Google 这周把 BigQuery Graph 的'指标'(measures)功能推到预览版,瞄准的是企业 AI Agent(能自主调用工具完成任务的 AI 程序)落地时最常见的死法 — 看着像答案,其实是胡扯。它自己举的反面案例:一家零售商的 Agent 看到'西雅图冬季外套销量跌 12%',直接建议全场 85 折促销,却不知道真正原因是区域暴风雪导致供应商延误。Agent 给了行动,答错了问题。
这是什么
传统企业的数据,大多存在一张张扁平的表里:订单表、客户表、产品表。Agent 要做分析,只能 SQL 查询(用结构化查询语言从数据库里取数),看到的是'发生了什么',看不到'为什么'。
Google 这次的解法是引入'图'(graph)结构 — 简单说就是把数据之间的关系(谁供货给谁、哪个仓库覆盖哪个城市)画成一张网,再叠加上衡量指标(比如销售额、利润率)。Agent 就能顺着这张网追问:销量跌了 → 哪个区域跌得最狠 → 那个区域的供应商有没有出问题 → 答案才落到点子上。
技术上,Google 在 BigQuery 的属性图(Property Graph,一种用点和边描述实体关系的数据结构)里直接定义了 MEASURE 字段,让 SQL 在图遍历时不会重复计算行数,避免'算两遍'的 bug。
行业怎么看
支持方认为这是'企业 AI 落地的最后一公里'。过去两年大模型公司一直在卷参数、卷上下文,但企业真正卡住的是:数据散在十几个系统里,业务关系没人画清楚。Google 把图数据库和指标层打通,至少让 Agent 有了'看全局'的工具。
但也有冷静的声音。Forrester 分析师最近提醒,把图结构铺到企业全量数据上,工程量不亚于再上一套数据仓库;而且一旦业务关系画错,Agent 给出的'洞察'反而更具迷惑性 — 因为听起来更像那么回事。一位国内数据中台厂商的产品负责人私下对我们说:'现在大家都在讲 Agent,但 80% 的客户连自己的主数据(master data,企业最核心的实体定义,比如'客户'到底指谁)都没理清,谈 AI 决策为时尚早。'
另一个风险是供应商绑定(vendor lock-in)。BigQuery Graph 只在 Google Cloud 上跑,意味着企业的关系建模、数据治理全要押在 Google 一家身上。对已经在用 Snowflake、Databricks 的公司来说,迁移成本不低。
对普通人的影响
对企业 IT:今年最值得评估的,不是再上一个 AI 工具,而是盘一遍自己的核心业务关系 — 供应商、客户、产品线之间的依赖图。如果连'一笔订单出了问题该找谁'都要现查,Agent 再聪明也救不了。
对个人职场:业务分析岗的活正在被重定义。跑数、出报表这类执行性工作会更快被 Agent 吃掉,但'判断数据对不对、关系画得准不准'会变成新的稀缺能力。懂业务又懂数据建模的人,会比纯写 SQL 的人更值钱。
对消费市场:你大概率不会直接用到 BigQuery Graph,但它决定了你下次收到品牌推送时,AI 给出的'个性化建议'是真正懂你,还是又一次莫名其妙的打折短信。