ChatGPT Data Agent 可以连接企业数据、调查业务问题并生成交互式仪表盘。企业采用的关键门槛是每个重要数字能否被追溯和复算，而非图表是否足够流畅。本文提出一份可验证分析合同，把业务问题、数据源、查询、结果、图表、刷新和批准动作连成完整证据链。
阅读时间：约 8 分钟 · 约 2800 字
TL;DR
- 数据血缘负责引导证据，独立检查负责建立可信度。
- 把单条分析主张作为验证单元，从指标定义与数据快照一直追踪到查询、结果和图表。
- 确定性工具承担计算与检查，Agent 承担探索、解释和异常发现。
- 数据新鲜度、血缘、语义或验证不完整时，结论可信度应同步降级。
- 仪表盘发布与外部动作分别设置批准门禁。
OpenAI 已经明确了什么
OpenAI 于 2026 年 9 月 10 日发布 ChatGPT Work Data Agent。官方列出的批准数据源包括 Amazon Redshift、Google BigQuery、ClickHouse、Databricks、MongoDB 与 Snowflake，也支持从 Google Drive 和 SharePoint 获取文件与文档。
产品可以使用企业术语、指标定义、自定义计算、数据关系、语义层与既有 BI 上下文。它能生成可编辑、分享和刷新的交互式仪表盘，也可以在 Omni、Oracle BI、Power BI、Sigma、Tableau 与 ThoughtSpot 中构建或操作仪表盘。
权限边界同样明确：管理员决定哪些连接可用、哪些角色可以使用；查询沿用连接账户已有的表、行、列权限；用户可以检查每项发现背后的证据；通过连接工具执行动作时需要批准。
这些信息构成了可信的产品基线。公开页面没有明确承诺每次都展示完整 SQL、查询计划、记录级血缘、不可变快照或逐图表确定性重放。下文的分析合同是一套采购与建设验收框架，不代表 OpenAI 已经提供全部对应功能。
血缘负责引路，验证负责定级
数据血缘回答数据来自哪里、经过哪些转换。它可以定位上游表、转换逻辑、语义定义与仪表盘依赖，适合影响分析和错误定位。
判断正确性还需要继续追问：
- Agent 是否选择了正确的业务指标。
- 数据新鲜度是否满足本次决策。
- 多对多 Join 是否放大了收入。
- 空值、退款、时区和未登录用户是否按口径处理。
- 独立查询或可信报表能否得到相同的关键结果。
- 图表是否保留了结果集的真实含义。
这就是可追溯与已验证的区别。通往错误查询的完整路径，只能完整解释错误来自哪里。沿路径重放并检查结果，才能建立信任。
把单条分析主张作为验证单元
每条重要结论都应成为一个小型可复核工件。例如本周净收入下降 8.2%，可以附带一份 Answer Receipt：
question: 本周净收入为什么下降
claim: 净收入下降 8.2%，主要来自复购用户
metric_definition: net_revenue@v12
source_snapshot: warehouse://revenue_agg/2026-09-10T00:00:00Z
semantic_layer: finance_metrics@2026-09-09
query_hash: sha256:7d5...
result_artifact: notebook://analysis/turn-184/result-3
checks:
freshness: pass
join_cardinality: pass
null_rate: warning
independent_recalculation: pass
evidence_level: 3
dashboard: powerbi://workspace/report/page
approved_action: null
具体 Schema 可以调整，记录至少要回答七个问题：
- 业务问题是什么。
- 使用了哪个指标定义和语义版本。
- 数据来自哪个来源与时间快照。
- 哪条查询或转换生成了结果。
- 哪些检查通过、警告或失败。
- 哪张图表和哪次刷新展示结果。
- 谁批准发布或进一步行动。
用五级证据梯限制结论强度
结论强度应跟随证据强度：
| 等级 | 证据 | 可以表达的结论 |
|---|---|---|
| 1. 发现 | 找到候选表或文档 | 存在值得检查的数据源 |
| 2. 可重放 | 保存查询、Notebook 或转换 | 相同输入可以复现结果 |
| 3. 已检查 | 新鲜度、空值、Join、范围与不变量检查通过 | 结果满足预设技术规则 |
| 4. 已确认 | 独立查询、可信报表或领域负责人确认 | 关键结果具有独立验证路径 |
| 5. 已受控 | 版本化仪表盘或批准动作记录该结论 | 结果已经进入受治理业务流程 |
血缘通常支持前两级，后三级还需要质量检查、独立确认和发布控制。指标定义冲突、表已过期或血缘存在缺口时，Agent 应降低证据等级并说明原因。
