圓桌論壇：讓AI自己“干活”，到底卡在哪？一場論壇論出了真相

“Data Agent：跨越概念鴻溝，錨定業務核心價值

站在大數據產業國家戰略落地10周年的關鍵節點，于上海舉辦的第八屆金猿大數據產業發展論壇——暨AI Infra & Data Agent趨勢論壇，復盤了產業10年成果，展望AI Infra與Data Agent未來趨勢，為行業新10年高質量發展注入動力。

目前，人工智能與數據深度融合，正推動行業邁入 AI 原生應用的全新階段。為此，論壇特別設立了兩場圓桌對話分別聚焦AI Infra和Data Agent，從基礎設施的“筑基”到上層應用的“創值”，全方位剖析AI技術從底層架構搭建到實際業務落地的全鏈路邏輯，探尋技術賦能產業發展的核心路徑與實踐方法。

其中，由云創數安創始人兼總經理白云主持的第二場圓桌對話聚焦Data Agent，邀請到金賽藥業人工智能藥物研究院院長鮮翾、廈門大學附屬婦女兒童醫院CIO李振葉，思邁特軟件CTO楊禮顯，鼎捷數智AI研發中心總經理、企業級AI戰略與解決方案專家劉暉，數據猿聯合創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動業務價值的核心系統，剖析其從對話式分析工具，升級為可自動執行任務、創造實際價值的“實干型”智能體的路徑

從輔助分析到驅動價值

Data Agent的降本增效實踐與挑戰

Data Agent作為覆蓋數據調度、內容生成與執行聯動的數據任務型智能系統，其核心價值在于跳出輔助分析的局限，在企業運營中實現實實在在地降本增效與價值創造。

廈門大學附屬婦女兒童醫院CIO 李振葉

李振葉結合醫療行業實踐，分享了Data Agent在臨床場景中的落地成果與瓶頸。醫療行業環境復雜，Data Agent的出現讓臨床查詢、診斷決策從理念走向現實，有效實現了降本增效。

例如，在影像診斷場景中，傳統CT、核磁檢查會產生上千上萬張片子，醫生需憑借經驗逐一排查，耗時費力且學習周期長，5年從業醫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，醫生僅需對疑似案例復核確認，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，同時減輕醫生工作負擔。此外，醫院已將報告解讀功能植入微信小程序，實現患者線上便捷查詢報告，提升就醫體驗。

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

二是跨部門協作障礙，Data Agent需以臨床業務為主導，聯動信息、臨床等多科室協同支持，單一部門推動難以落地。

三是數據質量與標準化問題，患者健康檔案分散、記錄不完整，個體差異大，導致模型難以普遍適用。

因此，醫療場景推廣Data Agent必須立足臨床需求，筑牢數據質量根基，強化跨部門協同。

鼎捷數智AI研發中心總經理、企業級AI戰略與解決方案專家 劉暉

從企業服務視角，劉暉分享了Data Agent從輔助交互到深度參與業務執行的轉型路徑。

以采購智能體為例，傳統企業生產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，聯系數十家供應商催料，耗時數小時且易出錯。

引入采購智能體后，可自動檢查零部件齊套狀況、發送催料郵件，并生成回復鏈接；供應商反饋后自動更新齊套信息，同步推進替代料調整、設計修訂等工作；采購人員僅需確認調整計劃即可，徹底改變了傳統表單加流程的工作模式，以數據驅動業務執行效率提升。

劉暉強調，Data Agent落地需滿足兩個核心條件：一是扎實的數據基建，需對結構化與非結構化數據構建中間語義層，并微調模型，夯實基礎工作；二是破解實施難題，既要應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生的抵觸情緒。其成功關鍵在于實現核心業務知識與技術的深度融合，形成適配企業需求的綜合解決方案。

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

不少企業受AI趨勢驅動，由一把手推動全產品AI重構，但研發團隊內部抵觸情緒強烈，資深工程師認為新技術應用會制造“技術屎山”，后續需投入大量精力整改，反而推高成本，降低效率。

