编者按：本文来自微信公众号 BV百度风投，作者｜BV软件组，创业邦经授权转载。
引言｜全文速览
生成式AI正把数据从静态资产推向实时决策的前台。数据不再是沉睡在表格里的行列，而是能被语义标注、即时调度、参与推理链路的数字化资源。当全球数据量以每年十数ZB的速度膨胀，企业若仍停留在“人工找数+手动分析”的旧范式，就注定被压缩到边际。此刻崛起的Data Agent，本质上是一层嵌入模型、工具与业务流程之间的新操作系统：它以自然语言驱动全栈数据管线，把“结构化读写 + 自动推理”变成分钟级的闭环，并直接映射到财务、营销、R&D等核心KPI。
技术成本骤降、用户心智觉醒与资本加速下注正在同步发生。三年前生成式推理百万token还要花60美元，如今降到不足一毛；AI搜索已占美国桌面端查询的5%以上，表明市场已接受“问一句话，直接拿答案”的交互模式；而Databricks、Snowflake等巨头的并购与融资则把“数据即模型燃料”的叙事推向主流。种种信号指向同一趋势：Data Agent的窗口期已然打开，且极度稀缺——谁先掌握数据生命周期的自动驾驶权，谁就掌握下一代AI生产力的方向盘。
本文将以产业与资本双重视角，拆解Data Agent如何重划人机分工、如何在真实场景中带来≥60%的效率跃迁，并展望其从“助手”到“自治业务大脑”的三阶段演进路线。透过领先案例与经济指标，我们认为：在Gen AI时代，真正决定企业竞争深度的，不是模型大小，而是数据被自动调用和持续进化的能力。
#01行业趋势｜Gen AI时代的数据操作系统正在重构
什么是 “Data Agent”？
首先，我们要先理解什么是Data：在Agent时代，“Data” 不再只是数据库里的行列，而是 任何能够随取随用、可被语义标注、可被推理的数字化资产——一切业务自动化与知识生产的基础。IDC预测2024年的全球数据量已达149ZB并将在 2025年突破181ZB，其中约80%属于文档、对话、图像等非结构化内容，这些数据需要首先被即时结构化、再被算法调用，才能真正参与推理链路。平均每家公司管理的活跃数据集数较 2020年翻倍，在麦肯锡对63个典型用例的测算里，生成式AI每年可贡献2.6–4.4万亿美元新增价值，其中近75%的收益源自对结构化数据高度依赖的职能——研发、软件工程、营销销售与客户运营 。这一集中度意味着“把数据管好、让模型读懂”是商业化最确定的突破口。
然后，我们来理解Data Agent的定义：Data Agent 是围绕数据生命周期（获取、准备、建模、洞察、可视化）全栈自动化的AI智能体，能够按照自然语言意图自主规划、执行与校验，输出可维护、可追溯的结果。
在“数据激增 + 生成式智能体”双轮驱动下，Data Agent不再只是BI工具的增量插件，而是贯穿数据生命周期、直接影响业务KPI的核心基建层。这一赛道的终局想象空间远超传统ETL或BI——它连接了数据、模型与行动，决定AI真正落地的速度与深度。早期落地者已在安全可控的场景里验证≥60 % 生产力提升或数百万美元年度节省。过去18个月，Dust（$16 M A 轮） 、Lyzr（$15 M A 轮进行中） 、You.com（估值 $1.4 B）等快速获资本追捧。
#02 从工具到同事｜Data Agent是高效的数据处理同事
在“人驱动工具”的旧范式里，分析流程以SQL查询或BI仪表盘为终点；Gen AI为数据工作注入“自省回路”，让智能体开始扮演“同事”而非“工具”； Data Agent智能体具备理解—操作—优化的闭环能力：它会主动追问业务上下文、自动回滚异常、持续监控指标并推送洞察。
结合下方图示可以看到，传统的数据栈分为“搜索—管理—分析”三段：Google / 百度解决信息触达，Excel与Airtable负责数据维护，SQL、Hive、Tableau、Snowflake则承担深度分析。当大模型原生的代码生成与自然语言解释能力嵌入这条链路，新的操作系统形态随之出现——位于图示右侧的Data Agent与Coding Agent。前者负责把琐碎的表格操作对话化，后者则处理长尾的定制化查询。
Gartner 进一步预测，AI Agents将在2027年自动或辅佐完成50%的业务决策，而首波落脚点正是数据流最密集的报表、监控与预算场景。当Data Agent接过“找数+整数”的脏活累活，人类分析师才能把注意力转向假设验证与策略设计；而Coding Agent、Marketing Agent等其他角色，也能在统一、可验证的数据 API上协同，形成真正意义上的多Agent生态。
