OpenAI Brings Data Agent to ChatGPT: When Data Analysis Moves from SQL to Conversation
Ngày 10/9/2026, OpenAI giới thiệu Data agent trong ChatGPT Work, cho phép người dùng kết nối trực tiếp với dữ liệu doanh nghiệp, đặt câu hỏi bằng ngôn ngữ tự nhiên, điều tra nguyên nhân biến động và tạo dashboard tương tác mà không nhất thiết phải tự viết truy vấn SQL.
Điểm đáng chú ý không nằm ở việc ChatGPT có thêm khả năng tạo biểu đồ. Data agent được thiết kế để làm việc trực tiếp với những hệ thống dữ liệu doanh nghiệp đang sử dụng như Google BigQuery, Snowflake, Databricks, Amazon Redshift, ClickHouse và MongoDB, đồng thời sử dụng semantic layer, định nghĩa chỉ số và các nguồn business context hiện có để hiểu dữ liệu theo cách doanh nghiệp hiểu nó.
Đây là một bước tiến đáng chú ý trong cuộc cạnh tranh giữa AI và các nền tảng phân tích dữ liệu. Nếu Business Intelligence truyền thống yêu cầu người dùng mở dashboard, chọn bộ lọc hoặc chờ đội Data chạy một báo cáo mới, OpenAI muốn biến hội thoại thành một giao diện khác để truy cập Data Platform.
Điều này có thể làm thay đổi đáng kể cách Data Analyst, Data Engineer và người dùng doanh nghiệp làm việc với dữ liệu trong những năm tới.
Mục lục
- Data agent của OpenAI là gì?
- Điểm khác biệt không chỉ nằm ở việc không cần viết SQL
- Business context trở thành lớp quan trọng của AI Analytics
- OpenAI đang đi thẳng vào Data Platform doanh nghiệp
- Dashboard truyền thống có biến mất?
- Data Analyst sẽ thay đổi như thế nào?
- Data Engineer có thể còn quan trọng hơn
- Governance là điều kiện để AI phân tích dữ liệu đáng tin cậy
- Từ Self-Service BI đến Agentic Analytics
- Doanh nghiệp nên chuẩn bị gì?
Data agent của OpenAI là gì?
Theo công bố của OpenAI, Data agent là một agent mới trong ChatGPT Work được xây dựng để giúp người dùng trả lời những câu hỏi kinh doanh dựa trên dữ liệu của tổ chức.
Một giám đốc kinh doanh có thể hỏi vì sao doanh số tuần trước giảm. Finance có thể yêu cầu phân tích khu vực nào đang tăng chi phí bất thường. Product team có thể muốn tìm nguyên nhân khiến tỷ lệ activation giảm. Ban lãnh đạo có thể yêu cầu tạo một dashboard tổng hợp các KPI chính trong tháng.
Trước đây, những câu hỏi như vậy thường đi qua nhiều bước. Người dùng gửi yêu cầu cho Data Analyst, Analyst xác định dữ liệu cần sử dụng, viết SQL, kiểm tra định nghĩa metric, phân tích kết quả, tạo visualization rồi mới trình bày lại cho business.
Data agent muốn rút ngắn vòng lặp này.
Người dùng có thể bắt đầu bằng một câu hỏi tự nhiên, tiếp tục hỏi sâu hơn ngay trong cùng cuộc hội thoại và yêu cầu hệ thống biến kết quả thành dashboard có thể chỉnh sửa, chia sẻ và refresh.
OpenAI cho biết Data agent cũng có thể làm việc với các công cụ BI hiện hữu như Power BI, Tableau, Sigma, Omni, Oracle BI và ThoughtSpot. Điều đó cho thấy mục tiêu của OpenAI hiện tại không phải thay thế hoàn toàn hệ sinh thái BI, mà đưa một lớp AI mới lên trên những hệ thống doanh nghiệp đã có.
Điểm khác biệt không chỉ nằm ở việc không cần viết SQL
Khả năng hỏi dữ liệu bằng tiếng Anh hay tiếng Việt không còn hoàn toàn mới.
Text-to-SQL đã tồn tại nhiều năm và hầu hết các nền tảng dữ liệu lớn hiện đều đang phát triển khả năng conversational analytics.
Điểm đáng quan tâm hơn của Data agent nằm ở cách hệ thống kết hợp ba thành phần vốn thường bị tách rời: dữ liệu, business context và khả năng thực hiện phân tích nhiều bước.
Một câu hỏi như “Tại sao doanh thu giảm?” hiếm khi được giải quyết bằng một câu SQL duy nhất.
