯(lián)網(wǎng)數(shù)據(jù)調(diào)用”能力——一條橫跨SaaS中間層、可直接替代部分人工分析崗位的新鏈路。
需求側(cè)的信號在過去一年急劇放大：Google Trends顯示，“AI agent” 關鍵詞的全球搜索熱度同比暴漲900%；投融資端同樣迅速跟進——據(jù)Warmly.ai統(tǒng)計，2024年AI Agent賽道融資總額達到38億美元，是上一年的近三倍，其中超六成流向“數(shù)據(jù)—洞察—行動”閉環(huán)類項目 。換言之，當10億+知識工作者的“看得見的痛點”遇上900%的需求爆發(fā)與數(shù)十億美元的資本加碼，我們幾乎可以確定：Data Agent 將像1990年代的Office 套件一樣，成為下一代數(shù)字工作的默認入口。
早期稀缺｜“基礎設施級別”的空位仍待占領
與動輒數(shù)十家獨角獸并存的傳統(tǒng)SaaS賽道不同，Data Agent目前的頭部項目屈指可數(shù)：Glean、Dust、You.com之外，再難找到月活破百萬或ARR過千萬的玩家 。市場的兩端——底層模型和上層業(yè)務場景——已高速進化，唯獨“以表格為界面、以API為內(nèi)核”的數(shù)據(jù)操作系統(tǒng)仍是藍海。
技術棧亦處于開荒階段：Deloitte調(diào)研顯示，67%的企業(yè)2025年將把新增Gen AI預算投入到“數(shù)據(jù)管線自動化與治理”，同時列“缺乏可復用的框架”作為落地最大痛點。在開源社區(qū)，MetaGPT、SheetAgent等項目雖展示了多智能體協(xié)作與自反思機制，但距離企業(yè)級安全、合規(guī)與可觀測還有明顯鴻溝。
技術平權(quán)｜Gen AI釋放人類創(chuàng)意實現(xiàn)能力
我們的第三個判斷，來自人才與范式的遷移。從MetaGPT、SheetAgent到 LangGraph、LlamaIndex、Dify，開源社區(qū)迅速把“Planner-Executor-Reflector”“Agent as Colleague”這些抽象范式落地為可復用的工程庫，創(chuàng)業(yè)門檻大幅降低；與此同時，“從 OpenAI/DeepMind 等實驗室流向更偏工程落地的公司或大廠”的人才遷移，正在把“數(shù)據(jù)配方”和“推理鏈優(yōu)化”這類能力快速產(chǎn)業(yè)化。我們相信，不論是連續(xù)創(chuàng)業(yè)者還是Gen Z破風者，都有能力在這個新操作系統(tǒng)層上做出真正的平臺公司。
#06 結(jié)語
Teable的創(chuàng)始人兼CEO陳加貝表示：“企業(yè)軟件有個殘酷真相：你花幾十萬買的系統(tǒng)，90%的功能員工根本不用——不是功能不好，是太復雜了，學不會。但AI時代徹底顛覆了游戲規(guī)則，過去是先有應用再產(chǎn)生數(shù)據(jù)，現(xiàn)在應該是數(shù)據(jù)直接催生應用，當AI讓開發(fā)成本無限趨向于零，應用就不再是稀缺品——它應該像空氣一樣：需要時瞬間出現(xiàn)，不需要時立即消失，永遠在自我進化中適應你的業(yè)務。用戶要的不是'vibe coding'，而是'vibe working'。一句話需求進來：建庫、寫應用、搭工作流，全自動解決工作需求，這就是Data Agent的威力——從數(shù)據(jù)管理到生成式應用再到自動化工作流的完整閉環(huán)，讓工作真正實現(xiàn)所想即所得。真正的護城河不是你有什么復雜軟件，而是你的數(shù)據(jù)有多智能、進化有多快，那些還在賣'學習成本幾個月'的軟件公司，已經(jīng)是昨天的故事了，未來的企業(yè)軟件就是數(shù)字生命體：零門檻、即用即得、與業(yè)務共同進化?！?/p>
深度賦智的創(chuàng)始人兼CEO吳承霖認為：“過去我們總把數(shù)據(jù)當作‘資源’，把智能體當作‘工具’，一個是靜態(tài)的倉庫，一個是執(zhí)行的助手。但在真正跑起來的AI系統(tǒng)中，這種劃分已經(jīng)不成立了。數(shù)據(jù)和智能體，其實是一體兩面，是共生的操作系統(tǒng)。智能體需要數(shù)據(jù)來感知世界、理解上下文、形成記憶；數(shù)據(jù)也只有在被智能體實時調(diào)度、推理、反饋之后，才能真正‘活’起來，成為持續(xù)進化的系統(tǒng)一部分。你不能只造一個Agent，而忽略它對數(shù)據(jù)結(jié)構(gòu)的依賴；也不能只堆數(shù)據(jù)，而沒有智能體去驅(qū)動它流動、變形和生長。真正的智能，來自于二者的聯(lián)動閉環(huán)，不是有了Agent才需要數(shù)據(jù)，而是從一開始，Agent和數(shù)據(jù)就必須共同設計、一起進化?！?/p>
