“Data Agent：跨越概念鴻溝，錨定業(yè)務(wù)核心價值

站在大數(shù)據(jù)產(chǎn)業(yè)國家戰(zhàn)略落地10周年的關(guān)鍵節(jié)點，于上海舉辦的第八屆金猿大數(shù)據(jù)產(chǎn)業(yè)發(fā)展論壇——暨AI Infra & Data Agent趨勢論壇，復(fù)盤了產(chǎn)業(yè)10年成果，展望AI Infra與Data Agent未來趨勢，為行業(yè)新10年高質(zhì)量發(fā)展注入動力。

目前，人工智能與數(shù)據(jù)深度融合，正推動行業(yè)邁入 AI 原生應(yīng)用的全新階段。為此，論壇特別設(shè)立了兩場圓桌對話分別聚焦AI Infra和Data Agent，從基礎(chǔ)設(shè)施的“筑基”到上層應(yīng)用的“創(chuàng)值”，全方位剖析AI技術(shù)從底層架構(gòu)搭建到實際業(yè)務(wù)落地的全鏈路邏輯，探尋技術(shù)賦能產(chǎn)業(yè)發(fā)展的核心路徑與實踐方法。

其中，由云創(chuàng)數(shù)安創(chuàng)始人兼總經(jīng)理白云主持的第二場圓桌對話聚焦Data Agent，邀請到金賽藥業(yè)人工智能藥物研究院院長鮮翾、廈門大學附屬婦女兒童醫(yī)院CIO李振葉，思邁特軟件CTO楊禮顯，鼎捷數(shù)智AI研發(fā)中心總經(jīng)理、企業(yè)級AI戰(zhàn)略與解決方案專家劉暉，數(shù)據(jù)猿聯(lián)合創(chuàng)始人兼主編張艷飛組成豪華嘉賓陣容，深入探討Data Agent如何從前沿概念落地為驅(qū)動業(yè)務(wù)價值的核心系統(tǒng)，剖析其從對話式分析工具，升級為可自動執(zhí)行任務(wù)、創(chuàng)造實際價值的“實干型”智能體的路徑

從輔助分析到驅(qū)動價值

Data Agent的降本增效實踐與挑戰(zhàn)

Data Agent作為覆蓋數(shù)據(jù)調(diào)度、內(nèi)容生成與執(zhí)行聯(lián)動的數(shù)據(jù)任務(wù)型智能系統(tǒng)，其核心價值在于跳出輔助分析的局限，在企業(yè)運營中實現(xiàn)實實在在地降本增效與價值創(chuàng)造。

廈門大學附屬婦女兒童醫(yī)院CIO 李振葉

李振葉結(jié)合醫(yī)療行業(yè)實踐，分享了Data Agent在臨床場景中的落地成果與瓶頸。醫(yī)療行業(yè)環(huán)境復(fù)雜，Data Agent的出現(xiàn)讓臨床查詢、診斷決策從理念走向現(xiàn)實，有效實現(xiàn)了降本增效。

例如，在影像診斷場景中，傳統(tǒng)CT、核磁檢查會產(chǎn)生上千上萬張片子，醫(yī)生需憑借經(jīng)驗逐一排查，耗時費力且學習周期長，5年從業(yè)醫(yī)生也未必能獨立出具合格報告，核磁報告通常需3天以上才能交付患者。

而利用Data Agent可快速篩選出疑似病灶，醫(yī)生僅需對疑似案例復(fù)核確認，大幅縮短了報告出具時間，為心梗、腦梗等急癥患者爭取寶貴救治時間，同時減輕醫(yī)生工作負擔。此外，醫(yī)院已將報告解讀功能植入微信小程序，實現(xiàn)患者線上便捷查詢報告，提升就醫(yī)體驗。

李振葉也坦言，Data Agent目前在醫(yī)療領(lǐng)域難以規(guī)模推廣，面臨三重核心瓶頸：一是臨床信任鴻溝，醫(yī)療決策責任終身制，患者生命安全不可逆，試錯成本極高，醫(yī)生對新技術(shù)應(yīng)用極為謹慎。