为什么“此刻”是Data Agent的窗口期
首先是技术拐点。a16z对LLM推理价格的长期追踪显示，要在MMLU 42分段获 GPT-3同等性能的成本，三年里已从每百万token 60美元降到0.06美元，折合年化1000倍下降 ；Snowflake Cortex在TS Imagine的落地案例更给出直接指标：30%算力成本削减、4000小时人工释放 。
其次是市场心智成熟。AI搜索与问答流量在美国桌面端已占到5.6%（一年翻倍），标志着用户对“自然语言直连结构化答案”模式的接受度急速提升。但超过半数管理者认为缺乏把个人效率转化为组织收益的系统方法 ，这让“企业内数据分析＋联网数据调用”的Data Agent定位愈发刚需。
再来看资本与基础设施。Databricks以约13 亿美元收购 MosaicML，Snowflake收购Neeva并同步推出生成式套件，均聚焦“模型原生的数据平台”叙事；开源侧，LangChain、Llama-Index、Dify等框架短短一年内Star总量翻番，为Data Agent提供了可以即插即用的运行时。在人才维度，从OpenAI跳槽至Meta的o(1) 研究团队公开表示“数据配方而非模型大小”将决定下一阶段推理上限——行业共识正在回到“谁掌握最优数据，就掌握下一代Agent” 。
综合技术成本曲线、用户心智教育与资本流向三条指标，我们观察到：Data Agent正处在AI工作时代“新 Excel+新BI+新数据工程平台”的窗口期。它不仅让数据成为生成式AI的可编排能源，也为未来的多Agent生态奠定了统一、可验证、可追溯的操作系统。
Data Agent正加速从工具到协作伙伴的角色跃迁
全球约11亿办公人群每天在Excel、Sheets等表格里驱动财务与运营决策 。然而，行业调查显示，数据人员仍将60–80%的工时耗在“找数+清洗”环节，被称为“80/20 魔咒” 。Data Agent正是在这道瓶颈上率先破题——
开源论文SheetAgent在长链表格基准上将LLM的任务通过率提升20–30%，并通过Planner／Retriever／Informer的三模协作，通过自反思机制把错误回滚到上一步骤，实现“会提问、能纠错”的表格代理人 。
开源多智能体框架 MetaGPT 采用“PM-RD-QA”虚拟团队模式，在GitHub累计5.7+万星，社区把它作为多Agent协作的SOP，在金融、游戏和移动端开发项目中复用。
开源Data Agent项目Teable把Postgres封装成类Airtable的对话式表格，开源项目已得近20K Stars；在企业客户获取／CRM场景的灰度测试中，Teable Data Agent将“线索获取落地页 →CRM搭建与数据对接→自动通知销售→客户跟进与需求分析”这一全链路的搭建与上线周期，从3~5天压缩到7分钟，效率提升约600倍（按3天计）。
不仅仅是开源和技术有了长足的进展，Data Agent在2025年也开始广泛应用于的于链路复杂、信息量大、准确性要求高的企业场景落地——
德勤在2024年对2,800家大型企业的调研发现，如果把Gen AI叠加到“已成型的数据流程”上，投资回收期可缩短至18个月以内；而那些缺乏可维护数据资产的项目，平均回收期则拉长至30个月以上 。
Snowflake Cortex：营销机构Power Digital在接入Cortex的自然语言查询后，获取多源数据的时间从“写SQL”降到“聊天式提问”，对同批查询的洞察速度提高30倍，仅数百次查询就累计节约三周净工时 。
You.com ARI Enterprise连接内部文件与付费数据库，在复杂行业问答基准中以76%胜率击败OpenAI Deep Research，将多日调研缩短到数分钟 。
法国新锐Dust为健康险公司Alan在Slack内部署私域Data Agent，周活跃率维持90%，帮助其知识检索工时压缩 >60%。Dust为欧陆银行Qonto部署的私域Data Agent在一年内节省了50,000个人工小时，直接在合规审核和客服流程中节约了数百万欧元成本。公司成立一年即突破100万美元 ARR，近期已跃升至$6M，并在最近一轮融资后仍保持月均三位数成长。
企业搜索平台Glean依托语义知识图，短短三年ARR超过1亿美元，新一轮融资估值已升至72亿美元，估值被海外资本解读为“数据护城河”的溢价。
