Новый агент по работе с данными от OpenAI обходит стороной один из бенчмарков

Сотрудники самой OpenAI не могли быстро получить ответы на элементарные вопросы по данным — этот пробел сохранялся до тех пор, пока компания сначала не создала решение для себя, а затем решила продать его.

Именно такова предыстория агента Data (Data agent), который OpenAI запускает в четверг в рамках ChatGPT Work — корпоративного конкурента OpenAI сервису Cowork от Anthropic, который был запущен в июле. Агент Data подключается к корпоративным источникам данных, исследует произошедшие изменения и превращает полученные результаты в панели мониторинга, рекомендации и последующие действия, которые он может выполнять с помощью подключенных инструментов.

Решение заключалось не просто в создании дополнительных коннекторов. OpenAI создала агента, который организует контекст в рамках уже используемых бизнесом инструментов. Он одновременно извлекает данные из Slack, панелей бизнес-аналитики (BI), хранилищ данных и файловых хранилищ, не требуя предварительного переноса этих данных в какое-то одно место.

«Если бы вы спросили меня год назад, какой процент наших вопросов по данным получал ответы от начала и до конца без вмешательства человека, это была бы очень небольшая доля компании», — рассказал Арпан Шах (Arpan Shah), генеральный менеджер подразделения корпоративных технологий в OpenAI, в эксклюзивном интервью VentureBeat. — «Сегодня каждый сотрудник OpenAI может самостоятельно решить любые вопросы с данными, и мы постоянно слышали о таком пробеле и извне».

Как собственный информационный тупик OpenAI помог создать этого агента

Агент Data — это не новая разработка, приспособленная для запуска. Шах охарактеризовал его как внешнюю, обобщенную версию внутреннего инструмента. Этот внутренний инструмент был создан специально под собственные данные, разрешения и рабочие процессы OpenAI еще до того, как к нему прикоснулся хоть один клиент.

OpenAI впервые подробно описала этот внутренний инструмент в публикации в своем инженерном блоге за январь 2026 года, а дополнительные сведения об использовании были раскрыты 8 сентября. Компания описала платформу данных, которая обслуживает более 3 500 внутренних пользователей из числа разработчиков, специалистов по продуктам и исследователей. Она охватывает более 600 пебайт данных в 70 000 наборах данных.

При таком масштабе, как писала компания, простой поиск нужной таблицы мог занять больше времени, чем сам анализ. Внутренний агент был создан для устранения этого пробела. Он объединяет метаданные схем, аннотации пользователей, анализ построения таблиц на уровне кода и уровень памяти, который переносит исправления между сеансами.

«Он создан под огромным вдохновением, вобрав в себя все эти вещи и действительно воплотившись во внешнем форм-факторе, который отлично работает со всеми вашими привычными и любимыми партнерами по экосистеме», — сказал Шах. — «Очевидно, что внутренний инструмент сильно ориентирован на определенный стек, и мы обобщили его так, чтобы он работал со всеми различными инструментами, будь то средства BI [бизнес-аналитики], хранилища данных или другие коннекторы и плагины, которые вы хотите подключить, и отлично работает со всеми ними».

Оркестрация контекста, а не просто очередное подключение MCP

OpenAI и любая другая языковая модель (LLM) уже имели возможность подключаться к источникам данных с помощью протокола MCP, а также использовать рабочие процессы RAG для извлечения информации.

Разница, на которую указывает OpenAI, заключается в том, что происходит после появления соединения, а не в самом соединении.

«Вы, конечно, можете подключить свой AWS Redshift, Databricks или Snowflake и задействовать все эти инструменты и коннекторы данных», — сказал Шах. — «Но затем, когда вы используете агента данных, он может делиться контекстом и извлекать его из Slack и Google Drive, а также фактически управлять всеми этими различными инструментами, гарантируя, что нужная информация извлекается из этих экосистем и передается обратно в них».