Agent có thể phải kiểm tra doanh thu theo thời gian, chia theo thị trường, sản phẩm hoặc channel, so sánh với giai đoạn trước, tìm những segment biến động mạnh, đối chiếu thêm dữ liệu Marketing hoặc Sales và sau đó xác định giả thuyết có khả năng giải thích kết quả.
Đây là bản chất của công việc phân tích.
Vì vậy, bước tiến quan trọng không phải AI có thể sinh SQL.
Quan trọng hơn là AI bắt đầu được thiết kế để thực hiện một phần của quá trình điều tra dữ liệu mà trước đây con người phải tự tổ chức.
Business context trở thành lớp quan trọng của AI Analytics
Một trong những chi tiết quan trọng nhất trong công bố của OpenAI là Data agent không chỉ đọc raw tables.
Hệ thống có thể sử dụng metric definitions, custom calculations, data relationships và business terminology đã tồn tại trong doanh nghiệp. Context này có thể đến từ Databricks Genie Ontology, dbt, Snowflake Horizon, GitHub hoặc các BI dashboard hiện có.
Đây là một vấn đề rất quan trọng nhưng thường bị đánh giá thấp trong AI Analytics.
Một database có thể chứa cột revenue, nhưng chưa chắc đó là định nghĩa doanh thu mà CFO sử dụng trong báo cáo quản trị.
Một bảng khác có thể chứa active_customer, nhưng Sales và Finance có thể có hai định nghĩa hoàn toàn khác nhau về một khách hàng đang hoạt động.
Gross Margin cũng có thể được tính theo nhiều cách tùy doanh nghiệp.
Nếu AI chỉ nhìn schema và tự đoán ý nghĩa của dữ liệu, hệ thống rất dễ đưa ra một câu trả lời hợp lý về mặt kỹ thuật nhưng sai về mặt kinh doanh.
Đó là lý do Semantic Layer đang trở thành một thành phần ngày càng quan trọng trong kiến trúc Data + AI.
AI cần biết không chỉ dữ liệu nằm ở đâu, mà còn phải hiểu dữ liệu đó có nghĩa gì đối với doanh nghiệp.
OpenAI đang đi thẳng vào Data Platform doanh nghiệp
Danh sách hệ thống mà OpenAI kết nối cũng cho thấy tham vọng lớn hơn của Data agent.
OpenAI đang tích hợp với Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake và nhiều nền tảng khác. File và document trong Google Drive hay SharePoint cũng có thể được đưa vào quá trình phân tích.
Điều này tạo ra một mô hình khá khác so với BI truyền thống.
Một câu hỏi kinh doanh có thể cần dữ liệu transaction từ Data Warehouse, thông tin sản phẩm từ một database, tài liệu chiến lược từ Google Drive và business definition từ dbt hoặc semantic layer.
Data agent muốn đứng ở phía trên những hệ thống đó và giúp người dùng truy cập chúng thông qua một giao diện hội thoại thống nhất.
Nếu hướng phát triển này thành công, AI có thể trở thành một lớp interaction mới của Data Platform.
Data Warehouse vẫn lưu trữ và xử lý dữ liệu. Data pipeline vẫn phải đưa dữ liệu về đúng nơi. Semantic Layer vẫn quản lý định nghĩa nghiệp vụ. BI vẫn có vai trò trực quan hóa và phân phối báo cáo.
Nhưng cách người dùng cuối truy cập tất cả những thành phần này có thể thay đổi đáng kể.
Dashboard truyền thống có biến mất?
Không nên kết luận quá sớm rằng Data agent sẽ khiến dashboard biến mất.
Dashboard vẫn rất hiệu quả với những nhu cầu lặp lại.
Một CEO muốn xem doanh thu, biên lợi nhuận, tồn kho và cash flow mỗi sáng không cần hỏi AI lại từ đầu mỗi ngày. Một dashboard được thiết kế tốt vẫn là cách nhanh nhất để theo dõi những KPI ổn định.
Điểm yếu của dashboard xuất hiện khi người dùng muốn đi ra ngoài những câu hỏi đã được thiết kế sẵn.
Dashboard có thể cho biết doanh thu giảm 12%, nhưng thường không tự trả lời được tại sao doanh thu giảm.
Người dùng bắt đầu lọc theo khu vực, channel, sản phẩm hoặc thời gian. Nếu vẫn chưa tìm được nguyên nhân, câu hỏi lại quay về đội Data.
Data agent nhắm chính vào khoảng trống đó.
Vì vậy, tương lai nhiều khả năng không phải “AI thay thế dashboard”, mà là dashboard và conversational analytics tồn tại cùng nhau.
