在 Gartner 的預測中，到 2028 年，15%的工作決策將由 AI agent 完成，而數據智能體 Data Agent 正是這一浪潮中很具落地價值的代表。Data Agent 作為新一代數據智能體，也正在深刻改變企業數據應用的方式。

 

基于字節跳動的海量業務實戰經驗，火山引擎推出新一代企業級 AI 數字專家 Data Agent，它不僅突破了傳統 BI 的局限，從“描述現象”升級為“診斷問題+生成策略”，還能進一步幫助企業實現跨系統數據整合、復雜決策支持以及數據價值的深度挖掘。

 

上期我們集中探討了 Data Agent 的基本概念及技術實現，本期我們特邀到火山引擎增長咨詢團隊的 Asty 和 Mario，結合多行業落地經驗和真實案例，進一步探討：

 

??在現階段，Data Agent 已經能幫助企業重塑哪些工作及流程鏈路？

 

??企業又需要做好哪些準備，才能真正用好 Data Agent？

 

??……

 

以下內容為部分節目實錄，

完整節目歡迎掃描下方二維碼收聽：

 

 Q：目前 Data Agent 的核心客群都有什么樣的特征呢？

 

 Asty：在當今商業環境中，無論是大型企業還是中小型企業，都普遍存在著對數據專家或數據應用的需求。

 

這種需求的差異性主要體現在規模上，大型企業由于數據量龐大，更注重數據的整合與多元分析，用來提升管理者的決策效率；而中小企業則更關注如何以較低成本實現快速成長。盡管企業規模不同，但它們在數據使用方面仍呈現出一些共性特征。

 

首先，大多數企業都擁有豐富的數據資產。這些數據通常由結構化數據和非結構化數據共同構成。非結構化數據包括音頻、視頻、PDF 文檔和圖片等形式，而結構化數據則是更為常見的數據庫信息。

 

具體來說，企業的數據資產可能涵蓋銷售數據、用戶數據、市場調研數據以及內部宣傳資料等。然而，這些寶貴的數據往往分散在不同的業務系統或部門之間，形成數據孤島。這時，數據專家就能發揮重要作用，幫助企業實現跨部門、跨系統的數據整合。

 

對于大型企業而言，高層決策往往需要綜合考慮多方面因素。以新產品研發為例，決策者既要分析用戶需求，又要評估市場競爭格局，同時還要測算成本收益。對于快消品行業，還需要考量庫存管理和產品生命周期等復雜因素。

 

面對如此多維度的數據需求，決策過程既要保證速度又要確保質量，這就要求數據能夠快速準確地轉化為決策依據。在這種情況下，數據專家可以幫助企業梳理復雜問題，對海量數據進行系統化歸類，從而提供全面的決策支持。

 

這不僅解決了跨部門數據處理的時效性問題，也顯著提升了企業對市場變化的響應速度。

 

最后，越來越多的企業開始重視數據價值的深度挖掘。雖然許多企業已經積累了相當規模的數據資產，但往往未能充分發掘其潛在價值。如今，借助人工智能和大模型技術，數據專家能夠在成本可控的前提下，幫助企業提升數據變現效率。

 

 Q：根據早期客戶的反饋，企業對 Data Agent 的長期規劃需求，會集中在哪些場景呢？

 

 Mario：當從數據分析角度來看，客戶在業務全鏈路中產生了多樣化的需求。在戰略層面，企業需要開展業務戰略分析，同時收集市場環境數據和行業洞察。

 

市場營銷端則涉及市場研究和消費者洞察等需求，而產品定位方面則包括競品情報分析、用戶聲音和需求收集等重要環節。

 

特別是在價值鏈的后端環節，銷售轉化和營銷效果分析很重要。其實企業特別關注轉化漏斗每個步驟的歸因分析，這對精細化運營和精準營銷至關重要。服務端同樣呈現出旺盛的需求。

 

舉一個汽車行業的例子，APP 端和數字觸點端的智能助手應用正在快速普及。許多合作過的汽車客戶都在通過智能體技術重塑前端用戶體驗，這已成為行業內的顯著趨勢。此外，企業內部經營分析，包括財務數據和企業經營分析等方面，也展現出明確的賦能需求。

 

以一家外資車企的具體實踐為例，他們在 APP 端開發智能助手應用時，與咨詢團隊進行了深度合作規劃。這些智能助手不僅提供用車、購車和社區相關的知識服務，還拓展到效率輔助場景，旨在增強車企與用戶的互動頻率和深度。值得注意的是，汽車行業具有獨特的觸點優勢——車輛本身就是一個重要觸點。如何實現 APP 與車載系統間的體驗統一成為關鍵。

 

理想狀態下，用戶無論在車內還是手機端，都能與同一個擬人化機器人交互，這個機器人需要完美體現品牌價值觀，并圍繞用車場景拓展更多服務場景。這種體驗的深度和廣度延伸，正成為頭部車企重點關注的創新方向。

 