#03 场景和需求｜Data Agent落地的三大市场
数据搜集：从“人海战术”到 AI 驱动的精准检索
数据是企业的重要增长引擎，但往往在搜集阶段需要耗费大量的时间与人力。IDC 的调研指出，一名知识型员工平均每天要把30%的工时花在到处检索与搬运信息，这相当于每周五个工作日里有一天只在“找资料”而非“用资料”。这种“人海战术”在UGC平台爆发式增长后愈发低效：信息量翻倍，而搜索噪声同步放大，导致人工检索与手动录入数据的边际成本居高不下。
人类平均静默阅读速度约238词/分；而Gemini2.0的Context Window达1M token，处理速度达到2万token/分（1 token≈1 词）。简单换算可知，LLM的信息摄取速度已是人类的100倍，这让“搜索+筛选+摘要”一步到位成为可能，Data Agent将为数据和信息领域带来的效率跃迁。
同时，行业内也涌现出一批新产品验证市场需求：
Perplexity：月活约1500万，每周请求量过亿，最新私募估值180亿美元；其面向消费者的Q&A搜索与企业API同步增长，最近还与三星、苹果洽谈在手机端预装AI浏览器Comet 。
Exa：为AI agent和开发者提供原生语义搜索与内容检索API，支持网页抓取、相似内容发现、自动生成摘要等；常被用于RAG场景中，帮助企业快速进行市场调研、竞争分析和资料收集。
Sheet0.com: 旨在为Prosumer提供L4级别的用户体验，通过对话式窗口将数据工作抽象为“发指令-落表-可视化”，在营销、销售、电商等数据场景中，为知识工作者十倍提效。和通用搜索相比，Sheet0更强调无幻觉的结构化输出和Excel等已有数据生态的无缝衔接。
Thunderbit：通过Excel插件将网页内容一键导入并结构化，帮助用户快速生成销售线索或行业报告。
数据采集正从低效的人力密集模式向智能化、自动化转型，随着Perplexity、Exa、Sheet0等产品的成熟，企业的数据搜集与结构化将逐渐形成“零摩擦”流程。
数据管理：从表格工具到Data Agent“自动驾驶”
Microsoft 365今日拥有约3.21亿活跃用户，其中绝大多数日常依赖Excel处理业务数据。然而“人人都会用”的神话早已被数据戳破：一项行业调研显示，全球7.5亿日常表格用户中，仅20%掌握VLOOKUP等基础函数 ；更令人警醒的是，多项学术复盘指出88%的在役表格包含至少一个错误，常因公式拼写或引用链断裂导致决策失真。
数据管理的交互界面正经历根本性变革——从以表格为核心的传统操作，转向以自然语言为入口的智能对话层。
来源：飞书多维表格官网，用户可通过自然语言进行数据查询、公式生成
飞书多维表格把数据库、智能助手与自动化工作流深度融合：用户只需在同一输入框用自然语言说明“把客服系统本周新增的差评汇总为趋势图”，系统便用AI写公式功能即时生成查询语句、联通跨表字段并返回可视化结果；如果紧接着补一句“今后每逢周五自动推送”，多维表格会把这段对话转成AI节点插入工作流，按时抓取最新数据并在飞书群内播报。借助这一原生Data Agent，员工无需记忆 VLOOKUP或SQL，就能在飞书生态内完成数据管理全流程。
这一转变不仅显著降低了数据操作的门槛，也意味着数据管理正逐步迈向“L2/L3”时刻。
数据分析：Agent引爆“人人皆分析师”
早期的数据分析需依赖 SQL/Hive，由数据工程师手动编码；Snowflake等PaaS 的出现虽提升效率，但对非技术用户仍不友好。数据分析本质以代码为载体，且SQL逻辑相对简单，非常适合Coding Agent快速交付高质量结果。Cursor等产品已出现大量实战案例。然而，由于这些Coding Agent并没有数据上下文，用户常需手动搬运数据，体验断裂。
与仍需额外接入数据库的传统Coding Agent不同，数据库原生的Data Agent天然具备完整的数据上下文。
来源：Airtable官网, 用户可直接在对话框内对Airtable提出数据分析需求
Airtable的最新AI-native版本把大模型直接嵌入其关系型数据库引擎：用户只需输入自然语言，就能让Omni Agent即刻扫描表间关系、聚合记录，并生成可解释的洞见。例如，营销团队可以一句话询问「上季度ROI 最高的活动及原因是什么」，系统会自动在多维数据中提取指标、比对趋势并给出结论；官方披露，Omni 甚至能够在数万条通话或合同记录中寻找模式并提示异常，从而将「找数—分析—决策」链路压缩到几秒内，真正做到数据与Agent的零缝隙衔接，印证了数据库原生Data Agent的上下文优势。