二是跨部門協(xié)作障礙，Data Agent需以臨床業(yè)務(wù)為主導(dǎo)，聯(lián)動信息、臨床等多科室協(xié)同支持，單一部門推動難以落地。

三是數(shù)據(jù)質(zhì)量與標準化問題，患者健康檔案分散、記錄不完整，個體差異大，導(dǎo)致模型難以普遍適用。

因此，醫(yī)療場景推廣Data Agent必須立足臨床需求，筑牢數(shù)據(jù)質(zhì)量根基，強化跨部門協(xié)同。

鼎捷數(shù)智AI研發(fā)中心總經(jīng)理、企業(yè)級AI戰(zhàn)略與解決方案專家 劉暉

從企業(yè)服務(wù)視角，劉暉分享了Data Agent從輔助交互到深度參與業(yè)務(wù)執(zhí)行的轉(zhuǎn)型路徑。

以采購智能體為例，傳統(tǒng)企業(yè)生產(chǎn)線齊套性檢查需人工完成，采購人員每天要核對百余件零部件，聯(lián)系數(shù)十家供應(yīng)商催料，耗時數(shù)小時且易出錯。

引入采購智能體后，可自動檢查零部件齊套狀況、發(fā)送催料郵件，并生成回復(fù)鏈接；供應(yīng)商反饋后自動更新齊套信息，同步推進替代料調(diào)整、設(shè)計修訂等工作；采購人員僅需確認調(diào)整計劃即可，徹底改變了傳統(tǒng)表單加流程的工作模式，以數(shù)據(jù)驅(qū)動業(yè)務(wù)執(zhí)行效率提升。

劉暉強調(diào)，Data Agent落地需滿足兩個核心條件：一是扎實的數(shù)據(jù)基建，需對結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)構(gòu)建中間語義層，并微調(diào)模型，夯實基礎(chǔ)工作；二是破解實施難題，既要應(yīng)對客戶自建算力帶來的算力管理問題，也要化解資深員工因知識被匯聚而產(chǎn)生的抵觸情緒。其成功關(guān)鍵在于實現(xiàn)核心業(yè)務(wù)知識與技術(shù)的深度融合，形成適配企業(yè)需求的綜合解決方案。

張艷飛表示，當前Data Agent應(yīng)用呈現(xiàn)明顯的階段性特征，并非所有場景都能實現(xiàn)降本增效，部分場景甚至會增加綜合成本。

不少企業(yè)受AI趨勢驅(qū)動，由一把手推動全產(chǎn)品AI重構(gòu)，但研發(fā)團隊內(nèi)部抵觸情緒強烈，資深工程師認為新技術(shù)應(yīng)用會制造“技術(shù)屎山”，后續(xù)需投入大量精力整改，反而推高成本，降低效率。

這一現(xiàn)象背后，反映出組織力與人員層面的挑戰(zhàn)遠超技術(shù)本身，企業(yè)在推進Data Agent落地時，不僅要關(guān)注技術(shù)適配，更要重視組織協(xié)同與人員觀念轉(zhuǎn)變，才能真正釋放其價值。

三位嘉賓的分享勾勒出Data Agent從前沿概念走向價值落地的概貌——唯有立足業(yè)務(wù)需求、筑牢數(shù)據(jù)根基、破解組織與技術(shù)難題，才能讓Data Agent真正從輔助分析工具，升級為驅(qū)動業(yè)務(wù)價值的核心系統(tǒng)。

從“對話分析”到“主動干活”

Data Agent的業(yè)務(wù)執(zhí)行落地路徑

聚焦于Data Agent的核心升級方向，主持人白云提出了一個關(guān)鍵問題：“如何讓Data Agent精準好用，真正融入業(yè)務(wù)流程？尤其在醫(yī)藥等數(shù)據(jù)密集型領(lǐng)域，如何讓Data Agent從對話式分析工具，升級為自動執(zhí)行任務(wù)、驅(qū)動業(yè)務(wù)流程的‘行動者’，解決傳統(tǒng)工具‘不能自己干活’的痛點？”