這一現象背后，反映出組織力與人員層面的挑戰遠超技術本身，企業在推進Data Agent落地時，不僅要關注技術適配，更要重視組織協同與人員觀念轉變，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——唯有立足業務需求、筑牢數據根基、破解組織與技術難題，才能讓Data Agent真正從輔助分析工具，升級為驅動業務價值的核心系統。

從“對話分析”到“主動干活”

Data Agent的業務執行落地路徑

聚焦于Data Agent的核心升級方向，主持人白云提出了一個關鍵問題：“如何讓Data Agent精準好用，真正融入業務流程？尤其在醫藥等數據密集型領域，如何讓Data Agent從對話式分析工具，升級為自動執行任務、驅動業務流程的‘行動者’，解決傳統工具‘不能自己干活’的痛點？”

金賽藥業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從分析走向執行，核心是立足業務本質，而非單純堆砌技術。與傳統數字化聚焦“將業務行為搬至線上”不同，AI時代的Data Agent可處理多模態文檔、語音、視頻等內容，實現“所見即所得”，無需依賴復雜軟件系統轉化。

落地關鍵在于先明確場景的業務合理性，將技術投入與解決的業務問題強掛鉤，避免脫離需求的盲目投入。

在數據管控與邊界界定上，她強調兩點核心：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。

二是聚焦核心數據價值，無需過度糾結通用算法，在公開數據與成熟算法已能滿足基礎需求的場景，重點投入自身獨特數據，針對性提升業務指標，實現從基礎水平到優質水平的突破。

跨團隊協同也是落地的重要支撐。鮮翾認為，IT部門應搭建技術底座，業務團隊主導新場景設計，雙方共創驗證標準，才能激活生產力。畢竟業務流程掌握在業務人員手中，讓其自主通過智能體落地業務理念，遠勝于不懂業務的數字化人員主導項目。評價Data Agent價值，最終要回歸業務，看其實際創造的價值、日活月活等核心指標。

她同時指出行業現存痛點：醫療大數據多是“數據大”而非“大數據”，分散且缺乏標準化，難以形成有效資源；國內互聯網領域普遍缺乏數據與統計思維，復合型人才短缺。

對此，企業更需聚焦核心業務需求，優先選擇成熟、開箱即用的解決方案，借助專業廠商的標準化能力落地，避免內部盲目試錯。

而在醫學等嚴謹領域，AI執行后必須保留專家把關環節，將專家反饋回補至業務鏈條，實現人機協同優化。

融合與邊界

Data Agent的數據注入與可控落地

企業如何將現有數據資產與行業知識“注入”Data Agent驅動業務，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的核心價值是實現從分析到行動的跨越，即從傳統BI的描述、診斷、預測性分析，升級為指示性分析——告訴業務下一步該做什么，并自動完成。

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

核心癥結在于對Data Agent輸出結果的評價呈兩極分化：受達克效應（“認知局限”導致的自我評估偏差）影響，非專業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典現象——知識的詛咒影響，專業人士會發現其泛化能力不足，難以匹配預期，尤其面對語序顛倒、含言外之意的自然語言查詢時，表現得更不盡如人意。

此外，當前缺乏統一的評價機制，如同自動駕駛有L1至L5的分級標準，Data Agent的輸出質量卻無明確衡量依據，這也制約了其規模化應用。

在邊界管控與落地應用上，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。可按業務風險劃分應用邊界：低風險場景如自動發通知、郵件，可放心交由其執行；高風險場景如自動下單、調整售價，必須由人做最終決策，確保責任可控。

而要讓Agent輸出可用結果，需提前投入大量人力物力，圍繞通用專家經驗、個人偏好、歷史記憶，搭建體系化的數據與知識底座。

另外，現有Data Agent多為通用平臺，落地需采用前置部署模式，讓廠商技術專家深入客戶現場，結合具體業務與領域知識，共同構建適配場景的專屬應用。單一優化場景、經過精細數據處理后，Agent表現優異，但面對復雜跨部門場景、數據質量不佳的情況，輸出結果便難以達標，這也是其大規模推廣的核心阻礙。