#04 Data Agent发展三阶段｜从助手到业务“大脑”的三步跃迁
我们判断，AI Data Agent的演进将经历三大阶段，每一阶段都对应着组织生产力的跃升与商业模式的重塑。
阶段 1｜人类主导，AI赋能
Data Agent正在改变人与数据的交互方式，重构了数据团队的工作重心和企业的决策流程。过去，使用数据往往意味着面对复杂表格和高门槛工具，而今天，Data Agent正将自然语言变为新的操作界面，让员工无需掌握SQL或BI工具，即可完成数据查询、表格填写和报告生成。以摩根士丹利为例，该公司在财富管理系统中接入GPT-4推出“Data助手”，让理财顾问可以用对话方式访问内部知识库，结果是98%以上的团队将其纳入日常工作，显著节省了原本用于翻阅资料的时间。
Data Agent不仅“听得懂”，更“听得明白”。当销售经理提问“去年新品在各区域的利润走势”时，AI能够自动识别“新品”“利润”“区域”等术语背后的业务含义，实时调用财务与销售系统中的数据生成可视化趋势图，报告撰写时间平均缩短70%。麦肯锡估算，通过Data Agent推动流程自动化，企业平均可减少20-30%的运营成本，同时提升40%以上的运营效率。
本质上，这是一次底层范式的迁移：数据工作的“生产力工具”正由Data Agent驱动重构，它让数据的使用不再依赖少数技术专家，而是普惠到每一个员工和业务单元。数据不再难以触达，分析不再高高在上，AI让“人人可用数据、人人做出判断”成为现实，也让企业在瞬息万变的市场中具备更快的响应速度和更强的竞争能力。
阶段 2｜场景驱动，应用自生
Data Agent作为新型智能体，能够读取企业现有的业务数据，自动生成涵盖前端界面和后端逻辑的完整应用系统，为每个企业配备了一支全天候待命的开发团队。例如一位酒店经理，只需让Data Agent调用现有预订和客房数据，AI便可自动生成一套整合预订、调度与保洁功能的定制系统，真正做到所想即所得。
OpenAI曾展示GPT-4可将餐巾纸上的网站草图直接变为可运行网页，Teable则更进一步，让用户仅需一句需求描述，系统即可完成从分析、编程到部署的全过程。
这种能力释放出前所未有的业务创造力：市场人员可以在灵感来临时立即生成活动管理工具，供应链员工能按需定制库存调度系统，企业由此进入“秒响应、日迭代”的创新节奏。快速开发能力还直接带来收入增长与客户体验的飞跃。MIT的一项研究发现，具备实时响应能力的企业，其营收增长率平均高出同行62%，利润率比落后企业高出97%。Data Agent让每一位员工都拥有“造工具”的能力，也让每一家组织，都更接近成为真正的数据驱动型企业。
阶段 3｜自治智能，数据成为业务OS
AI Data Agent将不再仅仅是分析助手，而是演化为一位真正的“数字COO”——全面接管数据采集、治理、分析与监控等关键流程，推动企业实现更高程度的实时性与自动化运营。
以酒店行业为例，传统的定价、排班和库存决策往往依赖人工经验和静态报表，反应滞后，误差频发。而拥有全景视角的Data Agent能够实时整合历史入住率、天气变化和当地活动安排等多维数据，自动提出定价和排班建议，并同步优化OTA 渠道投放和广告预算。例如，东京一家酒店引入AI动态定价系统后，在某场演唱会官宣当晚即调整周末房价，最终实现每房收益提升6–10%；同时，系统还基于预订密度自动增配保洁排班，使房间翻台率提升20%。
更重要的是，Data Agent打破了部门间的数据孤岛，实现业务全链条的联动优化，能够在识别某个业务信号后，快速判断其对上下游流程的影响。例如，某国际酒店集团部署的系统会在检测到推广活动转化率下滑时，自动分析原因，并同步协调市场与产品团队提出调整策略。
#05 时代性机会｜Data Agent正在打开一个确定且仍然稀缺的窗口
确定性｜数据驱动的AI中间层，刚需已被市场验证
微软最新《Work Trend Index》显示，75%的知识工作者已开始在日常工作中调用生成式 AI，但53%认为“公司缺少把个人效率放大为组织产出的方法论” 。同期《华尔街日报》和《卫报》对“AI搜索”的报道指出，AI驱动的搜索与问答流量在 2025 年已占到美国桌面搜索5.6%。这从另一个侧面证明，“让自然语言直连结构化答案”已经成为用户与企业的共同心智。这正是Data Agent所提供的“企业内数据分析+联网数据调用”能力——一条横跨SaaS中间层、可直接替代部分人工分析岗位的新链路。
