← 返回博客行业洞察

Data Agent 独立成赛道：IDC 首发评估的三件事

9 月 1 日，IDC 首次发布中国 Data Agent 厂商评估：18 家厂商仅 4 家进入领导者象限，并预测到 2028 年 60% 的中国 500 强将部署企业级 Data Agent。数据智能体第一次成为独立采购品类。本文拆解首发评估的三个信号，以及落地前必须先打好的四张地基。

OntiCards 团队·2026-09-02·8 分钟阅读

9 月 1 日，IDC 发布了《IDC MarketScape：中国 Data Agent 2026 年厂商评估》，第一次把 Data Agent（数据智能体）作为独立品类来排座次：18 家厂商入选，只有 4 家进入领导者象限。同一份评估里还夹着一个更值得记的预测——到 2028 年，60% 的中国 500 强企业会部署企业级 Data Agent。

我们的判断很简单：这个品类已经过了「要不要用」的讨论期，进入「按什么标准选」的采购期。真正的分水岭不在模型，而在数据这一侧能不能接得住 Agent。

一、先对齐定义：Data Agent 不是 ChatBI 换皮

IDC 给的定义值得原样抄一遍：Data Agent 是「借助 AI Agent 技术，将数据集成、治理、分析和业务决策串联为自动化闭环的新一代数据智能范式」，代表着产业从「数据支撑 AI」向「AI 自主管理数据」的转型。

拆开理解：BI 是给人看报表的窗口，Text-to-SQL 是把「写 SQL」变成对话，而 Data Agent 是把一整段「取数—验数—归因—给建议」的流程交给系统自动跑，并且每一步都能被检查、被审计。它和单点问数工具的差距，我们上周刚写过——Text-to-SQL 进了企业，准确率只剩 25%，瓶颈从来不在「能不能生成 SQL」，而在「生成完之后，凭什么信它」。Data Agent 被单独拎出来做评估，等于整个行业把「业务口径、数据质量、权限边界」从后台问题提到了前台验收标准。

这也和我们连续几周的观点接上了：Agent 能不能落地，先看数据准备度；Agent 敢不敢放开跑，要看隔离与治理。Data Agent 只是把这两件事在「数据」这个具体职能上又收敛了一次。

二、IDC 首发评估的三个信号

IDC 首发评估的三个信号：18 家入选仅 4 家领导者、领导者从 8 家收窄到 4 家、2028 年六成中国 500 强将部署企业级 Data Agent

信号一：品类成型。 这是 Data Agent 第一次作为独立市场被第三方机构单独评估。能进评估名单，说明厂商已经多到需要分座次；能单独出一份 MarketScape，说明买家已经开始按这个品类做采购预算。

信号二：门槛在收紧。 与 2025 年「面向生成式 AI 的数据基础设施」评估中 8 家领导者相比，这次 18 家里只有 4 家进入领导者象限。IDC 给出的理由是：全栈能力与 AI 原生程度成为新的竞争分水岭。翻译一下——单点模型、单点 NL2SQL 引擎都不再构成护城河，能打通从数据集成到业务决策全链路的平台才站得住。

信号三：时间表明确了。 IDC FutureScape 预测，到 2028 年 60% 的中国 500 强企业将部署企业级 Data Agent。这意味着未来两年是绝大多数企业建设数据 Agent 能力的窗口期——窗口不会停下来等你的数据就绪。

顺带一提，这次评估里位居领导者最领先位置的是阿里云：其 DataWorks Data Agent 已把「数据开发 / 数据治理 / 数据分析 / 引擎运维」拆成四类智能体，配专家套件与 Skill 技能库，AIDBS 则宣称支持 100+ 种多模多云数据源。相比「谁第一」，更值得看的是它上榜的原因——靠的不是某个模型，而是 DataWorks 在数据全链路上的长期积累。这恰好印证了信号二。

三、行业里的两种跑法：平台化，与「家族化」

信号归信号，真正能说明趋势的，是产品怎么落地。本周的另外两条新闻，展示了两种典型跑法。

跑法 A：平台厂商把 Data Agent 做成开箱套件。 阿里云公布了两个落地数字：头部茶饮品牌古茗接入 AIDBS 后，自助分析需求的上线周期从天级缩短到 2–4 小时；菜鸟基于 DataWorks 打造 SuperETL 技能体系，把数据研发专家经验封装成可组合的 Skill，研发效率提升 10 倍。平台化的价值是快——把过去要排期数周的数据需求，压缩到以小时计。

