圆桌论坛：让AI自己“干活”，到底卡在哪？一场论坛论出了真相|agent|人工智能技术|圆桌论坛|张艳飞|算法|通用

“Data Agent：跨越概念鸿沟，锚定业务核心价值

站在大数据产业国家战略落地10周年的关键节点，于上海举办的第八届金猿大数据产业发展论坛——暨AI Infra & Data Agent趋势论坛，复盘了产业10年成果，展望AI Infra与Data Agent未来趋势，为行业新10年高质量发展注入动力。

目前，人工智能与数据深度融合，正推动行业迈入 AI 原生应用的全新阶段。为此，论坛特别设立了两场圆桌对话分别聚焦AI Infra和Data Agent，从基础设施的“筑基”到上层应用的“创值”，全方位剖析AI技术从底层架构搭建到实际业务落地的全链路逻辑，探寻技术赋能产业发展的核心路径与实践方法。

其中，由云创数安创始人兼总经理白云主持的第二场圆桌对话聚焦Data Agent，邀请到金赛药业人工智能药物研究院院长鲜翾、厦门大学附属妇女儿童医院CIO李振叶，思迈特软件CTO杨礼显，鼎捷数智AI研发中心总经理、企业级AI战略与解决方案专家刘晖，数据猿联合创始人兼主编张艳飞组成豪华嘉宾阵容，深入探讨Data Agent如何从前沿概念落地为驱动业务价值的核心系统，剖析其从对话式分析工具，升级为可自动执行任务、创造实际价值的“实干型”智能体的路径

从辅助分析到驱动价值

Data Agent的降本增效实践与挑战

Data Agent作为覆盖数据调度、内容生成与执行联动的数据任务型智能系统，其核心价值在于跳出辅助分析的局限，在企业运营中实现实实在在地降本增效与价值创造。

厦门大学附属妇女儿童医院CIO 李振叶

李振叶结合医疗行业实践，分享了Data Agent在临床场景中的落地成果与瓶颈。医疗行业环境复杂，Data Agent的出现让临床查询、诊断决策从理念走向现实，有效实现了降本增效。

例如，在影像诊断场景中，传统CT、核磁检查会产生上千上万张片子，医生需凭借经验逐一排查，耗时费力且学习周期长，5年从业医生也未必能独立出具合格报告，核磁报告通常需3天以上才能交付患者。

而利用Data Agent可快速筛选出疑似病灶，医生仅需对疑似案例复核确认，大幅缩短了报告出具时间，为心梗、脑梗等急症患者争取宝贵救治时间，同时减轻医生工作负担。此外，医院已将报告解读功能植入微信小程序，实现患者线上便捷查询报告，提升就医体验。

李振叶也坦言，Data Agent目前在医疗领域难以规模推广，面临三重核心瓶颈：一是临床信任鸿沟，医疗决策责任终身制，患者生命安全不可逆，试错成本极高，医生对新技术应用极为谨慎。

二是跨部门协作障碍，Data Agent需以临床业务为主导，联动信息、临床等多科室协同支持，单一部门推动难以落地。

三是数据质量与标准化问题，患者健康档案分散、记录不完整，个体差异大，导致模型难以普遍适用。

因此，医疗场景推广Data Agent必须立足临床需求，筑牢数据质量根基，强化跨部门协同。

鼎捷数智AI研发中心总经理、企业级AI战略与解决方案专家刘晖

从企业服务视角，刘晖分享了Data Agent从辅助交互到深度参与业务执行的转型路径。

以采购智能体为例，传统企业生产线齐套性检查需人工完成，采购人员每天要核对百余件零部件，联系数十家供应商催料，耗时数小时且易出错。

引入采购智能体后，可自动检查零部件齐套状况、发送催料邮件，并生成回复链接；供应商反馈后自动更新齐套信息，同步推进替代料调整、设计修订等工作；采购人员仅需确认调整计划即可，彻底改变了传统表单加流程的工作模式，以数据驱动业务执行效率提升。

刘晖强调，Data Agent落地需满足两个核心条件：一是扎实的数据基建，需对结构化与非结构化数据构建中间语义层，并微调模型，夯实基础工作；二是破解实施难题，既要应对客户自建算力带来的算力管理问题，也要化解资深员工因知识被汇聚而产生的抵触情绪。其成功关键在于实现核心业务知识与技术的深度融合，形成适配企业需求的综合解决方案。

张艳飞表示，当前Data Agent应用呈现明显的阶段性特征，并非所有场景都能实现降本增效，部分场景甚至会增加综合成本。

不少企业受AI趋势驱动，由一把手推动全产品AI重构，但研发团队内部抵触情绪强烈，资深工程师认为新技术应用会制造“技术屎山”，后续需投入大量精力整改，反而推高成本，降低效率。