需求侧的信号在过去一年急剧放大：Google Trends显示，“AI agent” 关键词的全球搜索热度同比暴涨900%；投融资端同样迅速跟进——据Warmly.ai统计，2024年AI Agent赛道融资总额达到38亿美元，是上一年的近三倍，其中超六成流向“数据—洞察—行动”闭环类项目 。换言之，当10亿+知识工作者的“看得见的痛点”遇上900%的需求爆发与数十亿美元的资本加码，我们几乎可以确定：Data Agent 将像1990年代的Office 套件一样，成为下一代数字工作的默认入口。
早期稀缺｜“基础设施级别”的空位仍待占领
与动辄数十家独角兽并存的传统SaaS赛道不同，Data Agent目前的头部项目屈指可数：Glean、Dust、You.com之外，再难找到月活破百万或ARR过千万的玩家 。市场的两端——底层模型和上层业务场景——已高速进化，唯独“以表格为界面、以API为内核”的数据操作系统仍是蓝海。
技术栈亦处于开荒阶段：Deloitte调研显示，67%的企业2025年将把新增Gen AI预算投入到“数据管线自动化与治理”，同时列“缺乏可复用的框架”作为落地最大痛点。在开源社区，MetaGPT、SheetAgent等项目虽展示了多智能体协作与自反思机制，但距离企业级安全、合规与可观测还有明显鸿沟。
技术平权｜Gen AI释放人类创意实现能力
我们的第三个判断，来自人才与范式的迁移。从MetaGPT、SheetAgent到 LangGraph、LlamaIndex、Dify，开源社区迅速把“Planner-Executor-Reflector”“Agent as Colleague”这些抽象范式落地为可复用的工程库，创业门槛大幅降低；与此同时，“从 OpenAI/DeepMind 等实验室流向更偏工程落地的公司或大厂”的人才迁移，正在把“数据配方”和“推理链优化”这类能力快速产业化。我们相信，不论是连续创业者还是Gen Z破风者，都有能力在这个新操作系统层上做出真正的平台公司。
#06 结语
Teable的创始人兼CEO陈加贝表示：“企业软件有个残酷真相：你花几十万买的系统，90%的功能员工根本不用——不是功能不好，是太复杂了，学不会。但AI时代彻底颠覆了游戏规则，过去是先有应用再产生数据，现在应该是数据直接催生应用，当AI让开发成本无限趋向于零，应用就不再是稀缺品——它应该像空气一样：需要时瞬间出现，不需要时立即消失，永远在自我进化中适应你的业务。用户要的不是'vibe coding'，而是'vibe working'。一句话需求进来：建库、写应用、搭工作流，全自动解决工作需求，这就是Data Agent的威力——从数据管理到生成式应用再到自动化工作流的完整闭环，让工作真正实现所想即所得。真正的护城河不是你有什么复杂软件，而是你的数据有多智能、进化有多快，那些还在卖'学习成本几个月'的软件公司，已经是昨天的故事了，未来的企业软件就是数字生命体：零门槛、即用即得、与业务共同进化。”
深度赋智的创始人兼CEO吴承霖认为：“过去我们总把数据当作‘资源’，把智能体当作‘工具’，一个是静态的仓库，一个是执行的助手。但在真正跑起来的AI系统中，这种划分已经不成立了。数据和智能体，其实是一体两面，是共生的操作系统。智能体需要数据来感知世界、理解上下文、形成记忆；数据也只有在被智能体实时调度、推理、反馈之后，才能真正‘活’起来，成为持续进化的系统一部分。你不能只造一个Agent，而忽略它对数据结构的依赖；也不能只堆数据，而没有智能体去驱动它流动、变形和生长。真正的智能，来自于二者的联动闭环，不是有了Agent才需要数据，而是从一开始，Agent和数据就必须共同设计、一起进化。”
Sheet0.com的创始人兼CEO王文锋表示：“Data和Coding都是万亿美金市场。不过Coding Agent正在步入成熟阶段，而Data Agent却还处于爆发的前夜。和Coding类似，Data也可以建立稳定的反馈闭环，但相比Coding，Data需要更激进的产品策略和更多的Context Engineering。我认为Data Agent正处于类似Coding Agent 2023年底的阶段，所以我认为接下来18个月，会有很多Data Agent脱颖而出。如何成为Data领域的第一个Curosr，我认为是值得创业者和投资人思考的问题。”