跑法 B：行业玩家把 Agent 做成「一个家族的工种」。 同样是 9 月 1 日，车车科技（NASDAQ: CCG）发布 ABAO Agent 家族，五个专用智能体横跨新能源车险全价值链：面向车主的理赔陪伴 Agent 覆盖出险报案、定损与进度跟踪，已接入大众安徽与阿维塔，并与人保、平安、太保完成对接；面向保险公司的核保定价 Agent 以自然语言交互，输入车牌或 VIN 即可秒级取回多维风险评估，背后是 200+ 个动态风控因子的定价模型。还有三个 Agent 跑在车车科技内部，处理客服质检、跨部门结算跟进和非标准化的结算单据——结果是结算工作流效率提升 30%、整体结算处理效率提升 50%，没有新增人手。

车车科技这个案例，比很多「炫技 demo」都更有参考价值：它没有做一个包打天下的超级 Agent，而是按岗位拆成一组会协作的 Agent。这些 Agent 能跑起来的前提，是每一类单据、每一个风险因子、每一条承保规则都被先结构化，变成可被 Agent 调用的数据资产——包括那些最难的、格式各异的结算单据。换句话说：Agent 的数量不重要，Agent 脚下那一层会说话的数据才重要。

顺带一提，企业软件老玩家也在补同一门课：东华软件 8 月 28 日推出的 DHC 企业 AI 数据门户，把「语义层 + 本体论 + Text2SQL 引擎」写成了三层核心能力。当系统集成商开始用同样的词描述架构，说明这套架构正在变成品类的默认值。

四、别急着选工具：先把四张地基打下去

品类成型之后，最常见的误区是把预算都花在「选哪个平台」上，却忘了 Data Agent 出不出活，取决于企业自己的数据有没有被「治」到可以被 Agent 正确理解。结合 IDC 的评估维度与我们的落地经验，有四张地基要在工具选型之前打好：

企业数据 Agent 落地的四张地基：业务口径、对象语义、质量与权限、审计与人在环

地基	要解决的事	没打好的后果
业务口径	一个「利润」全公司只有一个定义，指标与业务术语有唯一出处	十个 Agent 算出十种利润
对象语义	把库表、文档变成业务对象（本体、数据卡片），而不是一堆裸字段	Agent 对着裸表瞎猜 join，问数全靠撞运气
质量与权限	数据可信、字段脱敏、谁能看谁不能看边界清楚	Agent 一本正经地喂错数，或越权取数
审计与人在环	高风险动作可叫停、可回放、可归因	出了问题找不到是哪一步、哪个人、哪个 Agent 干的

这四张地基，恰好对应 OntiCards 的产品顺序：业务术语与本体建模解决「口径与对象」，数据卡片把语义和权限长在每一份数据资产上，数据质检与全域安全权限体系解决「可信与边界」，全链路审计与高风险操作审批把「人在环」落成默认机制。整套设计在四层架构里有完整说明，想按自己的环境跑一遍，可以直接从产品页进入。

写在最后

Data Agent 第一次进入 IDC 的评估象限，这件事最重要的信息不是谁排第一，而是评判标准变了：能进领导者象限的厂商，无一例外先解决了「数据如何被 AI 正确理解」的问题。对企业来说同理——模型的账可以晚点算，数据的地基不能晚点打。

想先用测试环境体验「本体建模 → 数据卡片 → 自然语言问数」的完整链路，欢迎发邮件到 hello@onticards.com，我们会安排 FDE 工程师陪你把一个真实场景先跑通。

参考来源

登顶！阿里云拿下 IDC 中国 Data Agent 头名：18 家仅 4 家入选，快科技（新浪财经转载），2026-09-01. https://finance.sina.cn/tech/2026-09-01/detail-iniqhwmv6654127.d.html

阿里云登顶 IDC 中国 Data Agent 领导者：全栈技术体系形成差异化壁垒，环球网科技（网易转载），2026-09-01. https://www.163.com/dy/article/L5OLF2BG0514R9OJ.html

Cheche Group Launches ABAO Agent Family, Deploying AI Across the Full NEV Insurance Value Chain，Cheche Group Inc. 新闻稿（SEC EDGAR 归档），2026-09-01. https://www.sec.gov/Archives/edgar/data/1965473/000149315226040944/ex99-1.htm