过去十年，企业在数据平台上投入了大量资源，却始终绕不开一个尴尬现实：报表越做越多，真正用数据做决策的人却没有明显变多。BI 工具的学习成本、指标口径的反复确认、取数需求的排队等待，把大量业务人员挡在数据门外。大模型能力的成熟，正在让这一局面出现转机——用自然语言直接向数据提问，成为越来越多企业尝试的新入口。

一、从 Text2SQL 到数据智能体

早期的自然语言查询主要依赖 Text2SQL，把一句话翻译成一条 SQL 语句。但真实业务问题往往涉及多表关联、复杂口径和时间窗口，单条 SQL 很难覆盖，模型也容易在庞杂的表结构中产生幻觉。近一年兴起的数据智能体（Data Agent）思路有所不同：它不再执着于一次性生成 SQL，而是把任务拆解为检索元数据、确认指标口径、规划查询步骤、执行并校验结果等多个环节，信息不足时还会主动向用户追问。

支撑这一流程的关键是语义层。企业把指标定义、维度、计算逻辑和业务别名统一沉淀到语义层中，模型只负责理解意图和编排工具调用，不再凭空猜测字段含义，回答的稳定性因此明显改善。

二、落地仍有三道坎

  • 准确性。自然语言天然存在歧义，“上个月”是新客还是活跃、含不含退货，都要靠语义层兜底。多数团队会引入评测集，用固定问题集持续回归，而不是只看演示效果。
  • 权限与安全。智能体可以绕过多层菜单直接访问数据，行级、列级权限必须在查询链路中统一拦截，否则越权风险会被放大。
  • 可信与可解释。业务人员需要看到口径来源、取数逻辑和明细追溯路径，否则很难把结果写进正式汇报。

三、对数据栈提出反向要求

数据智能体不是孤立产品，它把压力传回了底座。元数据要足够完整，血缘要足够清晰，指标要尽量收敛到唯一口径，数据质量要能实时暴露。换言之，过去被视为“锦上添花”的治理工作，如今直接决定了智能体能不能用。这也解释了为什么不少企业先补指标中台和元数据管理，再谈自然语言入口。

岗位分工同样在变化。数据分析师从重复取数中解放出来，转向口径定义、语义层维护和结果校验；业务人员则承担更多自助探索。人机协作的模式下，智能体负责跑通流程，人负责判断结论是否合理。

四、理性看待短期预期

需要清醒的是，当前数据智能体更适合覆盖高频、口径明确的常规问题，复杂归因和探索性分析仍依赖人工。企业在推进时应从单一场景切入，比如经营日报问答、销售指标自助查询，跑通后再逐步扩展，避免一次性追求“万能问数”。

总体来看，自然语言正在成为数据分析的新入口，但它替代的不是数据平台，而是繁琐的取数环节。谁先把语义层、权限体系和元数据治理打牢，谁就更有可能在这一轮变化中把数据真正用起来。