 Asty：我也補充幾個具體的案例，首先是在內容營銷領域，內容種草效率對用戶的購買決策有著顯著影響，因此品牌方始終在探索如何通過優質內容實現定向營銷。我們通過實際案例發現，借助 Data Agent，能夠有效提升海量非結構化數據的分析效率。

 

由于不同平臺的內容形式各異，比如抖音以短視頻為主，小紅書則以圖文見長，傳統的人工處理或規則引擎方式已難以應對。

 

而通過大模型驅動的 Data Agent，現在可以自動完成優質內容識別、用戶情感分析以及內容標簽化沉淀等關鍵任務。

 

除了內容分析外，廣告投放的精準度同樣至關重要。品牌需要將廣告預算集中在更優質的內容上，為此我們結合了火山引擎的廣告投放算法，幫助客戶提升內容投放的 ROI。

 

例如，在某頭部主機廠合作項目中，通過從數據處理到內容定向加熱的全鏈路優化，客戶的千次曝光成本（CPM）降低了 50%。這部分節省的成本可以轉而投入數據基礎設施建設，形成了可量化的真實收益。

 

 Q：目前你們增長咨詢團隊接觸的企業客戶里面，對 Data Agent 目前的一些核心評價是什么？ 

 

 Asty：客戶對我們的反饋主要集中在三個方面，首先是 Data Agent 的深度研究能力。它能夠高效處理海量數據，包括客戶自有數據的整合分析，相比傳統人力或代理機構，顯著提升了時效性。

 

還有就是自動化能力的價值。傳統的內容篩選、投放和后鏈路評估往往需要業務團隊、IT 團隊和數據團隊的跨部門協作，而我們正在迭代的自動化解決方案能夠根據用戶反饋、營銷效果和廣告投放數據，自動分析并生成優化策略，甚至提供關鍵投放時機的智能提醒，大幅減少了人工干預的環節。

 

最后客戶對準確率的要求始終是比較核心的關注點。目前我們的數據處理效率和自動化營銷策略生成能力已達到行業較高水平，其中數據提取準確率穩定在 90%以上，這一指標在行業內其實已經具備較為領先的優勢。

 

 Q：目前，在你們和企業客戶溝通和合作過程中，有沒有遇到過一些比較棘手的落地挑戰？

 

 Mario：在 Data Agent 的實際應用過程中，我們其實發現客戶普遍存在一些關鍵性疑問和落地的挑戰。最開始就是數據分析場景中的嚴謹性問題，特別是在數據字段篩選和邏輯規則定義方面。

 

以利潤分析為例，客戶需要明確區分凈利潤和毛利的計算方式，當用戶提出"查看最近利潤表現"這樣的需求時，"最近"的時間范圍界定、利潤的具體定義標準都需要結合具體業務場景進行個性化設置。這種復雜性對使用者的專業素養提出了比較高的要求。

 

還有在營銷助手應用方面，客戶更關注策略輸出的可執行性。他們期待智能體生成的營銷策略能夠與企業實際可觸達的資源、可操作的執行形式相匹配，從而形成真正可落地的個性化方案。

 

許多客戶反饋，雖然智能體能夠提供優質的洞察和策略建議，但在具體執行層面仍面臨諸多現實約束，如何將這些實操性因素納入智能體的考量范圍是需要解決的重要問題。

 

數據治理層面的挑戰也比較突出。企業內部的龐大數據資產往往呈現多模態、非結構化的特征，而智能體效能的充分發揮依賴于完善的知識運營體系——包括知識的收集、清洗、處理、入庫和召回等全流程。

 

但目前大多數客戶尚未建立起體系化的數據管理能力，他們期望通過與我們的合作逐步構建這方面的專業能力。

 

 Asty：在與客戶的深入交流中，我們還發現數據質量問題其實也最基礎的障礙。許多企業存在數據孤島現象，跨部門的數據標準和格式不統一，這種源數據治理的缺失不僅是影響智能體準確率的瓶頸，更是企業推進數字化轉型的首要難關。

 

當數據質量達到一定標準后，客戶關注的焦點開始轉向智能體的專業化程度。我們將通用大模型比作高中畢業生，而經過行業知識灌輸和企業內部數據增強后的專業模型則相當于特定領域的專業人才。這種專業化轉型需要持續的知識訓練，才能確保輸出結果真正契合業務需求。

 

在實際演示過程中，智能體的推理效率也成為客戶關注的敏感點。具有深度思考能力的智能體需要進行數據檢索、分析思考、報告生成等系列操作，這個過程可能需要數分鐘時間，而某些行業場景對響應時效的要求達到毫秒級，這種需求差異也構成了實際應用中的一些難點。

 

 Q：那你們覺得 AI agent 的實際應用的邊界在哪里？ 或者說，企業級的 Data Agent，它現在已經能實現到什么程度了？ 

 

 Asty：Data Agent 與傳統數據處理方式相比，我覺得目前最顯著的優勢在于其處理多模態非結構化數據的能力。

 

