在 Gartner 的预测中，到 2028 年，15%的工作决策将由 AI agent 完成，而数据智能体 Data Agent 正是这一浪潮中很具落地价值的代表。Data Agent 作为新一代数据智能体，也正在深刻改变企业数据应用的方式。
基于字节跳动的海量业务实战经验，火山引擎推出新一代企业级 AI 数字专家 Data Agent， 它不仅突破了传统 BI 的局限，从"描述现象"升级为"诊断问题+生成策略"，还能进一步帮助企业实现跨系统数据整合、复杂决策支持以及数据价值的深度挖掘。
上期我们集中探讨了 Data Agent 的基本概念及技术实现，本期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？
📍......
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：目前 Data Agent 的核心客群都有什么样的特征呢？
Asty： 在当今商业环境中，无论是大型企业还是中小型企业，都普遍存在着对数据专家或数据应用的需求。
这种需求的差异性主要体现在规模上，大型企业 由于数据量庞大，更注重数据的整合与多元分析，用来提升管理者的决策效率；而中小企业则更关注如何以较低成本实现快速成长。尽管企业规模不同，但它们在数据使用方面仍呈现出一些共性特征。
首先，大多数企业都拥有丰富的数据资产。 这些数据通常由结构化数据和非结构化数据共同构成。非结构化数据包括音频、视频、PDF 文档和图片等形式，而结构化数据则是更为常见的数据库信息。
具体来说，企业的数据资产可能涵盖销售数据、用户数据、市场调研数据以及内部宣传资料等。然而，这些宝贵的数据往往分散在不同的业务系统或部门之间，形成数据孤岛。这时，数据专家就能发挥重要作用，帮助企业实现跨部门、跨系统的数据整合。
对于大型企业而言，高层决策往往需要综合考虑多方面因素。以新产品研发为例，决策者既要分析用户需求，又要评估市场竞争格局，同时还要测算成本收益。对于快消品行业，还需要考量库存管理和产品生命周期等复杂因素。
面对如此多维度的数据需求，决策过程既要保证速度又要确保质量，这就要求数据能够快速准确地转化为决策依据。在这种情况下，数据专家可以帮助企业梳理复杂问题，对海量数据进行系统化归类，从而提供全面的决策支持。
这不仅解决了跨部门数据处理的时效性问题，也显著提升了企业对市场变化的响应速度。
最后，越来越多的企业开始重视数据价值的深度挖掘。虽然许多企业已经积累了相当规模的数据资产，但往往未能充分发掘其潜在价值。 如今，借助人工智能和大模型技术，数据专家能够在成本可控的前提下，帮助企业提升数据变现效率。
Q：根据早期客户的反馈，企业对 Data Agent 的长期规划需求，会集中在哪些场景呢？
Mario： 当从数据分析角度来看，客户在业务全链路中产生了多样化的需求。在战略层面，企业需要开展业务战略分析，同时收集市场环境数据和行业洞察。
市场营销端则涉及市场研究和消费者洞察等需求，而产品定位方面则包括竞品情报分析、用户声音和需求收集等重要环节。
特别是在价值链的后端环节，销售转化和营销效果分析很重要。其实企业特别关注转化漏斗每个步骤的归因分析，这对精细化运营和精准营销至关重要。服务端同样呈现出旺盛的需求。
举一个汽车行业的例子，APP 端和数字触点端的智能助手应用正在快速普及。 许多合作过的汽车客户都在通过智能体技术重塑前端用户体验，这已成为行业内的显著趋势。此外，企业内部经营分析，包括财务数据和企业经营分析等方面，也展现出明确的赋能需求。
以一家外资车企的具体实践为例，他们在 APP 端开发智能助手应用时，与咨询团队进行了深度合作规划。这些智能助手不仅提供用车、购车和社区相关的知识服务，还拓展到效率辅助场景，旨在增强车企与用户的互动频率和深度。值得注意的是，汽车行业具有独特的触点优势------车辆本身就是一个重要触点。如何实现 APP 与车载系统间的体验统一成为关键。
理想状态下，用户无论在车内还是手机端，都能与同一个拟人化机器人交互，这个机器人需要完美体现品牌价值观，并围绕用车场景拓展更多服务场景。这种体验的深度和广度延伸，正成为头部车企重点关注的创新方向。
Asty： 我也补充几个具体的案例，首先是在内容营销领域，内容种草效率对用户的购买决策有着显著影响，因此品牌方始终在探索如何通过优质内容实现定向营销。我们通过实际案例发现，借助 Data Agent，能够有效提升海量非结构化数据的分析效率。
