Data Agent in ChatGPT Work: Gekoppelde bronnen, dashboards en alternatieven (2026)
Op 10 september 2026 introduceerde OpenAI een Data agent binnen ChatGPT Work. De aankondiging bevat weinig marketing en is ongebruikelijk specifiek over de technische infrastructuur. Er wordt in benoemd welke warehouses de agent bereikt, welke semantische lagen hij leest en naar welke BI-tools hij kan terugschrijven. Ook wordt vermeld wie dat allemaal beslist.
Die specificiteit is de reden waarom deze release het waard is om aandachtig te lezen. De meeste aankondigingen van AI-analyses beschrijven een resultaat. Deze beschrijft een toeleveringsketen — van het warehouse, via de bedrijfsdefinities, naar een dashboard dat iemand kan bewerken.
Dit artikel bespreekt wat de aankondiging daadwerkelijk zegt en wat er ongedefinieerd blijft. Vervolgens wordt behandeld hoe dezelfde taak wordt uitgevoerd wanneer uw data helemaal niet in een warehouse staat.
Wat OpenAI heeft aangekondigd
De belangrijkste claim is een enkele zin op de aankondigingspagina. De Data agent "maakt verbinding met uw bedrijfsgegevens, onderzoekt wat er is veranderd en bouwt interactieve dashboards die u kunt delen."
Drie werkwoorden doen daar het werk. Hij verbindt, hij onderzoekt en hij bouwt. Dat derde werkwoord is wat dit onderscheidt van een chatinterface over een database. De output is geen alinea met analyse. De output is een artefact dat uw team volgende week opnieuw kan openen.
De pagina formuleert het probleem in termen van wachten. "Het krijgen van die antwoorden betekent vaak wachten op een rapport of iemand anders vragen om de analyse uit te voeren." De Data agent wordt gepositioneerd als de oplossing die de wachtrij wegneemt, niet als de oplossing die de analist vervangt.
Nog een regel bepaalt de grens van de ervaring. U stuurt en verfijnt de analyse in één gesprek, "zonder query's te schrijven of een nieuwe analysetool te leren." De agent is bedoeld als de interface, niet als een extra tabblad.
Met welke databronnen hij verbinding maakt
Dit is het meest concrete deel van de aankondiging, en het is de moeite waard om te citeren in plaats van samen te vatten.
De Data agent "maakt verbinding met goedgekeurde databronnen, waaronder Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake en meer." Daarnaast kan hij "ook bestanden en documenten uit Google Drive en SharePoint in de analyse opnemen."
Het invoeroppervlak bestaat dus uit twee helften. De ene helft is het warehouse en de operationele databases. De andere helft is de stapel documenten die nooit in een warehouse is beland. Dat betekent de kwartaalpresentatie, het ondertekende contract en de spreadsheet die een regiomanager handmatig bijhoudt.
Redis en G2 verschijnen ook als platformpartners op de pagina. Dat verbreedt het beeld van analytics-opslag naar twee andere soorten invoer. Redis dekt de realtime status, de cijfers die veranderen terwijl u ernaar kijkt. G2 dekt marktgegevens van derden, wat context is die een bedrijf niet zelf genereert.
De combinatie is noemenswaardig. Dit is een agent die het warehouse, the documentopslag, de live cache en een externe dataprovider kan lezen. Hij wordt gepositioneerd als één centrale voordeur tot alles wat een bedrijf weet.
De semantische laag is het interessante deel
Een warehouse-verbinding alleen vertelt een agent niet wat "actieve klant" betekent binnen uw bedrijf. De aankondiging gaat hier direct op in.
De agent "gebruikt de zakelijke termen, metriekdefinities, aangepaste berekeningen en datarelaties van uw organisatie om de gegevens te interpreteren." Die context, aldus de pagina, "is afkomstig uit semantische lagen en vertrouwde bronnen zoals Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon en BI-dashboards."
Uit die lijst volgen twee dingen. Ten eerste impliceert de aanwezigheid van GitHub naast dbt dat metriekdefinities in versiebeheerde code worden behandeld als een bron van waarheid, en niet alleen als documentatie. Ten tweede schaalt de waarde van deze functie met de hoeveelheid definitiewerk die een bedrijf al heeft verricht. Een team met een volwaardig dbt-project krijgt een heel andere ervaring dan een team zonder zo'n project.