金賽藥業(yè)人工智能藥物研究院院長 鮮翾

針對這一問題，鮮翾表示，推動Data Agent從分析走向執(zhí)行，核心是立足業(yè)務(wù)本質(zhì)，而非單純堆砌技術(shù)。與傳統(tǒng)數(shù)字化聚焦“將業(yè)務(wù)行為搬至線上”不同，AI時代的Data Agent可處理多模態(tài)文檔、語音、視頻等內(nèi)容，實現(xiàn)“所見即所得”，無需依賴復(fù)雜軟件系統(tǒng)轉(zhuǎn)化。

落地關(guān)鍵在于先明確場景的業(yè)務(wù)合理性，將技術(shù)投入與解決的業(yè)務(wù)問題強掛鉤，避免脫離需求的盲目投入。

在數(shù)據(jù)管控與邊界界定上，她強調(diào)兩點核心：一是筑牢安全與驗證底線，信息安全是不可突破的邊界，同時需為每個應(yīng)用場景建立基準值（benchmark），如同大模型測評般，明確Data Agent的性能達標標準，確保其輸出精準可控。

二是聚焦核心數(shù)據(jù)價值，無需過度糾結(jié)通用算法，在公開數(shù)據(jù)與成熟算法已能滿足基礎(chǔ)需求的場景，重點投入自身獨特數(shù)據(jù)，針對性提升業(yè)務(wù)指標，實現(xiàn)從基礎(chǔ)水平到優(yōu)質(zhì)水平的突破。

跨團隊協(xié)同也是落地的重要支撐。鮮翾認為，IT部門應(yīng)搭建技術(shù)底座，業(yè)務(wù)團隊主導(dǎo)新場景設(shè)計，雙方共創(chuàng)驗證標準，才能激活生產(chǎn)力。畢竟業(yè)務(wù)流程掌握在業(yè)務(wù)人員手中，讓其自主通過智能體落地業(yè)務(wù)理念，遠勝于不懂業(yè)務(wù)的數(shù)字化人員主導(dǎo)項目。評價Data Agent價值，最終要回歸業(yè)務(wù)，看其實際創(chuàng)造的價值、日活月活等核心指標。

她同時指出行業(yè)現(xiàn)存痛點：醫(yī)療大數(shù)據(jù)多是“數(shù)據(jù)大”而非“大數(shù)據(jù)”，分散且缺乏標準化，難以形成有效資源；國內(nèi)互聯(lián)網(wǎng)領(lǐng)域普遍缺乏數(shù)據(jù)與統(tǒng)計思維，復(fù)合型人才短缺。

對此，企業(yè)更需聚焦核心業(yè)務(wù)需求，優(yōu)先選擇成熟、開箱即用的解決方案，借助專業(yè)廠商的標準化能力落地，避免內(nèi)部盲目試錯。

而在醫(yī)學等嚴謹領(lǐng)域，AI執(zhí)行后必須保留專家把關(guān)環(huán)節(jié)，將專家反饋回補至業(yè)務(wù)鏈條，實現(xiàn)人機協(xié)同優(yōu)化。

融合與邊界

Data Agent的數(shù)據(jù)注入與可控落地

企業(yè)如何將現(xiàn)有數(shù)據(jù)資產(chǎn)與行業(yè)知識“注入”Data Agent驅(qū)動業(yè)務(wù)，同時又確保其行動邊界可控呢？

思邁特軟件CTO 楊禮顯

楊禮顯表示，Data Agent的核心價值是實現(xiàn)從分析到行動的跨越，即從傳統(tǒng)BI的描述、診斷、預(yù)測性分析，升級為指示性分析——告訴業(yè)務(wù)下一步該做什么，并自動完成。

但從實際落地來看，這一目標短期內(nèi)仍難實現(xiàn)。2023年大模型興起后，相關(guān)產(chǎn)品多停留在自然語言轉(zhuǎn)查詢語句、可視化呈現(xiàn)結(jié)果等層面，2025年雖已有廣泛應(yīng)用且結(jié)果可驗證，但要讓分析結(jié)果直接指導(dǎo)自動化行動，仍只是一個美好的愿景。