Data Agent 與 BI 工具的關系和區別，可以這樣理解：傳統 BI 工具主要聚焦于報表呈現、描述性分析和事實敘述，而 Data Agent 在此基礎上更進一步，能夠根據業務目標生成具體策略和結論性建議。

 

這種差異在零售企業的銷售場景中體現得尤為明顯——傳統 BI 只能展示各區域銷售數據和目標差距，而 Data Agent 不僅能呈現數據，還能分析差距成因，并給出優化區域促銷策略的具體建議，真正實現從數據分析到策略執行的閉環。

 

對于企業高層管理者而言，Data Agent 在戰略落地方面也展現出了一些獨特價值。企業普遍面臨的挑戰是，高層制定的戰略目標在層層分解到一線執行時往往出現偏差。Data Agent 通過建立從戰略到執行的數字化鏈路，可以有效解決這個問題。

 

例如，當 CEO 在數據看板中發現異常時，可以直接通過系統 @相關責任人，將問題轉化為專項任務進行跟進。這種機制結合了任務提醒和消息觸達功能，通過與企業內部 IM 系統的集成，實現了從問題發現到任務執行的全流程閉環，顯著提升了跨部門協同效率。

 

我認為 Data Agent 的定位正在從"數字員工"向"智能伙伴"演進。它不僅能夠替代人工完成機械化操作，更展現出主動思考和建議優化的能力。

 

從發展階段來看，傳統 BI 工具停留在數據呈現層面，而 Data Agent 已經進階到建議式決策的第三層級，在數據分析基礎上提供決策支持。

 

這種進階能力使得 Data Agent 能夠通過多智能體聯動，實現營銷流程的自動化串聯，這種能力是建立在原有數據產品底座之上的創新突破。

 

 Q：很多外部企業過往已經使用過一些數據產品了，繼續部署 Data Agent 成本會很高嗎？ 

 

 Asty：在幫助客戶部署數據智能解決方案時，我們會協助客戶完成數據準備工作。這包括接入外部數據和公域數據，同時對客戶原有的源數據進行必要的清洗、加工和轉換，確保數據質量達到分析要求。

 

在模型對接方面，由于我們的模型部署在公有云上，因此需要與客戶的云環境進行適配。如果客戶使用的是私有模型，我們的 Agent 也需要與其進行對接，確保模型間的協同運作。

 

以及基礎設施的資源配置也是關鍵環節。這包括 CPU、GPU 等算力資源的調配，以及內存、存儲系統的優化設置，確保整個系統具備足夠的計算能力來支撐數據處理和分析任務。

 

基于以上環節，整體費用主要分為三部分：首先是基礎設施的硬件成本，包括算力和存儲資源的投入；其次是數據準備階段可能涉及的人力成本，例如數據采集、清洗以及外部數據采購等，我們會有專業團隊提供支持；

 

最后是產品費用，如果客戶已經擁有 BI、CDP 或 MA 等工具，可能需要額外購買火山的相關產品模塊。但如果客戶全部采用火山的數據產品體系，則只需增購 Data Agent 模塊即可復用現有能力，從而大幅降低成本。

 

 Q：你們怎么看智能體未來在企業中的應用的場景？ 

 

 Mario：我覺得當前智能體技術確實處于市場關注的熱點，各類自媒體和行業達人都在熱議"萬物皆可智能體"的概念。

 

但隨著技術邊界和能力范圍的逐步清晰，智能體的應用終將回歸理性，聚焦到那些真正具有商業價值、能夠規模化推廣的垂直場景。

 

在與客戶溝通時，我們會著重引導他們思考：哪些場景真正適合引入智能體技術？這需要綜合考慮任務的復雜程度、商業價值、技術可行性，以及糾偏成本等因素。通過這樣的專業評估，既能幫助客戶鎖定高價值場景，也能避免不必要的資源浪費。

 

值得注意的是，智能體技術的發展正在反向推動企業數據能力的建設。我們之所以提出"Data Agent"這個概念，正是因為數據質量是智能體發揮價值的重要前提。

 

可以預見，隨著智能體技術的深入應用，企業將不得不加強數據基礎能力的建設。需要明確的是，AI 智能體并非萬能解藥，而更像是一個價值放大器，它能放大企業的數據價值、業務能力和管理效率，但這一切都建立在扎實的數據基礎和精準的場景選擇之上。

 

 Asty：我從產品演進的角度聊一下，我認為未來的智能體將如同數據神經網絡中的神經元，能夠將數據、知識、決策和執行等環節有機串聯。人類可以專注于更具創造性的工作，而將基礎性的執行任務交給智能體完成。

 

同時，系統將支持多模態分析工具的接入，比如集成特定領域領先的語音識別或圖像分析技術。此外，我們還在持續完善決策評估、模型幻覺檢測等自我迭代機制，形成從數據處理到業務串聯再到模型優化的完整閉環。

 

這種演進最終將形成 Mario 剛提到的 Multi-agent 架構體系，不同智能體之間就像人才市場上的專業人士，通過"交換名片"建立合作關系，在工具鏈深度整合的基礎上實現協同作業。