Dit is de stille voorwaarde in de hele aankondiging. OpenAI is hier expliciet over bij het beschrijven van de eigen uitrol. Hun datateam "heeft dit mogelijk gemaakt door gedeelde bedrijfsdefinities te creëren, toegangsregels in te stellen en beveiligingsmaatregelen te treffen voor gevoelige gegevens."
Wat het oplevert
De beoogde output is een interactief dashboard, geen statisch antwoord.
Volgens de pagina "verandert u de analyse in een interactief dashboard met ingebouwde visualisaties" en "kan uw team dit naar behoefte bewerken, delen en vernieuwen." Er kunnen merkrichtlijnen worden aangeleverd, zodat de output aansluit bij de look-and-feel van een organisatie.
Er is ook een terugschrijfpad naar tools die al bestaan. De Data agent "kan ook dashboards bouwen en ermee communiceren in Omni, Oracle BI, Power BI, Sigma, Tableau en ThoughtSpot." Die ontwerpkeuze is belangrijker dan het op het eerste gezicht lijkt. Het betekent dat het artefact niet binnen ChatGPT Work hoeft te leven om nuttig te zijn. Dat verlaagt de drempel om de functie uit te proberen in een bedrijf dat al gestandaardiseerd is op een bepaalde BI-tool.
Bevindingen kunnen ook verder worden doorgestuurd. De agent kan resultaten delen "via Slack of e-mail en de acties uitvoeren die u goedkeurt via verbonden tools."
Die laatste bepaling verdient aandacht. Goedkeuring bevindt zich tussen de aanbeveling en de actie, wat betekent dat de beschreven workflow niet zo ver gaat dat de agent onbeheerd kan handelen. De pagina vermeldt ook dat u "ChatGPT Work kunt vragen om volgende stappen aan te bevelen en te identificeren wie erbij betrokken moet worden." Routering wordt daarom behandeld als onderdeel van de analyse in plaats van als een aparte stap.
Wie de toegang beheert
De aankondiging is hier ongebruikelijk direct, en dit gedeelte is het meest de moeite waard om te lezen als u de risico's van een uitrol evalueert.
"Enterprise-beheerders kiezen welke dataverbindingen beschikbaar zijn en welke rollen deze kunnen gebruiken." Query's "passen vervolgens de bestaande machtigingen van het verbonden account toe, inclusief tabel-, rij- en kolomrestricties."
Dat zijn twee afzonderlijke lagen. Beheerders bepalen welke connectoren überhaupt bestaan. De onderliggende warehouse-machtigingen blijven van toepassing op elke query. Iemand die gisteren een salariskolom niet kon zien, ziet deze vandaag ook niet via de agent.
Hoe u het inschakelt
Het installatiepad dat op de pagina wordt beschreven, verloopt via het plug-insysteem in plaats van een globale schakelaar.
U vindt de Data agent "vermeld als Data in de Plugins-directory in ChatGPT Work." Beheerders "kunnen deze beschikbaar maken of installeren voor hun teams via Workspace-instellingen > Plugins." Ze kunnen ook "de relevante databron-plug-ins inschakelen en configureren, zoals Databricks en Snowflake, en beheren wie ze mag gebruiken."
Als de plug-in nog niet is geïnstalleerd, selecteert u 'Plug-in installeren' uit de directory, doorloopt u de stappen voor de accountverbinding en start u vervolgens een gesprek met @Data.
Wat de aankondiging niet behandelt
Dit is de moeite waard om duidelijk te vermelden, omdat de ontbrekende informatie bepaalt voor wie dit bedoeld is.
De pagina beschrijft de prijzen voor de Data agent niet als een apart tarief. Er wordt ook niet vermeld welke ChatGPT Work-abonnementen deze bevatten. Er is geen datum voor algemene beschikbaarheid genoemd. Genoemde deelnemers aan het Alpha-programma worden beschreven als actieve gebruikers, waaronder NTT DATA, Thermo Fisher Scientific, ServiceTitan en Zipline.
Er is ook geen pad beschreven voor iemand wiens data zich niet in een verbonden systeem bevindt. Elk gedocumenteerd toegangspunt vereist ofwel een warehouse-verbinding, ofwel een Google Drive- of SharePoint-account dat door een beheerder is ingeschakeld.