核心癥結(jié)在于對Data Agent輸出結(jié)果的評價呈兩極分化：受達克效應(yīng)（“認知局限”導(dǎo)致的自我評估偏差）影響，非專業(yè)人士會因報告詳盡直觀而認可其價值；但受心理學和認知科學中的一個經(jīng)典現(xiàn)象——知識的詛咒影響，專業(yè)人士會發(fā)現(xiàn)其泛化能力不足，難以匹配預(yù)期，尤其面對語序顛倒、含言外之意的自然語言查詢時，表現(xiàn)得更不盡如人意。

此外，當前缺乏統(tǒng)一的評價機制，如同自動駕駛有L1至L5的分級標準，Data Agent的輸出質(zhì)量卻無明確衡量依據(jù)，這也制約了其規(guī)模化應(yīng)用。

在邊界管控與落地應(yīng)用上，楊禮顯認為，當前Data Agent僅相當于自動駕駛L2級別，核心責任主體仍需是人?？砂礃I(yè)務(wù)風險劃分應(yīng)用邊界：低風險場景如自動發(fā)通知、郵件，可放心交由其執(zhí)行；高風險場景如自動下單、調(diào)整售價，必須由人做最終決策，確保責任可控。

而要讓Agent輸出可用結(jié)果，需提前投入大量人力物力，圍繞通用專家經(jīng)驗、個人偏好、歷史記憶，搭建體系化的數(shù)據(jù)與知識底座。

另外，現(xiàn)有Data Agent多為通用平臺，落地需采用前置部署模式，讓廠商技術(shù)專家深入客戶現(xiàn)場，結(jié)合具體業(yè)務(wù)與領(lǐng)域知識，共同構(gòu)建適配場景的專屬應(yīng)用。單一優(yōu)化場景、經(jīng)過精細數(shù)據(jù)處理后，Agent表現(xiàn)優(yōu)異，但面對復(fù)雜跨部門場景、數(shù)據(jù)質(zhì)量不佳的情況，輸出結(jié)果便難以達標，這也是其大規(guī)模推廣的核心阻礙。

瓶頸與破局

Data Agent規(guī)模化落地的思考

承接前文，白云將話題引向Data Agent規(guī)?；涞氐暮诵钠款i，提出除了專業(yè)度不足、場景復(fù)雜度高外，企業(yè)組織文化、架構(gòu)、管理層重視程度、成本運營等因素，是否也是阻礙其大規(guī)模推廣的關(guān)鍵？當前最大瓶頸究竟是技術(shù)、成本，還是組織信任與選型能力？

李振葉結(jié)合醫(yī)療場景，強調(diào)組織信任與試錯成本是核心阻礙。醫(yī)療決策責任終身制，患者生命安全不可逆，試錯成本極高，一次漏診或誤判就可能釀成重大醫(yī)療事故，這使得醫(yī)生對Data Agent技術(shù)應(yīng)用極為謹慎，形成難以跨越的臨床信任鴻溝。

醫(yī)療行業(yè)的特殊性決定了Data Agent僅能作為輔助工具，無法替代醫(yī)生經(jīng)驗判斷，當前政策也不允許AI直接撰寫病歷，只能提供參考，這進一步限定了其應(yīng)用邊界，也反映出組織信任與行業(yè)規(guī)范對規(guī)模化落地的制約。

同時，跨部門協(xié)同不足也制約推廣，若Data Agent僅服務(wù)于單一部門，缺乏臨床、信息等多科室協(xié)同，且不由業(yè)務(wù)部門主導(dǎo)驅(qū)動，即便技術(shù)成熟也難以落地。

此外，數(shù)據(jù)質(zhì)量問題加劇落地難度，患者健康檔案分散、記錄不完整，加之年齡、體重等個體差異，導(dǎo)致模型無法通用，進一步降低了臨床對技術(shù)的信任度。