这一现象背后，反映出组织力与人员层面的挑战远超技术本身，企业在推进Data Agent落地时，不仅要关注技术适配，更要重视组织协同与人员观念转变，才能真正释放其价值。

三位嘉宾的分享勾勒出Data Agent从前沿概念走向价值落地的概貌——唯有立足业务需求、筑牢数据根基、破解组织与技术难题，才能让Data Agent真正从辅助分析工具，升级为驱动业务价值的核心系统。

从“对话分析”到“主动干活”

Data Agent的业务执行落地路径

聚焦于Data Agent的核心升级方向，主持人白云提出了一个关键问题：“如何让Data Agent精准好用，真正融入业务流程？尤其在医药等数据密集型领域，如何让Data Agent从对话式分析工具，升级为自动执行任务、驱动业务流程的‘行动者’，解决传统工具‘不能自己干活’的痛点？”

金赛药业人工智能药物研究院院长鲜翾

针对这一问题，鲜翾表示，推动Data Agent从分析走向执行，核心是立足业务本质，而非单纯堆砌技术。与传统数字化聚焦“将业务行为搬至线上”不同，AI时代的Data Agent可处理多模态文档、语音、视频等内容，实现“所见即所得”，无需依赖复杂软件系统转化。

落地关键在于先明确场景的业务合理性，将技术投入与解决的业务问题强挂钩，避免脱离需求的盲目投入。

在数据管控与边界界定上，她强调两点核心：一是筑牢安全与验证底线，信息安全是不可突破的边界，同时需为每个应用场景建立基准值（benchmark），如同大模型测评般，明确Data Agent的性能达标标准，确保其输出精准可控。

二是聚焦核心数据价值，无需过度纠结通用算法，在公开数据与成熟算法已能满足基础需求的场景，重点投入自身独特数据，针对性提升业务指标，实现从基础水平到优质水平的突破。

跨团队协同也是落地的重要支撑。鲜翾认为，IT部门应搭建技术底座，业务团队主导新场景设计，双方共创验证标准，才能激活生产力。毕竟业务流程掌握在业务人员手中，让其自主通过智能体落地业务理念，远胜于不懂业务的数字化人员主导项目。评价Data Agent价值，最终要回归业务，看其实际创造的价值、日活月活等核心指标。

她同时指出行业现存痛点：医疗大数据多是“数据大”而非“大数据”，分散且缺乏标准化，难以形成有效资源；国内互联网领域普遍缺乏数据与统计思维，复合型人才短缺。

对此，企业更需聚焦核心业务需求，优先选择成熟、开箱即用的解决方案，借助专业厂商的标准化能力落地，避免内部盲目试错。

而在医学等严谨领域，AI执行后必须保留专家把关环节，将专家反馈回补至业务链条，实现人机协同优化。

融合与边界

Data Agent的数据注入与可控落地

企业如何将现有数据资产与行业知识“注入”Data Agent驱动业务，同时又确保其行动边界可控呢？

思迈特软件CTO 杨礼显

杨礼显表示，Data Agent的核心价值是实现从分析到行动的跨越，即从传统BI的描述、诊断、预测性分析，升级为指示性分析——告诉业务下一步该做什么，并自动完成。

但从实际落地来看，这一目标短期内仍难实现。2023年大模型兴起后，相关产品多停留在自然语言转查询语句、可视化呈现结果等层面，2025年虽已有广泛应用且结果可验证，但要让分析结果直接指导自动化行动，仍只是一个美好的愿景。

核心症结在于对Data Agent输出结果的评价呈两极分化：受达克效应（“认知局限”导致的自我评估偏差）影响，非专业人士会因报告详尽直观而认可其价值；但受心理学和认知科学中的一个经典现象——知识的诅咒影响，专业人士会发现其泛化能力不足，难以匹配预期，尤其面对语序颠倒、含言外之意的自然语言查询时，表现得更不尽如人意。

此外，当前缺乏统一的评价机制，如同自动驾驶有L1至L5的分级标准，Data Agent的输出质量却无明确衡量依据，这也制约了其规模化应用。

在边界管控与落地应用上，杨礼显认为，当前Data Agent仅相当于自动驾驶L2级别，核心责任主体仍需是人。可按业务风险划分应用边界：低风险场景如自动发通知、邮件，可放心交由其执行；高风险场景如自动下单、调整售价，必须由人做最终决策，确保责任可控。

而要让Agent输出可用结果，需提前投入大量人力物力，围绕通用专家经验、个人偏好、历史记忆，搭建体系化的数据与知识底座。

另外，现有Data Agent多为通用平台，落地需采用前置部署模式，让厂商技术专家深入客户现场，结合具体业务与领域知识，共同构建适配场景的专属应用。单一优化场景、经过精细数据处理后，Agent表现优异，但面对复杂跨部门场景、数据质量不佳的情况，输出结果便难以达标，这也是其大规模推广的核心阻碍。