BV 百度风投观察到，Data Agent已从概念走向落地，其战略价值与商业确定性前所未有，但行业格局仍留出巨大的“空位”。此刻的关键，不在于再解释“为何”，而在于“由谁”来占据这条数据—模型—行动的主干道。我们相信Data Agent 正处于同样的“iPhone前夜”——确定性已充分显露，但真正的生态格局尚未锁定。这也正是我们此刻加速布局的根本原因。
BV 百度风投坚信——Agent技术将把人类的创意与天赋放大为指数级生产力。围绕此主题，我们将持续关注3条主线：底层平台、开源进展、行业闭环应用创新。我们期待与敢于重新定义数据操作系统的创业者同行，共同抢占这场确定且稀缺的时代红利。
参考资料
IDC & Seagate，《The Digitization of the World / Data Age 2025》：https://www.seagate.com/files/www-content/our-story/trends/files/dataage-idc-report-final.pdf
McKinsey，《The economic potential of generative AI》：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
TechCrunch，Glean Series F $7.2B 估值报道：https://techcrunch.com/2025/06/10/enterprise-ai-startup-glean-lands-a-7-2b-valuation/
Snowflake，《TS Imagine、Yieldmo 实测节省与加速数据案例》：https://www.snowflake.com/en/customers/all-customers/case-study/ts-imagine/
SheetAgent，《论文与项目页》：https://arxiv.org/abs/2403.03636
GitHub，MetaGPT 项目页：https://github.com/FoundationAgents/MetaGPT
GitHub，Teable 项目页：https://github.com/teableio/teable
Deloitte，《State of Generative AI in the Enterprise 2024 Q4 & 2025》：https://go.writer.com/enterprise-ai-adoption-survey
Fortune Business Insights，《BI 市场洞察》：https://www.fortunebusinessinsights.com/business-intelligence-bi-market-103742#:~:text=KEY%20MARKET%20INSIGHTS&text=The%20global%20business%20intelligence%20market,share%20of%2030.96%25%20in%202024.
《华尔街日报》《卫报》，2025 年 7 月 “AI 搜索”与 Google AI Overview 流量与营收数据： https://cn.wsj.com/articles/ai%E6%90%9C%E7%B4%A2%E6%B4%BB%E5%8A%A8%E5%A2%9E%E9%80%9F%E8%B6%85%E9%A2%84%E6%9C%9F-de1e4251
Microsoft，《Work Trend Index》：https://www.microsoft.com/en-us/worklab/work-trend-index
You.com，《研究文章》：https://you.com/articles/o3-mini-judges-ari-enterprise-winner-over-openai-deep-research
Beam.ai，Google trend 集成页：https://beam.ai/integrations/google%20trends#:~:text=Once%20connected%2C%20the%20AI%20agents,provide%20up%20to%20date%20insights.