鮮翾認為，國內(nèi)普遍缺乏數(shù)據(jù)與統(tǒng)計思維，互聯(lián)網(wǎng)產(chǎn)品經(jīng)理重功能體驗、輕數(shù)據(jù)流設(shè)計，算法、數(shù)據(jù)、開發(fā)團隊能力脫節(jié)，復(fù)合型人才短缺成為技術(shù)落地的隱形瓶頸。

同時，醫(yī)療領(lǐng)域缺乏標準化、連續(xù)性數(shù)據(jù)，需大量資金投入與規(guī)范建設(shè)才能轉(zhuǎn)化為可用資源，過高的前期成本讓企業(yè)望而卻步。企業(yè)更傾向于等待成熟的開箱即用解決方案，而非盲目內(nèi)部試錯，這也反映出企業(yè)選型能力與成本控制的雙重考量。

楊禮顯則聚焦技術(shù)基礎(chǔ)與成本投入，認為數(shù)據(jù)基建不完善是核心技術(shù)瓶頸。結(jié)構(gòu)化數(shù)據(jù)需人工加工、指標化標準化，非結(jié)構(gòu)化的專家經(jīng)驗需轉(zhuǎn)化為知識圖譜，個人偏好與歷史對話需構(gòu)建長期記憶，這些工作都需投入大量人力物力，且短期內(nèi)無法替代。

當前缺乏統(tǒng)一的Data Agent評價機制，導(dǎo)致企業(yè)對技術(shù)效果難以判斷，進而影響選型與推廣信心。同時，公開數(shù)據(jù)難以支撐行業(yè)專業(yè)需求，私有化數(shù)據(jù)需通過繁瑣流程導(dǎo)入模型，進一步推高了技術(shù)落地成本。

劉暉談及技術(shù)、成本與組織信任的疊加困境。數(shù)據(jù)基建是技術(shù)落地的前提，而客戶自建算力保障數(shù)據(jù)安全的需求，又帶來算力管理的額外成本與技術(shù)難題。唯有實現(xiàn)業(yè)務(wù)知識與技術(shù)的深度協(xié)同，才能突破瓶頸，其中業(yè)務(wù)主導(dǎo)是核心。

數(shù)據(jù)猿聯(lián)合創(chuàng)始人兼主編 張艷飛

張艷飛從行業(yè)觀察角度，總結(jié)了三大隱性瓶頸：一是對使用者能力要求提升，醫(yī)生等專業(yè)人員需具備更強的AI駕馭能力，無法跳過專業(yè)訓(xùn)練直接應(yīng)用，反而加重了人力成本與學習負擔。

二是技術(shù)迭代過快帶來適配壓力，大模型基座快速更新導(dǎo)致業(yè)務(wù)應(yīng)用需反復(fù)適配，消耗大量研發(fā)資源，拖累落地進度。

三是安全信任問題突出，醫(yī)療等敏感領(lǐng)域客戶對數(shù)據(jù)安全高度警惕，加劇了Data Agent的推廣難度。

總結(jié)來看，目前制約Data Agent規(guī)模化落地并非單一因素導(dǎo)致，而是技術(shù)瓶頸（數(shù)據(jù)基建、評價體系缺失）、成本壓力（人力、算力、數(shù)據(jù)治理投入）、組織信任（員工抵觸、安全顧慮）與選型能力（對成熟方案的依賴）多重因素疊加的結(jié)果，需多維度協(xié)同突破才能推進。

Data Agent的應(yīng)用呈現(xiàn)鮮明的一體兩面性。若能與企業(yè)現(xiàn)有業(yè)務(wù)流程深度融合、精準適配場景，便能成為提質(zhì)增效的利器，為業(yè)務(wù)發(fā)展注入新動能。

反之，若應(yīng)用前未吃透自身業(yè)務(wù)邏輯，未合理規(guī)劃落地進程，不僅難以發(fā)揮價值，還可能增加運營成本，甚至引發(fā)數(shù)據(jù)安全與泄露風險。

企業(yè)推進Data Agent落地，需統(tǒng)籌考量企業(yè)文化、組織架構(gòu)、技術(shù)適配、業(yè)務(wù)需求及人才培養(yǎng)等多維度因素，理性布局。