瓶頸與破局

Data Agent規模化落地的思考

承接前文，白云將話題引向Data Agent規模化落地的核心瓶頸，提出除了專業度不足、場景復雜度高外，企業組織文化、架構、管理層重視程度、成本運營等因素，是否也是阻礙其大規模推廣的關鍵？當前最大瓶頸究竟是技術、成本，還是組織信任與選型能力？

李振葉結合醫療場景，強調組織信任與試錯成本是核心阻礙。醫療決策責任終身制，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療事故，這使得醫生對Data Agent技術應用極為謹慎，形成難以跨越的臨床信任鴻溝。

醫療行業的特殊性決定了Data Agent僅能作為輔助工具，無法替代醫生經驗判斷，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用邊界，也反映出組織信任與行業規范對規模化落地的制約。

同時，跨部門協同不足也制約推廣，若Data Agent僅服務于單一部門，缺乏臨床、信息等多科室協同，且不由業務部門主導驅動，即便技術成熟也難以落地。

此外，數據質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，導致模型無法通用，進一步降低了臨床對技術的信任度。

鮮翾認為，國內普遍缺乏數據與統計思維，互聯網產品經理重功能體驗、輕數據流設計，算法、數據、開發團隊能力脫節，復合型人才短缺成為技術落地的隱形瓶頸。

同時，醫療領域缺乏標準化、連續性數據，需大量資金投入與規范建設才能轉化為可用資源，過高的前期成本讓企業望而卻步。企業更傾向于等待成熟的開箱即用解決方案，而非盲目內部試錯，這也反映出企業選型能力與成本控制的雙重考量。

楊禮顯則聚焦技術基礎與成本投入，認為數據基建不完善是核心技術瓶頸。結構化數據需人工加工、指標化標準化，非結構化的專家經驗需轉化為知識圖譜，個人偏好與歷史對話需構建長期記憶，這些工作都需投入大量人力物力，且短期內無法替代。

當前缺乏統一的Data Agent評價機制，導致企業對技術效果難以判斷，進而影響選型與推廣信心。同時，公開數據難以支撐行業專業需求，私有化數據需通過繁瑣流程導入模型，進一步推高了技術落地成本。

劉暉談及技術、成本與組織信任的疊加困境。數據基建是技術落地的前提，而客戶自建算力保障數據安全的需求，又帶來算力管理的額外成本與技術難題。唯有實現業務知識與技術的深度協同，才能突破瓶頸，其中業務主導是核心。

數據猿聯合創始人兼主編 張艷飛

張艷飛從行業觀察角度，總結了三大隱性瓶頸：一是對使用者能力要求提升，醫生等專業人員需具備更強的AI駕馭能力，無法跳過專業訓練直接應用，反而加重了人力成本與學習負擔。

二是技術迭代過快帶來適配壓力，大模型基座快速更新導致業務應用需反復適配，消耗大量研發資源，拖累落地進度。

三是安全信任問題突出，醫療等敏感領域客戶對數據安全高度警惕，加劇了Data Agent的推廣難度。

總結來看，目前制約Data Agent規模化落地并非單一因素導致，而是技術瓶頸（數據基建、評價體系缺失）、成本壓力（人力、算力、數據治理投入）、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）多重因素疊加的結果，需多維度協同突破才能推進。

Data Agent的應用呈現鮮明的一體兩面性。若能與企業現有業務流程深度融合、精準適配場景，便能成為提質增效的利器，為業務發展注入新動能。

反之，若應用前未吃透自身業務邏輯，未合理規劃落地進程，不僅難以發揮價值，還可能增加運營成本，甚至引發數據安全與泄露風險。

企業推進Data Agent落地，需統籌考量企業文化、組織架構、技術適配、業務需求及人才培養等多維度因素，理性布局。