以前，OpenAI的财务分析师想查个数据，简直是场灾难。
要在70,000个数据集里大海捞针，写SQL，查表结构，验证数据……一顿操作猛如虎，几个小时就没了。现在？同样的分析师，在Slack里敲一行大白话，几分钟就能拿到一张画好的图表。
这听起来像是那种“别人家的公司”的故事，但这次是OpenAI自己。
更离谱的是，这个把全公司数据效率提升几倍的工具，居然只由两名工程师花了三个月就做出来了。而且，这系统70%的代码是AI自己写的。
这大概是目前企业级AI应用最激进、也最成功的一次实战。
一个人肉API的悲惨往事
说实话，OpenAI的数据规模大得吓人。
他们的数据平台横跨600 PB的数据量，涵盖了70,000个数据集。对于数据团队来说，这简直就是维护噩梦。OpenAI的数据基础设施负责人Emma Tang在接受VentureBeat采访时，毫不避讳地描述了这种痛苦。
哪怕只是找一张正确的表，有时都要耗掉数据科学家几个小时。
Tang的团队服务于全公司5000名员工，其中有4000人每天都在用他们提供的工具。这意味着什么？意味着数据团队基本就是全公司的“人肉API”。
以前，如果你想做一个跨维度的分析——比如对比不同地区和客户群体的收入——你得懂技术、懂表结构、懂SQL。现在，这个门槛被彻底踩碎了。
不管你是做增长的、做产品的，还是完全不懂代码的行政人员，只要会打字，就能做复杂分析。Tang说，这不仅是节省时间的问题，更是赋予了很多人以前根本无法拥有的能力。
教AI“慢思考”，治好它的“自信病”
很有意思的是，OpenAI在构建这个Agent时，遇到的最大难题不是模型不够聪明，而是模型太自信。
这大概是所有用过大模型的人的共同感受：它总爱瞎编，还编得一脸笃定。
Tang坦言，这是个巨大的问题。模型经常会自信满满地说：“哦，这张表就是你要的”，然后基于错误的表开始一顿分析猛如虎，最后给你一个完全错误的结论。
怎么治？OpenAI的工程师们用Prompt给AI上了一课——“慢思考”。
他们强制Agent在干活前，必须在一个“发现阶段”多待一会儿。Prompt里的指令简直像是在教一个刚入职的实习生：
“在你冲上去分析之前，我真的希望你多做一点验证，确认这是不是对的表。请多查几个来源，别急着出结果。”
这招很管用。团队发现，AI在发现阶段花的时间越多，结果就越准。
更有意思的是，他们还发现了一个反直觉的现象：给AI的上下文不是越多越好。现在的流行趋势是RAG（检索增强生成），恨不得把所有资料都喂给AI。但OpenAI的评测发现，给的资料越少、越精准，效果反而越好。
“少即是多”，在AI时代居然依然成立。
Codex半夜偷偷干活，这才是最可怕的
这个Agent最硬核的技术创新，其实藏在后台。
在70,000个数据集里找表，是最大的技术挑战。为了解决这个问题，OpenAI动用了自家的编程AI——Codex。
Codex在这个系统里身兼三职：
- 用户通过它访问Agent；
- 它写了Agent 70%的代码；
- 最绝的是，它每晚都在“偷家”。
OpenAI设计了一个异步流程：每天，Codex都会去扫描那些重要的数据表，分析底层的管道代码，搞清楚这张表的上游下游是谁、归谁管、颗粒度是多少、跟哪些表能关联。
这被称为“Codex富集”。相当于Codex每天晚上不睡觉，把公司的数据地图重新画了一遍。等你第二天醒来问问题时，它早就把路探好了。
这套机制让Agent能够精准地理解业务概念。当你问“收入”时，它不会瞎猜，而是去向量数据库里找Codex早就标记好的“收入表”。
说实话，这种让AI自己维护数据地图的思路，真的很OpenAI。
那个“不性感”的真相
现在全网都在吹AI Agent，好像有了模型就能搞定一切。
但Tang泼了一盆冷水。她说得很直白：
“这听起来不性感，但数据治理对于数据Agent能否良好运行至关重要。”
模型再强，如果你的数据是一团乱麻，Agent也只能输出垃圾。你的数据得足够干净，有足够的标注，还得有个真理来源。
这其实是个挺残酷的现实：AI越进化，对企业底层数据基建的要求就越高。基础设施没搭好，想用AI提效？做梦。
所以，Tang的警告很有分量：那些用了这类工具的公司，进步会非常快；那些不用的，会迅速掉队。
OpenAI的小算盘：我不卖工具，我卖铲子
看到这里，你可能会问：这工具这么好用，OpenAI啥时候把它包装成产品卖给我？
答案是：不卖。
OpenAI明确表示，没有计划将这个内部数据Agent产品化。他们的策略是“授人以渔”。
Tang强调，他们用的所有API——Responses API、Evals API，包括底层的GPT-5.2模型——外部企业全都能用。他们甚至拉来了麦肯锡、BCG、埃森哲这些咨询巨头，帮企业去搭建类似的平台。
OpenAI不想做具体的SaaS应用生意，他们只想卖铲子。而且现在的铲子已经卖得很好了——Codex现在的周活用户已经超过100万，OpenAI内部95%的工程师都在用它，所有代码合并前都要过Codex这一关。
Tang甚至说，Codex现在都不算个编程工具了。她看到非技术团队用它整理思路、做PPT、写日报。一位工程经理每天早上让Codex复盘笔记、拉Slack消息、找重点，甚至帮忙回消息。
“它在很多方面真的在代表你行动。”
这就有点赛博朋克那味儿了。
结语
OpenAI这波操作，不仅展示了一个“全员AI化”的未来图景，也赤裸裸地揭示了企业AI转型的瓶颈。
不是模型不够强，是你的数据不够好；不是工具不够多，是你没人敢像OpenAI这样，让两个工程师、用三个月时间、靠AI写七成代码，去赌一个全公司级的核心系统。
Tang最后说了一句意味深长的话：公司能做到的事情确实加速了，但这依然赶不上我们的野心，连一点点都没有。
这大概就是AI时代的常态：你跑得再快，也永远觉得慢。
参考链接：
https://venturebeat.com/technology/openais-ai-data-agent-built-by-two-engineers-now-serves-4-000-employees-and