Dashboard trả lời câu hỏi “đang xảy ra chuyện gì?”. Agent ngày càng tham gia sâu hơn vào câu hỏi “tại sao chuyện đó xảy ra?” và “nên kiểm tra điều gì tiếp theo?”.
Data Analyst sẽ thay đổi như thế nào?
Data Analyst là một trong những nghề chịu tác động trực tiếp nhất.
Những công việc mang tính thao tác như viết một số truy vấn SQL cơ bản, tổng hợp dữ liệu, tạo chart hoặc xây những dashboard đơn giản ngày càng có thể được AI hỗ trợ hoặc tự động hóa.
Nhưng điều đó không đồng nghĩa doanh nghiệp sẽ không cần Data Analyst.
Ngược lại, giá trị của Analyst có thể chuyển lên một lớp cao hơn.
Một Analyst giỏi không chỉ biết lấy dữ liệu. Họ hiểu vấn đề kinh doanh, biết đặt hypothesis, phân biệt correlation với causation, phát hiện khi metric có vấn đề và biết một kết quả nào đó có đáng tin hay không.
Ví dụ, AI có thể phát hiện conversion rate giảm mạnh trong một nhóm khách hàng.
Nhưng Analyst vẫn cần đặt câu hỏi liệu thay đổi đó đến từ hành vi khách hàng, thay đổi cách tracking, lỗi dữ liệu, thay đổi định nghĩa metric hay một chương trình khuyến mãi vừa kết thúc.
AI giảm chi phí truy cập dữ liệu không làm tư duy phân tích trở nên ít quan trọng hơn.
Nó có thể khiến tư duy đó trở nên quan trọng hơn.
Data Analyst trong những năm tới vì vậy có thể dành ít thời gian hơn cho việc lấy dữ liệu và nhiều thời gian hơn cho problem framing, validation, interpretation và business decision.
Data Engineer có thể còn quan trọng hơn
Một nghịch lý của AI Analytics là càng dễ đặt câu hỏi với dữ liệu, chất lượng Data Platform phía sau càng trở nên quan trọng.
Nếu hàng trăm nhân viên có thể hỏi AI về doanh thu, khách hàng, inventory hay marketing performance, doanh nghiệp cần chắc chắn rằng những dữ liệu đó được cập nhật đúng, metric được định nghĩa thống nhất và quyền truy cập được kiểm soát.
Data Agent không thể sửa một Data Platform yếu chỉ bằng model mạnh hơn.
Nếu dữ liệu trùng lặp, pipeline lỗi, customer ID không nhất quán hoặc metric không có owner rõ ràng, AI chỉ có thể đưa ra câu trả lời nhanh hơn trên một nền dữ liệu không đáng tin cậy.
Đây là lý do sự phát triển của Data Agent có thể không làm giảm vai trò Data Engineering.
Nó có thể làm nhu cầu xây dựng nền tảng dữ liệu tốt trở nên cấp thiết hơn.
AI càng được democratize cho nhiều business user, hậu quả của dữ liệu sai càng lớn.
Governance là điều kiện để AI phân tích dữ liệu đáng tin cậy
OpenAI nhấn mạnh rằng Data agent tuân thủ quyền truy cập từ hệ thống dữ liệu được kết nối, bao gồm quyền ở cấp table, row và column.
Đây là chi tiết đặc biệt quan trọng với Enterprise AI.
Một Sales Manager có thể được phép xem doanh thu của khu vực mình phụ trách nhưng không được xem payroll của toàn công ty. Một nhân viên Marketing có thể phân tích customer segment nhưng không nhất thiết được truy cập PII ở cấp từng cá nhân.
Nếu Agent trở thành giao diện truy cập dữ liệu, permission không thể chỉ nằm ở giao diện ChatGPT.
Nó phải kế thừa và tôn trọng governance của Data Platform phía dưới.
Vì vậy, tương lai của Enterprise AI Analytics không chỉ phụ thuộc vào model.
Nó phụ thuộc vào Identity, Permissions, Data Governance, Semantic Layer, Data Quality và Auditability.
Đây cũng là lý do doanh nghiệp đã đầu tư nghiêm túc vào Data Platform có lợi thế rõ ràng hơn khi triển khai AI.
Từ Self-Service BI đến Agentic Analytics
Trong hơn một thập kỷ, ngành BI theo đuổi khái niệm Self-Service Analytics.
Mục tiêu là giúp business user tự truy cập dữ liệu thay vì phụ thuộc hoàn toàn vào IT.
Power BI, Tableau, Looker, ThoughtSpot và nhiều nền tảng khác đều góp phần đẩy thị trường theo hướng đó.
Data agent mở ra một giai đoạn tiếp theo.