What dit betekent voor kleinere teams
Als u de voorwaarden bij elkaar optelt, tekent zich een patroon af. U profiteert het meest als u beschikt over een warehouse, een semantische laag, een beheerder die connectoren kan goedkeuren en een BI-tool om naar terug te schrijven.
Dat beschrijft een reële en grote categorie bedrijven. Het beschrijft niet het team van zes personen dat volledig op exports draait. Hun invoer bestaat uit een CSV uit het facturatiesysteem, een spreadsheet die de operationeel manager bijhoudt en een pdf die de leverancier elke maand opstuurt.
Voor die tweede groep was de bottleneck nooit de toegang tot query's. De bottleneck is dat de data binnenkomt als bestanden, en bestanden moeten eerst met elkaar in overeenstemming worden gebracht voordat er überhaupt een vraag over gesteld kan worden.
Alternatieven wanneer uw data in bestanden staat
Als de invoer een map is in plaats van een warehouse, moet de tool ergens anders beginnen. Het begint bij het uploaden in plaats van bij het maken van een verbinding.
Powerdrill Bloom is gebouwd voor dat startpunt. U uploadt spreadsheets, CSV's, pdf's en documenten rechtstreeks. Stel uw vraag in natuurlijke taal, en u krijgt grafieken, tabellen en exports terug met de onderliggende rijen als bijlage. De homepage beschrijft dit gedrag als een analist die "zijn werk laat zien". Elk getal "wordt geleverd met de pagina, de rij en het cijfer dat erachter ligt."
Die eis van traceerbaarheid is dezelfde die de warehouse-verbonden aanpak oplost via de semantische laag. Wanneer u de agent niet kunt verwijzen naar een beheerde definitie, is de beste alternatieve garantie het tonen van welke rij welk getal heeft geproduceerd.
Er zijn ook andere wegen, afhankelijk van waar de frictie zit. Als uw data al in Google Sheets staat en de klacht over de schaal gaat, behandelen de beste alternatieven voor Google Sheets tools die zijn gebouwd voor grotere rasters. Als u eerst de bredere categoriedefinitie wilt, legt wat is een AI-data-agent uit wat deze systemen gemeen hebben.
Veelgestelde vragen
Wat is de Data agent in ChatGPT Work? Het is een plug-in die op 10 september 2026 door OpenAI is aangekondigd. Deze maakt verbinding met goedgekeurde bedrijfsdatabronnen, onderzoekt wijzigingen en bouwt interactieve dashboards die een team kan bewerken en delen.
Met welke databases maakt het verbinding? De aankondiging noemt Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB en Snowflake, en vermeldt dat er meer worden ondersteund. Het kan ook bestanden ophalen uit Google Drive en SharePoint.
Kan het dashboards maken in Power BI of Tableau? Ja. De pagina vermeldt dat het dashboards kan bouwen en ermee kan communiceren in Omni, Oracle BI, Power BI, Sigma, Tableau en ThoughtSpot.
Wie bepaalt tot welke data de agent toegang heeft? Enterprise-beheerders kiezen welke verbindingen beschikbaar zijn en welke rollen deze mogen gebruiken. Elke query past bovendien de bestaande tabel-, rij- en kolommachtigingen van het verbonden account toe.
Wat als mijn data in spreadsheets staat in plaats van in een warehouse? Elk gedocumenteerd installatiepad voor deze functie vereist een verbonden systeem of een ingeschakeld Drive- of SharePoint-account. Tools die primair op bestanden zijn gericht, accepteren in plaats daarvan rechtstreekse uploads, wat ideaal is voor teams waarvan de invoer binnenkomt als exports.
Conclusie
De aankondiging van de Data agent kan het beste worden gelezen als een verklaring over randvoorwaarden. Connectoren, semantische lagen, goedkeuring door de beheerder en een BI-bestemming worden allemaal expliciet genoemd. De waarde van de functie stijgt naarmate er al meer van dat voorbereidende werk is gedaan.
Dat maakt het zeer geschikt voor bedrijven die hebben geïnvesteerd in beheerde data. Het is minder geschikt voor teams waarvan de cijfers nog steeds als bijlagen binnenkomen. Als uw invoer bestaat uit bestanden in plaats van tabellen, begin dan waar de bestanden zijn. Probeer Powerdrill Bloom gratis en upload één export om het pad van ruwe rijen naar een deelbaar antwoord te zien.
Bron: OpenAI, "Now everyone can put data to work," 10 september 2026. https://openai.com/index/put-data-to-work