Sheet0.com的創(chuàng)始人兼CEO王文鋒表示：“Data和Coding都是萬億美金市場。不過Coding Agent正在步入成熟階段，而Data Agent卻還處于爆發(fā)的前夜。和Coding類似，Data也可以建立穩(wěn)定的反饋閉環(huán)，但相比Coding，Data需要更激進的產(chǎn)品策略和更多的Context Engineering。我認為Data Agent正處于類似Coding Agent 2023年底的階段，所以我認為接下來18個月，會有很多Data Agent脫穎而出。如何成為Data領域的第一個Curosr，我認為是值得創(chuàng)業(yè)者和投資人思考的問題?！?/p>
BV 百度風投觀察到，Data Agent已從概念走向落地，其戰(zhàn)略價值與商業(yè)確定性前所未有，但行業(yè)格局仍留出巨大的“空位”。此刻的關鍵，不在于再解釋“為何”，而在于“由誰”來占據(jù)這條數(shù)據(jù)—模型—行動的主干道。我們相信Data Agent 正處于同樣的“iPhone前夜”——確定性已充分顯露，但真正的生態(tài)格局尚未鎖定。這也正是我們此刻加速布局的根本原因。
BV 百度風投堅信——Agent技術將把人類的創(chuàng)意與天賦放大為指數(shù)級生產(chǎn)力。圍繞此主題，我們將持續(xù)關注3條主線：底層平臺、開源進展、行業(yè)閉環(huán)應用創(chuàng)新。我們期待與敢于重新定義數(shù)據(jù)操作系統(tǒng)的創(chuàng)業(yè)者同行，共同搶占這場確定且稀缺的時代紅利。
參考資料
IDC & Seagate，《The Digitization of the World / Data Age 2025》：https://www.seagate.com/files/www-content/our-story/trends/files/dataage-idc-report-final.pdf
McKinsey，《The economic potential of generative AI》：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
TechCrunch，Glean Series F $7.2B 估值報道：https://techcrunch.com/2025/06/10/enterprise-ai-startup-glean-lands-a-7-2b-valuation/
Snowflake，《TS Imagine、Yieldmo 實測節(jié)省與加速數(shù)據(jù)案例》：https://www.snowflake.com/en/customers/all-customers/case-study/ts-imagine/
SheetAgent，《論文與項目頁》：https://arxiv.org/abs/2403.03636
GitHub，MetaGPT 項目頁：https://github.com/FoundationAgents/MetaGPT
GitHub，Teable 項目頁：https://github.com/teableio/teable
Deloitte，《State of Generative AI in the Enterprise 2024 Q4 & 2025》：https://go.writer.com/enterprise-ai-adoption-survey
Fortune Business Insights，《BI 市場洞察》：https://www.fortunebusinessinsights.com/business-intelligence-bi-market-103742#:~:text=KEY%20MARKET%20INSIGHTS&text=The%20global%20business%20intelligence%20market,share%20of%2030.96%25%20in%202024.
《華爾街日報》《衛(wèi)報》，2025 年 7 月 “AI 搜索”與 Google AI Overview 流量與營收數(shù)據(jù)： https://cn.wsj.com/articles/ai%E6%90%9C%E7%B4%A2%E6%B4%BB%E5%8A%A8%E5%A2%9E%E9%80%9F%E8%B6%85%E9%A2%84%E6%9C%9F-de1e4251
Microsoft，《Work Trend Index》：https://www.microsoft.com/en-us/worklab/work-trend-index
You.com，《研究文章》：https://you.com/articles/o3-mini-judges-ari-enterprise-winner-over-openai-deep-research
Beam.ai，Google trend 集成頁：https://beam.ai/integrations/google%20trends#:~:text=Once%20connected%2C%20the%20AI%20agents,provide%20up%20to%20date%20insights.