自然语言的流畅度不能掩盖证据不足。一个可靠回答可以明确说明：当前领先假设来自可重放查询，独立确认仍在进行。
把确定性计算与 Agent 判断分开
Agent 适合选择调查路径、提出解释、寻找异常和决定下一步问题。确定性系统更适合算术、Schema 检查、不变量、结果比较与重复执行。
稳健流程可以这样组织：
业务问题
-> Agent 选择来源并提出分析计划
-> 查询引擎执行已保存转换
-> 校验器检查新鲜度、Join、空值、范围和总量
-> Agent 解释已检查结果并声明假设
-> 独立路径确认关键结论
-> 仪表盘发布器记录批准版本
这套分工保留了探索灵活性，也让正确性拥有可执行判据。
OpenAI 内部系统给出的构件
OpenAI 在 2026 年 1 月发布的工程文章 Inside OpenAI's in-house data agent 描述了六层上下文：Schema 与表使用、人工注释、Codex 代码上下文、机构知识、Memory 和实时运行上下文。
内部系统使用表级上下游血缘、历史查询、源代码、更新频率、业务注意事项和实时仓库检查。它还用人工编写的 Golden SQL 及其结果评测生成查询，同时比较 SQL 与实际数据，而非只比较文本。回答会链接到底层结果，用户可以复核。
这是一份可信的架构模式证据。该文章发布时明确称系统为 internal-only。后续公开 Data Agent 建立在 OpenAI 内部所用能力基础上，两者的逐项功能仍需分别核验。
每次刷新都要重新验证
仪表盘是一组会重复执行的分析主张。每次刷新都可能改变源数据、语义模型、查询引擎、权限与生成转换。
每次刷新至少记录：
- 数据源新鲜度与快照时间。
- 语义层和指标定义版本。
- 查询或转换 Hash。
- 行数、空值率、Join 基数和关键不变量。
- 与上一个已接受结果的重大差异。
- 生成本次视图时使用的权限上下文。
- 接受发布的人工审核或自动门禁。
告警应关注异常变化，而不仅是任务是否报错。刷新任务成功完成、结果却只剩预期行数的一半，仍然属于业务失败。
图表语义与渲染检查是另一层问题。站内的 Flint 可验证图表合同覆盖语义映射、不变量和渲染结果。本文的分析合同从更早的数据源与指标定义开始，一直延伸到刷新和批准动作。
在洞察与行动之间设置批准门禁
Data Agent 公告称，发现可以通过 Slack 或邮件分享，通过连接工具执行动作时需要用户批准。这里存在一条关键边界。
分析可以保持探索性，外部动作会改变真实业务状态。每次动作需要单独回执，包含所依据的结论 ID、当前证据等级、目标对象、拟议变更、请求人、批准人和写后重读结果。
既有权限只能证明某个身份有权访问数据或执行动作，无法证明 Agent 选中了正确指标、客户、活动或金额。站内 Admin Plugin 控制面分析中的结论同样适用：授权与正确性需要两套证据。
上线前的验收测试
冻结一组有代表性的业务问题，同时纳入已知失败案例。至少测量：
- 数据源选择正确率。
- 与独立计算的结果一致率。
- 血缘与 Answer Receipt 完整率。
- 过期数据和错误 Join 检出率。
- 证据不足时的置信度校准。
- 仪表盘刷新回归率。
- 权限拒绝准确率。
- 人工复核时间与单个合格结论成本。
测试集还应包含相似表名、指标定义变化、多对多 Join、迟到数据、权限撤销、连接器部分失败，以及历史结果本身有误的仪表盘。
FAQ
ChatGPT Data Agent 是否提供数据血缘
OpenAI 产品页说明它会使用数据关系、语义层和可信上下文；内部系统明确使用表级血缘。公开产品页面没有说明是否为每条结果提供完整血缘界面或机器可读的列级溯源。
用户能否查看每个回答背后的 SQL
产品页说明用户可以查看发现背后的证据，没有承诺每个连接器和仪表盘都展示完整 SQL、查询计划和参数。这属于部署前需要单独验证的产品能力。
为什么有血缘仍不能证明答案正确
血缘负责定位来源与转换。正确性还取决于指标语义、数据新鲜度、Join、Filter、空值处理、计算、统计解释和图表表达。
怎样验证 AI 生成的仪表盘
保存数据快照、指标与语义版本、查询 Hash、结果工件、检查结果、权限上下文和刷新记录。关键数字进入受控发布前，再通过独立计算复核。
先建立回执，再扩大 Agent 使用范围
ChatGPT Data Agent 降低了从业务问题到可用分析的摩擦。规模化的前提是证据接口。每条结论拥有可重放回执后，可信度才能随可观察事实升降，错误可以定位，仪表盘也能在保留历史的前提下持续变化。
下一步：选取 10 个重复业务问题，先定义 Answer Receipt，再扩大访问范围。让现有分析师流程与 Data Agent 处理同一组问题，比较合格结论、复核时间、刷新稳定性和证据完整度。
参考资料
- OpenAI：Now everyone can put data to work，2026-09-10。
- OpenAI：Inside OpenAI's in-house data agent，2026-01-29。