毫无疑问，编程已经成为 AI 在企业端落地的第一大场景。
以 AI 编程工具 Cursor 为例，2024年的估值还只有 4 亿美金，但是最新的估值已经接近 100 亿美金。
一年时间不到，就增长了超过 20 倍。
那接下来哪一个 AI 场景会爆发呢？AI客服（包括内部知识库）肯定有很大机会，但字节跳动用新产品告诉我们： AI数据产品也有望成为下一个爆发点。
就在前天，字节跳动刚发布了企业数据智能体Data Agent，Demo 演示的效果很逆天，如果真的能成功落地，一大批数据分析师恐怕就要原地失业。
根据 Demo 视频来看，用户只需要说：帮我分析客户画像，制定提升业绩的营销方案。Data Agent就会理解你的目标，并且把目标拆解成具体的行动方案，然后再调用相应的工具进行执行（以下演示图片，来自Data Agent 宣传视频）。
比如，Data Agent 会生成 4个执行步骤，包括数据清洗、客群分析等。
然后再生成SQL 语句对后台数据进行查询和分析，并最终生成完整的营销方案。
数据查询与分析
报告出具
那为什么说数据智能体很可能迎来爆发呢？
核心原因还是这个需求太普遍，对企业的价值太大了。
我们都知道，几乎所有企业都会定期召开经营分析会议，核心工作其实就是分析数据，从而找到改善业绩的机会。
图片来源：百度
在日常工作中，业务部门也需要高频的分析数据，从而洞察风险和机会，达成业务目标。
可以说，数据分析，是大部分企业经营的核心。
但是，在现实工作中，由于 BI 工具的使用过于复杂，管理层想要分析某个新的数据，只能把需求告诉给数据分析师，由分析师来完成整个工作。
这种方式不但周期很长，严重影响了决策效率，而且分析师也成为了资源瓶颈，导致大部分一线人员的分析需求根本得不到满足。
现在好了，有了数据智能体，业务人员只需要把自己的需求告诉智能体，就能快速完成数据分析并出具解决方案。
这个绝对不仅仅是提升效率那么简单，而是大大降低了数据分析的门槛，相当于给每个人都配备了一个智能数据分析师，让企业数据真正的赋能一线业务。
那么，数据智能体听起来这么牛逼，是不是数据分析师马上就要失业了呢？
这倒不会，因为数据智能体也存在大部分智能体的通病，那就是幻觉问题。
比如，现在很多数据智能体都是基于 text2SQL的技术，简单来说，就是把用户的需求，直接转化为 SQL 语句，再连接数据库进行查询。
但是这就会面临 2 个问题：
首先，大部分用户都无法准确的表达需求。
比如：2024 年业绩表现如何？这里就有几个问题：
1、业绩表现的标准是什么？是销售金额，还是利润？
2、要根据哪些纬度去分析业绩？比如城市纬度？还是品类纬度？这些问题不说清楚，数据分析的质量就无法得到保证。
另外，text2SQL的技术是直接把用户的需求转化为 SQL 语句，但是由于大部分用户都无法判断 SQL 语句的准确性，那他们也就无法真正的信任 AI生成的结果。
以上SQL 由 AI随机生成
那这些问题有解决方案吗？
有的。那就是我们可以把“用户提需求，智能体执行”的模式，变成“用户提需求，智能体先帮助用户梳理需求，然后再执行”的模式。
原有模式
新的模式
这样一方面可以解决用户需求过于模糊的问题，另一方面，还可以让用户提前确认数据查询结构，智能体再根据用户确认的结果生成SQL，这就大大减少了智能体的幻觉问题。
这种新的模式叫：text2DSL。
所谓Text2DSL（Text-to-DSL），其实就是将自然语言先转换为用户更容易理解的语言，例如相关指标、维度和过滤条件等报表参数。
然后再把这些报表参数转化为 SQL，并且交给大模型执行。
比如，如果你想查询上个月业绩表现最好的 3 名销售人员，Text2DSL 就会生成一个参数页面，大概如下：
用户此时可以继续对 AI 提出修改要求，比如加上“华南区”的限制条件，并在确认查询内容后，提交给 AI 执行。
你看，通过这种方式，是不是既利用了 AI 理解自然语言的优势，又在很大程度上规避了 AI 的幻觉问题？
当然了，Text2DSL 和 Text2SQL各有各的问题，比如Text2DSL 很依赖 BI 层能力的建设，而Text2SQL 的幻觉问题目前还很难解决。
