ThoughtSpot 上线 ChatGPT Work，推 SpotterCode 与 Spotter

让数据发挥作用需要有人为所有人构建

每个组织都说自己想要自助式分析，但很少有组织真正拥有它。

真正阻碍真正自助式分析的，是在任何人能够提出数据问题之前必须完成的无形工作：语义层、查询引擎、安全模型和分析应用。

这项工作落在你的产品和数据团队身上，他们本已时间紧张，要交付核心功能和战略，而每当出现新问题、新租户或新仪表板请求时，这项工作又会再次落在他们身上。

于是积压不断增加，业务用户只能等待。让数据在整个业务中发挥作用的承诺，始终停留在某人战略演示文稿中的一页幻灯片上。

真正的瓶颈归结为两个问题：随着定义和上下文变化，构建和维护该分析层的成本，以及业务问题与某人真正能够信任的答案之间的差距。

ThoughtSpot 现已在 ChatGPT Work 插件目录中上线

ThoughtSpot 现已在 ChatGPT Work 插件目录中可用，针对该问题的两个方面。

• SpotterCode 是你的 AI 编码伙伴：将指令转化为执行，让分析层不再是跨越多个冲刺的项目。
• Spotter是你的 AI 分析师：为每位业务用户提供受治理、可验证的答案，回答任何问题，以相关数据和上下文为基础，并附上任何人都能据此采取行动的建议。

一个负责构建。一个负责回答。两者都存在于你的团队已经在进行的对话中。

“分析应该在你的团队工作的地方发挥作用。借助 ChatGPT Work 中的 Data agent，团队可以使用自然语言在几分钟内构建 ThoughtSpot AI 分析。业务用户获得基于他们已信任定义的受治理答案，而开发者则通过单个提示交付可用的嵌入式分析应用。”

Bhargav Addala

ThoughtSpot 产品管理高级副总裁

“我们很高兴看到更多分析合作伙伴将其能力带到 ChatGPT Work，为业务团队提供更多用自然语言提问、构建仪表板并让数据发挥作用的方式。”

Arpan Shah

OpenAI 技术垂直领域总经理

SpotterCode：将指令转化为执行

SpotterCode 可构建并在你实时的 ThoughtSpot 实例上执行操作。它远远超出了文档搜索功能或代码片段生成器。

用自然语言描述你正在构建的内容，SpotterCode 会：

• 交付可直接运行的分析，而非等待完成的东西：Spotter 和 Liveboard 组件自带已配置的Visual Embed SDK，认证已接好，数据模型已连接。
• 自动处理底层管道：CORS、安全设置和身份验证从一开始就能正确工作。
• 在你实时的 ThoughtSpot 实例上执行操作：租户创建、用户管理等通过自动化 REST API 调用完成，用户只需描述结果，而不必手动点击
• 了解你的平台，而非其通用版本：以 ThoughtSpot 实时的开发者和 API 文档为基础，因此不会猜测 SDK 行为。

然而，重要的是你的团队如何利用节省下来的时间，而不仅仅是代码。

利用 ThoughtSpot，Thrive Learning在短短三天内为超过 56,000 名活跃用户嵌入了 AI 代理，此后将分析支持工单减少了 81%。

Endpoint Clinical仅用三个月就从零走到上线，由三人组成的兼职 FTE 团队完成了完整的集成和数据建模流水线。这降低了前期开发成本，并让更广泛的产品团队得以专注于关键任务功能。

Spotter：为每个人提供受治理、准确的答案

构建速度快只是其中一半。产出内容必须透明、准确且相关。

Spotter 将 ThoughtSpot 的 Agentic Analytics 带入 ChatGPT Work 中的 Data Agent，因此你组织中的任何人都可以：

• 用通俗语言提出任何问题：无需查询语法，无需翻找仪表板，无需等待分析师队列。Spotter 能处理即使是最复杂的业务问题。
• 在采取行动之前检查答案：每个响应都会依据你受治理的指标进行解析，并展示其工作过程：搜索令牌中的逻辑，可追溯到已批准的的定义。
• 了解发生了什么变化、接下来会怎样以及为什么：Spotter 调查指标变化背后的驱动因素，预测其走向，并让你通过后续问题深入探究任何答案。
• 基于数据的全貌做出决策：Spotter 原生连接你团队已在运行的 B2B 应用中的结构化和非结构化数据。

每个答案都以 ThoughtSpot 的语义和上下文层为基础，这意味着所报告的“收入”与你财务团队的定义一致，而不是 LLM 对列名的解释。

借助 Spotter，Ecolab消除了以往需要数天的手动月末报告流程，并将复杂的账单分析从数月缩短到数周。

他们还通过提高可见性获得了高管的采用和支持，并为在全球运营中扩展分析奠定了基础。

正如 Ecolab 首席数据官 Anand Iyer 所说，“[t]真正的改变游戏规则之处，是能够将计算型 AI 与其中一些自助式分析工具结合起来，让人们可以直接用英语提问、获得随后可使用的数据，并[然后]保存这些查询。”

设计即受信任，而非靠例外

将分析移入聊天界面引出一个显而易见的问题：治理会怎样？以下是我们的答案。

借助 ThoughtSpot 和 ChatGPT Work 中的 Data agent，你现有的控制措施会原样延续：

• 行级、列级和基于属性的访问控制与在 ThoughtSpot 中完全相同地适用。用户只能看到他们被授权看到的内容，仅此而已。
• 你的身份提供商仍然是你的身份提供商，支持 SSO、SAML 和 OIDC 联合以及按用户的安全执行。
• 每个连接器都单独授权，因此你可以逐案决定代理可以对什么采取操作。
• 完整的审计日志记录，包括由 AI 代理发起的操作，可通过 Audit Log API 检索或推送到你的 SIEM。
• 不会复制出任何数据，也不会持久保存提示词。问题会在你的受治数据原本所在的位置针对这些数据进行解答。

这与已经在运行你的分析的那一层执行机制相同，只是将其扩展到了 ChatGPT Work 中的一个新界面。

如何构建让你与众不同的东西

代理式 AI 改变了你的团队能够构建什么。它并没有改变你的团队应该构建什么。

下一阶段的赢家不会是那些重建分析的人：语义层、查询引擎和安全模型都早已解决。

他们将是那些把时间花在只有他们才能构建的东西上，并让受治分析出现在他们的人员已经工作的地方的人。

这两个插件都会连接到你的 ThoughtSpot 实例。在 ChatGPT Work 插件目录中查找Spotter和SpotterCode。

还没有实例？申请演示或免费试用 ThoughtSpot。