过去一年多，围绕 DataAgent，我们经常讨论一个问题：怎么让大模型懂大数据，让 AI 听得懂企业问题？
大模型懂自然语言，但不天然理解企业的大数据体系。一个人在问题中提到"收入""活跃客户"或者"高价值商品"，大模型能够理解这些词的通常含义，却不知道它们在这家企业中的准确口径，更不知道背后对应哪些数据、计算逻辑和业务规则。
所以，我们一直强调语义层、知识库，强调 Trusted Context。它们要解决的，都是如何把企业的数据、业务语言和经验，转化成 AI 可以理解和执行的企业上下文。
但最近，随着我们的 Data Agent 产品在一些企业真正上线并开始被业务人员使用，我越来越明显地感受到一个新的问题已经出现。
过去，我们担心的是 AI 不懂员工、不懂企业；现在，我们开始需要面对另外一个问题：企业中的员工，是否已经学会如何与 AI 协作？
如果把 Data Agent 的企业落地分成上下半场，上半场是让 AI 读懂企业，下半场则是让企业学会与 AI 协作。
我这里说进入下半场，并不意味着语义层、Trusted Context 的问题已经解决。恰恰相反，正是因为这些能力开始进入真实工作，过去隐藏在技术后面的组织问题才第一次变得清晰。
01 "答案不对"，究竟是谁的问题？
最近，我们在与一家大型零售企业合作时，客户从真实工作中整理了一批业务问题，用来测试 Data Agent。
测试结束以后，业务人员认为其中很多回答"不正确"。如果只看测试结果，很容易得出结论：Agent 还不够聪明，很多问题答不出来。
但双方项目团队把这些问题逐条复盘以后，发现事情没有这么简单。例如，有一类问题可以被抽象成：
今年某次重点营销活动中，哪个产品系列增长最好？
这个问题听起来很清楚。但真正开始分析时，会发现里面隐藏了大量没有被表达出来的信息：活动的起止时间是什么？应该与去年同期比较，还是与上一次活动比较？"增长最好"指销售额、销量还是购买人数？比较的是增长金额还是增长率？产品系列又应该按照企业内部哪套口径分类？
如果接收任务的是一位有经验的数据分析师，他通常不会马上开始取数，而是会先沟通和追问。他可能知道公司默认使用哪套财年日历，也可能了解业务部门平时如何定义"增长最好"；如果仍然不确定，他会继续确认，直到双方明确要完成的是同一项任务。
人与人之间的协作，本来就包含大量主动询问、背景判断和相互学习。很多没有说出来的信息，会被经验、组织常识和持续互动补充完整。
但当同样的问题被交给 Data Agent 时，双方的行为都变了。
业务人员容易把 AI 当成一个无所不能的"许愿机"。既然 AI 看起来什么都懂，那么我只要说出一句话，它就应该知道我真正想要什么。把潜意识中的背景、约束和判断标准完整表达出来，本身是有成本的，人天然倾向于省略这些信息。
与此同时，今天的很多 Agent 也急于回答。它可能自主判断选择一个时间范围，自动把销售额理解成"增长"，再自动使用一套产品分类。等结果出来以后，业务人员才发现，这不是自己想要的答案。
一个没有完全说清楚，另一个没有进一步问清楚，双方却都认为任务已经明确。这可能才是很多"答案不对"的真实来源。
从项目复盘看，这些问题里既有查询路径不一致等明确的产品问题，也有企业知识和指标口径没有沉淀的问题，还有相当一部分是任务本身存在歧义，但用户和 Agent 没有通过互动完成确认。
它们最后都会被归结为一句话："Agent 答错了。"但从落地角度看，这是性质完全不同的几类问题。
AI 能力越强，人们越容易高估它对隐性上下文的理解能力。Data Agent 进入企业以后，首先需要打破的，可能正是"AI 应该天然懂我"的预期。
02 能用、敢用之后，企业还要解决"会用"
最近与一位大型跨国企业 CIO 交流时，我们把 Data Agent 的用户侧挑战概括成三个层次：能用、敢用和会用。
能用，是 Data Agent 能不能真正交付任务价值。它需要理解企业语言，找到正确的数据，并按照正确的业务逻辑完成分析。这里的主要瓶颈在 Context，背后是语义、知识和数据能力。
敢用，是用户能不能信任并采纳 Agent 的结果。企业数据分析不能只给出一个看起来合理的答案，还要能够展示任务链和数据链，做到可复现、可追溯、可审计。这需要 Agent 在产品上具备可信能力。