Rayner et al.，《How many words do we read per minute? A meta-analysis》：https://www.sciencedirect.com/science/article/abs/pii/S0749596X19300786
Cottrill Research，《Various Survey Statistics: Workers Spend Too Much Time Searching for Information》：https://cottrillresearch.com/various-survey-statistics-workers-spend-too-much-time-searching-for-information/
Google Cloud，《Gemini 2.0 模型技术文档》：https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/#ceo-message
Yahoo Finance，《You.com seeking $1.4 bn valuation in new funding round》：https://finance.yahoo.com/news/com-seeking-1-4bn-valuation-151056995.html
Times of India，《Perplexity CEO Aravind Srinivas…》：https://timesofindia.indiatimes.com/technology/tech-news/perplexity-ceo-aravind-srinivas-the-boy-who-turned-his-mothers-iit-dream-into-a-billiondollar-ai-company/articleshow/122865092.cms
Forbes，《Sourcetable Launches AI Spreadsheet》：https://theaiinsider.tech/2025/04/01/sourcetable-gets-4-3m-and-launches-worlds-first-self-driving-spreadsheet-powered-by-ai/
Marketful，《Airtable Market Insights》：https://marketful.com/blog/airtable-statistics/
OpenAI，Morgan Stanley AI Assistant Adoption：https://openai.com/customer-stories/morgan-stanley
Zapier，《Automation Report》
McKinsey，《AI & Process Optimization》：https://www.mckinsey.com/mgi/our-research/the-economic-potential-of-generative-ai
TechCrunch，《Lovable raises $15.5M to build AI-native app generation tool》：https://techcrunch.com/2024/03/07/lovable-raises-15-5m
AIMultiple，《30+ Low-Code/ No-Code Statistics in 2025》：https://research.aimultiple.com/low-code-statistics/
IBM Think Blog，《What is MetaGPT?》：https://www.ibm.com/think/topics/metagpt#:~:text=Within%20MetaGPT%E2%80%99s%20multiagent%20collaborative%20framework%2C,a%20single%20line%20of%20input
Tweaktown，《OpenAI's new ChatGPT instantly turns a napkin sketch into a website》：https://www.tweaktown.com/news/90725/openais-new-chatgpt-instantly-turns-napkin-sketch-into-website/index.html
MIT Sloan Management Review，《4 capabilities of a real-time business》：https://mitsloan.mit.edu/ideas-made-to-matter/4-capabilities-a-real-time-business#:~:text=A%20recent%20brief%20from%20the,compared%20with%20the%20bottom%20quartile
McKinsey，《How COOs maximize operational impact from gen AI and agentic AI》：https://www.mckinsey.com/business-functions/operations/our-insights/how-coos-maximize-operational-impact-from-gen-ai-and-agentic-ai
Hackett Group，《Smart Automation to Cut Costs by 30%》：https://www.thehackettgroup.com/insights/ai-cost-savings/
BCG，《AI & Decision Automation in Global Enterprises》：https://www.bcg.com/publications/2023/decision-intelligence-how-companies-create-value
Redstone Labs，《How AI Agents are Revolutionizing Businesses》：https://redstonelabs.ai/blog/how-ai-agents-are-revolutionizing-businesses
Hospitality Net，《10 Data-Backed Ways AI is Revolutionizing Hotels》：https://www.hospitalitynet.org/opinion/4119903.html
关于BV百度风投
BV百度风投是由百度集团在2017年发起设立的独立风险投资机构，专注于人工智能领域的布局和探索，是国内最早深入该领域的早期风险投资机构之一，覆盖人工智能产业链、自动驾驶、医疗、生命科学、机器人、先进计算等细分方向。目前，BV百度风投旗下管理多支基金，在全球范围内已累计投资200余家企业。
未来，BV百度风投将不断探索并陪伴新兴科技共同成长，为创业者提供专业的技术支持和全球化的资源赋能，助力其技术不断突破创新，实现长期的商业价值。欢迎私信后台或通过邮箱与我们交流！邮箱地址：bp@baidu-venture.com
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