Người dùng không nhất thiết phải biết bảng nào chứa dữ liệu mình cần, join hai bảng như thế nào hay visualization nào phù hợp nhất.
Họ bắt đầu từ một business question.
AI chịu trách nhiệm tìm dữ liệu, thực hiện phân tích, trình bày evidence và giúp người dùng tiếp tục điều tra.
Có thể gọi giai đoạn này là Agentic Analytics: quá trình phân tích không còn chỉ dựa vào một công cụ mà có một Agent chủ động tham gia vào chuỗi công việc.
OpenAI cho biết gần như toàn bộ product team và hơn hai phần ba tổ chức go-to-market của công ty đã sử dụng những khả năng đứng sau Data agent để tự phân tích dữ liệu.
Các khách hàng Alpha như NTT DATA, Thermo Fisher, ServiceTitan và Zipline cũng đã thử nghiệm Data agent cho những bài toán như phân tích sales, spending, reporting errors và xác định cơ hội kinh doanh.
Đó vẫn là những ví dụ ban đầu, chưa đủ để kết luận AI Agent có thể thay thế hệ thống analytics truyền thống.
Nhưng chúng cho thấy conversational analytics đang tiến từ demo sang workflow thực tế.
Doanh nghiệp nên chuẩn bị gì?
Điều đáng chú ý nhất từ Data agent không phải doanh nghiệp nên lập tức thay toàn bộ BI stack bằng ChatGPT.
Thông điệp quan trọng hơn là lớp giao tiếp với dữ liệu đang thay đổi.
Trong tương lai, nhân viên có thể ít quan tâm hơn đến việc dữ liệu đang nằm trong BigQuery, Snowflake hay Databricks. Họ muốn đặt câu hỏi kinh doanh và nhận lại một câu trả lời có bằng chứng, đúng quyền truy cập và đúng định nghĩa của tổ chức.
Để đạt được điều đó, doanh nghiệp cần làm tốt những phần nền tảng trước.
Dữ liệu phải được tích hợp. Metric phải có định nghĩa rõ ràng. Semantic Layer phải phản ánh đúng business logic. Permission phải được quản trị. Data Quality phải được theo dõi. Những nguồn dữ liệu quan trọng phải có owner.
Không có những yếu tố này, Data Agent chỉ trở thành một giao diện mới đặt trên một hệ thống dữ liệu cũ.
Có những yếu tố này, AI có thể làm một việc quan trọng hơn nhiều: đưa khả năng phân tích dữ liệu đến gần hơn với hàng nghìn người dùng trong doanh nghiệp.
SQL chưa biến mất, nhưng vị trí của SQL đang thay đổi
Sẽ là quá sớm nếu nói rằng OpenAI Data agent khiến SQL trở nên không cần thiết.
SQL vẫn là ngôn ngữ cốt lõi của hệ sinh thái dữ liệu hiện đại. Data Engineer, Analytics Engineer và Data Analyst chuyên sâu vẫn cần hiểu dữ liệu ở mức kỹ thuật để kiểm tra logic, tối ưu truy vấn và xác thực kết quả.
Điều đang thay đổi là số người phải trực tiếp viết SQL để có được một câu trả lời.
Trước đây, business user cần biết dashboard nào chứa dữ liệu hoặc nhờ một Analyst lấy số liệu.
Ngày càng nhiều câu hỏi có thể bắt đầu bằng một cuộc hội thoại.
Đó là thay đổi đáng chú ý nhất.
AI không loại bỏ Data Platform.
AI đang trở thành một giao diện mới của Data Platform.
Và nếu Data Agent tiếp tục phát triển theo hướng kết nối dữ liệu, Semantic Layer, BI, tài liệu và khả năng hành động, cuộc cạnh tranh lớn tiếp theo của ngành Data có thể không chỉ xoay quanh nơi doanh nghiệp lưu trữ dữ liệu.
Nó sẽ xoay quanh câu hỏi: ai sở hữu lớp intelligence nằm giữa dữ liệu và quyết định kinh doanh?
Nguồn tham khảo
OpenAI, Now everyone can put data to work, ngày 10/9/2026.
OpenAI, ChatGPT Work for Data Teams: Data intelligence for every team’s most ambitious work, 2026.
OpenAI Developer Community, Introducing the Data Agent for ChatGPT Work, ngày 10/9/2026.
Các tài liệu sản phẩm của Google BigQuery, Snowflake, Databricks, dbt và những nền tảng BI được OpenAI liệt kê trong hệ sinh thái kết nối của Data agent.
TechData.AI - Leading the Future.
Tham khảo các khoá học theo link: https://techdata.ai/techdata-ai-course/
Hoàng Minh.