会用，则是人和 Agent 能不能形成有效互动。用户要逐渐理解 Agent 的能力边界，知道如何提出任务、补充背景和验收结果；Agent 也要能够主动反问，在工作中学习企业的规则和偏好，做到边干边问、边问边学、一学就会。
过去，我们更多讨论的是 Data Agent 能不能用、企业敢不敢用。随着产品进入真实业务，"会不会用"开始成为新的瓶颈。
这不能被简单理解成用户不会写 Prompt。员工不需要理解模型原理，也没有必要都成为 Prompt 工程师。模型会继续进步，很多提示词技巧也会被产品逐步吸收。企业真正需要建立的，是人与数字员工之间新的协作认知和工作习惯。
同样，"会用"也不能全部成为用户的责任。未来优秀的 Data Agent 不能只是更快地给出答案，还应该更善于发现歧义、主动澄清和持续学习。越成熟的产品，越应该替用户承担更多协作成本。
但无论产品多聪明，一个数字员工进入一家企业，也仍然需要了解这家企业的语言、规则和工作方式。产品侧要建设可信、可成长的 Agent，企业侧要持续建设和维护企业上下文，并做好用户预期管理和使用运营。
因此，Data Agent 进入企业，不只是一次软件上线，也是一个数字员工逐步融入组织的过程。
03 从 0 到 1、从 1 到 10，不能操之过急
类似的事情，在企业数字化转型过程中已经发生过一次。
Tableau、Power BI、Looker 等敏捷 BI 工具出现后，越来越多的数据分析能力被交到业务人员手中，企业也随之提出"人人都是数据分析师"、"企业数字公民"和"数据文化"等理念。
但工具变得容易使用，并不意味着所有员工自然就会使用数据。
过去一些数据文化建设做得好的企业，不只是采购工具和开展培训，还会组织数据分析竞赛、评选优秀案例、培养内部数据达人，通过激励和招聘强化数据能力，并逐渐把"用数据说话"变成组织能力的一部分。
也有一些企业采购了工具、开通了账号、完成了培训，但数据分析仍然停留在少数专业人员手中。数据文化从来不是通过一堂工具培训课建立起来的，Agent 协作文化同样不会通过一堂 Prompt 课程自然产生。
企业在推广 Data Agent 时，需要首先接受一个现实：圈定一批员工，并不意味着这些员工都能够很快形成稳定、规模化的使用习惯。
任何一项新技术进入组织，都一定会先由少数人真正掌握。这些人可能更愿意尝试，更善于表达问题也更能够从结果中总结方法。当他们在真实任务中获得明确效果以后，就会成为企业内部最早的 KOL。
这是 Data Agent 从 0 到 1 的关键。不是先追求覆盖多少人，而是先找到一批合适的人和任务，让他们真正把 Agent 用起来，形成可验证、可复用的成功案例。
从 1 到 10，则需要让这些 KOL 带动更多员工。企业可以通过培训、案例分享、竞赛评选和激励机制逐步扩散，但这个过程需要时间，不能简单地按照账号开通数量和短期活跃度强行推进。
对于企业级 Data Agent 厂商而言，责任也不能停留在交付产品和完成技术上线。
厂商能不能帮助客户找到合适的首批任务，陪伴首批用户跑通工作闭环，培养内部 KOL，再把成功经验从 0 到 1、从 1 到 10 地复制出去，会成为 Data Agent 落地能力的重要组成部分。
这不是产品之外可有可无的服务，而是企业级 Data Agent 厂商的一项核心能力，也应该成为甲方评价和选择厂商的重要标准。
04 从 AI-Ready Data 走向 Agent-Ready Organization
企业数字化转型解决的是人如何更好地使用数据，企业 AI 转型进一步要解决的是如何组织员工与智能体共同工作。
如果说敏捷 BI 时代的愿景是"人人都是数据分析师"，那么 Data Agent 时代的愿景可能是"人人都有一位数字分析师"。但拥有一位数字分析师，并不等于已经具备与这位数字分析师协作的能力。
过去，我们通过语义层、知识库，让 AI 读懂企业；接下来，企业还需要通过新的协作方式、组织运营和组织文化，让员工学会与 AI 共同工作。
Data Agent 落地的上半场，是建设 AI-Ready Data；下半场，是建设 Agent-Ready Organization。上半场决定 Agent 能不能进入企业，下半场决定 Agent 能不能真正融入工作、形成规模，并持续创造价值。
只有当技术和组织两方面同时准备好，Data Agent 才不再只是一个看起来聪明的工具，而会真正成为企业中可信、可成长、可托付的数字员工。