Среди инструментов и платформ данных, к которым агент может подключаться:

• Хранилища данных и платформы: Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake и Datadog, а в будущем появится еще больше

• Файлы: Google Drive и SharePoint

• Панели мониторинга (дэшборды): Omni, Oracle BI, Power BI, Sigma, Tableau и ThoughtSpot

Оркестрация определяет, куда попадает полученная аналитическая информация. Шах назвал три примера: обращение к владельцу аккаунта с готовыми данными, подготовка отчета для руководства и автоматическое обновление диаграмм в презентации с помощью новейших цифр. Шах охарактеризовал все три направления как часть единого сквозного рабочего процесса, через который агент должен провести пользователя.

«MCP — это отправная точка, а агент данных фактически помогает оркестрировать ее специально для рабочих процессов с данными», — сказал Шах.

Отсутствие уровня контекста, отсутствие опубликованных бенчмарков и сферы, где соперники все еще побеждают

Для продукта, созданного для ответов на вопросы по корпоративным данным, компания OpenAI на удивление четко заявляет о том, чего она не создавала. На вопрос, создает ли агент постоянный уровень контекста для подключенных инструментов клиента, был дан отрицательный ответ.

«Он объединяет все различные контексты в их текущем состоянии, а не генерирует новый уровень контекста самостоятельно», — пояснил Шах, описав этот процесс как «на лету» сшивание контекста, а не создание постоянного уровня контекста.

Что касается бенчмарков точности извлечения или правильности ответов — показателей, которые большинство вендоров в этой категории ставят на первое место, — никаких официальных цифр не опубликовано. Шах сообщил, что внутренний бенчмарк сравнивает результаты агента с собственными инструментами данных OpenAI для подтверждения соответствия ожиданиям компании на внешнем рынке, однако конкретные опубликованные цифры не приводятся. Это внутреннее сравнение, а не независимо верифицированный бенчмарк. OpenAI не публиковала подобных данных для своего внешнего продукта.

На этой неделе компания Databricks опубликовала исследование, в котором утверждается, что ее адаптивный инструктивный ретривер (Adaptive Instructed-Retriever) не уступает по качеству ответов моделям Claude Sonnet 5, GPT-5.6 Luna и DeepSeek-V4-Flash, справляясь при этом более чем в два раза быстрее — в среднем за 5,8 секунды. У OpenAI нет опубликованного бенчмарка для агента Data. Вместо этого компания предлагает заявление о самом процессе, а не о точности. Шах называет этот процесс «восхождением на холм» (hill climbing) — той же итеративной внутренней доработкой, с помощью которой создавался инструмент еще до взаимодействия с первыми клиентами.

«Мы прошли внутренний путь восхождения на холм, и это в свою очередь уже сделало наши модели очень сильными в таких задачах», — сказал Шах. — «Поскольку мы внутренне совершенствовали наши инструменты для работы с данными, мы воплощаем все эти принципы в данном агенте и продукте, который очень легко установить из каталога плагинов».

При этом агент данных не задумывался как замена конкретным инструментам работы с данными, которые организация уже может использовать — будь то решения от Databricks, Snowflake или кого-либо еще.

Расчет OpenAI строится на том, что по мере роста числа используемых бизнесом инструментов оркестрация между ними оказывается важнее глубины каждого отдельного решения. OpenAI не обязательно напрямую конкурирует с этими вендорами; скорее, она выступает их партнером. Таким образом, агент данных становится просто еще одной опцией для корпоративных пользователей.

«Я смотрю на это так: по мере увеличения широты задач, которые вы хотите возложить на агента, ChatGPT Work действительно сияет, поскольку он может охватить все эти направления и сделать всё правильно», — отметил Шах.

Что это значит для бизнеса

Для целого поколения деловых людей доступ к нужным данным и последующая возможность их использования требовали участия аналитика данных. Эти дни стремительно уходят в прошлое.

Такой сдвиг не отменяет потребности в команде инженеров по данным. Он смещает фокус работы: от написания разовых запросов к поддержке средств контроля доступа и журналов аудита, которые позволяют агенту самообслуживания безопасно отвечать на вопросы без проверки каждого результата человеком. 

«Я надеюсь и ожидаю, что многие компании извлекают из своих данных такую же пользу, как и мы здесь, и что данные в этих компаниях действительно демократизированы», — сказал Шах. — «Я надеюсь, что специалистам по продажам или маркетингу больше не придется идти к аналитику данных, чтобы получить ответы на свои вопросы».