由于不同平台的内容形式各异，比如抖音以短视频为主，小红书则以图文见长，传统的人工处理或规则引擎方式已难以应对。
而通过大模型驱动的 Data Agent，现在可以自动完成优质内容识别、用户情感分析以及内容标签化沉淀等关键任务。
除了内容分析外，广告投放的精准度同样至关重要。 品牌需要将广告预算集中在更优质的内容上，为此我们结合了火山引擎的广告投放算法，帮助客户提升内容投放的 ROI。
例如，在某头部主机厂合作项目中，通过从数据处理到内容定向加热的全链路优化，客户的千次曝光成本（CPM）降低了 50%。 这部分节省的成本可以转而投入数据基础设施建设，形成了可量化的真实收益。
Q：目前你们增长咨询团队接触的企业客户里面，对 Data Agent 目前的一些核心评价是什么？
Asty： 客户对我们的反馈主要集中在三个方面，首先是 Data Agent 的深度研究能力。 它能够高效处理海量数据，包括客户自有数据的整合分析，相比传统人力或代理机构，显著提升了时效性。
还有就是自动化能力的价值。 传统的内容筛选、投放和后链路评估往往需要业务团队、IT 团队和数据团队的跨部门协作，而我们正在迭代的自动化解决方案能够根据用户反馈、营销效果和广告投放数据，自动分析并生成优化策略，甚至提供关键投放时机的智能提醒，大幅减少了人工干预的环节。
最后客户对准确率的要求始终是比较核心的关注点。 目前我们的数据处理效率和自动化营销策略生成能力已达到行业较高水平，其中数据提取准确率稳定在 90%以上，这一指标在行业内其实已经具备较为领先的优势。
Q：目前，在你们和企业客户沟通和合作过程中，有没有遇到过一些比较棘手的落地挑战？
Mario： 在 Data Agent 的实际应用过程中，我们其实发现客户普遍存在一些关键性疑问和落地的挑战。最开始就是数据分析场景中的严谨性问题， 特别是在数据字段筛选和逻辑规则定义方面。
以利润分析为例，客户需要明确区分净利润和毛利的计算方式，当用户提出"查看最近利润表现"这样的需求时，"最近"的时间范围界定、利润的具体定义标准都需要结合具体业务场景进行个性化设置。这种复杂性对使用者的专业素养提出了比较高的要求。
还有在营销助手应用方面，客户更关注策略输出的可执行性。 他们期待智能体生成的营销策略能够与企业实际可触达的资源、可操作的执行形式相匹配，从而形成真正可落地的个性化方案。
许多客户反馈，虽然智能体能够提供优质的洞察和策略建议，但在具体执行层面仍面临诸多现实约束，如何将这些实操性因素纳入智能体的考量范围是需要解决的重要问题。
数据治理层面的挑战也比较突出。 企业内部的庞大数据资产往往呈现多模态、非结构化的特征，而智能体效能的充分发挥依赖于完善的知识运营体系------包括知识的收集、清洗、处理、入库和召回等全流程。
但目前大多数客户尚未建立起体系化的数据管理能力，他们期望通过与我们的合作逐步构建这方面的专业能力。
Asty： 在与客户的深入交流中，我们还发现数据质量问题其实也最基础的障碍。 许多企业存在数据孤岛现象，跨部门的数据标准和格式不统一，这种源数据治理的缺失不仅是影响智能体准确率的瓶颈，更是企业推进数字化转型的首要难关。
当数据质量达到一定标准后，客户关注的焦点开始转向智能体的专业化程度。 我们将通用大模型比作高中毕业生，而经过行业知识灌输和企业内部数据增强后的专业模型则相当于特定领域的专业人才。这种专业化转型需要持续的知识训练，才能确保输出结果真正契合业务需求。
在实际演示过程中，智能体的推理效率也成为客户关注的敏感点。 具有深度思考能力的智能体需要进行数据检索、分析思考、报告生成等系列操作，这个过程可能需要数分钟时间，而某些行业场景对响应时效的要求达到毫秒级，这种需求差异也构成了实际应用中的一些难点。
Q：那你们觉得 AI agent 的实际应用的边界在哪里？ 或者说，企业级的 Data Agent，它现在已经能实现到什么程度了？
Asty： Data Agent 与传统数据处理方式相比，我觉得目前最显著的优势在于其处理多模态非结构化数据的能力。
Data Agent 与 BI 工具的关系和区别，可以这样理解：传统 BI 工具主要聚焦于报表呈现、描述性分析和事实叙述，而 Data Agent 在此基础上更进一步，能够根据业务目标生成具体策略和结论性建议。