Rayner et al.，《How many words do we read per minute? A meta-analysis》：https://www.sciencedirect.com/science/article/abs/pii/S0749596X19300786
Cottrill Research，《Various Survey Statistics: Workers Spend Too Much Time Searching for Information》：https://cottrillresearch.com/various-survey-statistics-workers-spend-too-much-time-searching-for-information/
Google Cloud，《Gemini 2.0 模型技術文檔》：https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/#ceo-message
Yahoo Finance，《You.com seeking $1.4 bn valuation in new funding round》：https://finance.yahoo.com/news/com-seeking-1-4bn-valuation-151056995.html
Times of India，《Perplexity CEO Aravind Srinivas…》：https://timesofindia.indiatimes.com/technology/tech-news/perplexity-ceo-aravind-srinivas-the-boy-who-turned-his-mothers-iit-dream-into-a-billiondollar-ai-company/articleshow/122865092.cms
Forbes，《Sourcetable Launches AI Spreadsheet》：https://theaiinsider.tech/2025/04/01/sourcetable-gets-4-3m-and-launches-worlds-first-self-driving-spreadsheet-powered-by-ai/
Marketful，《Airtable Market Insights》：https://marketful.com/blog/airtable-statistics/
OpenAI，Morgan Stanley AI Assistant Adoption：https://openai.com/customer-stories/morgan-stanley
Zapier，《Automation Report》
McKinsey，《AI & Process Optimization》：https://www.mckinsey.com/mgi/our-research/the-economic-potential-of-generative-ai
TechCrunch，《Lovable raises $15.5M to build AI-native app generation tool》：https://techcrunch.com/2024/03/07/lovable-raises-15-5m
AIMultiple，《30+ Low-Code/ No-Code Statistics in 2025》：https://research.aimultiple.com/low-code-statistics/
IBM Think Blog，《What is MetaGPT?》：https://www.ibm.com/think/topics/metagpt#:~:text=Within%20MetaGPT%E2%80%99s%20multiagent%20collaborative%20framework%2C,a%20single%20line%20of%20input
Tweaktown，《OpenAI's new ChatGPT instantly turns a napkin sketch into a website》：https://www.tweaktown.com/news/90725/openais-new-chatgpt-instantly-turns-napkin-sketch-into-website/index.html
MIT Sloan Management Review，《4 capabilities of a real-time business》：https://mitsloan.mit.edu/ideas-made-to-matter/4-capabilities-a-real-time-business#:~:text=A%20recent%20brief%20from%20the,compared%20with%20the%20bottom%20quartile
McKinsey，《How COOs maximize operational impact from gen AI and agentic AI》：https://www.mckinsey.com/business-functions/operations/our-insights/how-coos-maximize-operational-impact-from-gen-ai-and-agentic-ai
Hackett Group，《Smart Automation to Cut Costs by 30%》：https://www.thehackettgroup.com/insights/ai-cost-savings/
BCG，《AI & Decision Automation in Global Enterprises》：https://www.bcg.com/publications/2023/decision-intelligence-how-companies-create-value
Redstone Labs，《How AI Agents are Revolutionizing Businesses》：https://redstonelabs.ai/blog/how-ai-agents-are-revolutionizing-businesses
Hospitality Net，《10 Data-Backed Ways AI is Revolutionizing Hotels》：https://www.hospitalitynet.org/opinion/4119903.html
關于BV百度風投
BV百度風投是由百度集團在2017年發(fā)起設立的獨立風險投資機構(gòu)，專注于人工智能領域的布局和探索，是國內(nèi)最早深入該領域的早期風險投資機構(gòu)之一，覆蓋人工智能產(chǎn)業(yè)鏈、自動駕駛、醫(yī)療、生命科學、機器人、先進計算等細分方向。目前，BV百度風投旗下管理多支基金，在全球范圍內(nèi)已累計投資200余家企業(yè)。
未來，BV百度風投將不斷探索并陪伴新興科技共同成長，為創(chuàng)業(yè)者提供專業(yè)的技術支持和全球化的資源賦能，助力其技術不斷突破創(chuàng)新，實現(xiàn)長期的商業(yè)價值。歡迎私信后臺或通過郵箱與我們交流！郵箱地址：bp@baidu-venture.com
本文為專欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。