这种差异在零售企业的销售场景中体现得尤为明显------传统 BI 只能展示各区域销售数据和目标差距，而 Data Agent 不仅能呈现数据，还能分析差距成因，并给出优化区域促销策略的具体建议，真正实现从数据分析到策略执行的闭环。
对于企业高层管理者而言，Data Agent 在战略落地方面也展现出了一些独特价值。 企业普遍面临的挑战是，高层制定的战略目标在层层分解到一线执行时往往出现偏差。Data Agent 通过建立从战略到执行的数字化链路，可以有效解决这个问题。
例如，当 CEO 在数据看板中发现异常时，可以直接通过系统 @相关责任人，将问题转化为专项任务进行跟进。这种机制结合了任务提醒和消息触达功能，通过与企业内部 IM 系统的集成，实现了从问题发现到任务执行的全流程闭环，显著提升了跨部门协同效率。
我认为 Data Agent 的定位正在从"数字员工"向"智能伙伴"演进。 它不仅能够替代人工完成机械化操作，更展现出主动思考和建议优化的能力。
从发展阶段来看，传统 BI 工具停留在数据呈现层面，而 Data Agent 已经进阶到建议式决策的第三层级，在数据分析基础上提供决策支持。
这种进阶能力使得 Data Agent 能够通过多智能体联动，实现营销流程的自动化串联，这种能力是建立在原有数据产品底座之上的创新突破。
Q：很多外部企业过往已经使用过一些数据产品了，继续部署 Data Agent 成本会很高吗？
Asty： 在帮助客户部署数据智能解决方案时，我们会协助客户完成数据准备工作。这包括接入外部数据和公域数据，同时对客户原有的源数据进行必要的清洗、加工和转换，确保数据质量达到分析要求。
在模型对接方面，由于我们的模型部署在公有云上，因此需要与客户的云环境进行适配。如果客户使用的是私有模型，我们的 Agent 也需要与其进行对接，确保模型间的协同运作。
以及基础设施的资源配置也是关键环节。这包括 CPU、GPU 等算力资源的调配，以及内存、存储系统的优化设置，确保整个系统具备足够的计算能力来支撑数据处理和分析任务。
基于以上环节，整体费用主要分为三部分： 首先是基础设施的硬件成本，包括算力和存储资源的投入；其次是数据准备阶段可能涉及的人力成本，例如数据采集、清洗以及外部数据采购等，我们会有专业团队提供支持；
最后是产品费用，如果客户已经拥有 BI、CDP 或 MA 等工具，可能需要额外购买火山的相关产品模块。但如果客户全部采用火山的数据产品体系，则只需增购 Data Agent 模块即可复用现有能力，从而大幅降低成本。
Q：你们怎么看智能体未来在企业中的应用的场景？
Mario： 我觉得当前智能体技术确实处于市场关注的热点，各类自媒体和行业达人都在热议 "万物皆可智能体" 的概念。
但随着技术边界和能力范围的逐步清晰，智能体的应用终将回归理性，聚焦到那些真正具有商业价值、能够规模化推广的垂直场景。
在与客户沟通时，我们会着重引导他们思考：哪些场景真正适合引入智能体技术？ 这需要综合考虑任务的复杂程度、商业价值、技术可行性，以及纠偏成本等因素。通过这样的专业评估，既能帮助客户锁定高价值场景，也能避免不必要的资源浪费。
值得注意的是，智能体技术的发展正在反向推动企业数据能力的建设。 我们之所以提出"Data Agent"这个概念，正是因为数据质量是智能体发挥价值的重要前提。
可以预见，随着智能体技术的深入应用，企业将不得不加强数据基础能力的建设。需要明确的是，AI 智能体并非万能解药，而更像是一个价值放大器， 它能放大企业的数据价值、业务能力和管理效率，但这一切都建立在扎实的数据基础和精准的场景选择之上。
Asty： 我从产品演进的角度聊一下，我认为未来的智能体将如同数据神经网络中的神经元，能够将数据、知识、决策和执行等环节有机串联。 人类可以专注于更具创造性的工作，而将基础性的执行任务交给智能体完成。
同时，系统将支持多模态分析工具的接入， 比如集成特定领域领先的语音识别或图像分析技术。此外，我们还在持续完善决策评估、模型幻觉检测等自我迭代机制，形成从数据处理到业务串联再到模型优化的完整闭环。
这种演进最终将形成 Mario 刚提到的 Multi-agent 架构体系，不同智能体之间就像人才市场上的专业人士，通过"交换名片"建立合作关系，在工具链深度整合的基础上实现协同作业。