500万周活用户，400%的半年增长，20%的用户不是开发者——这些数字拼在一起，指向一个很多人还没意识到的事实：OpenAI 的 Codex 已经不是那个“帮程序员写代码的 AI 工具”了。
2026年6月2日，OpenAI 发布了 Codex 有史以来最大的一次能力扩展：六个角色专属插件覆盖62款企业应用、交互式 Sites 应用托管、以及 Annotation 原地编辑能力。但真正值得关注的，不是这些功能本身，而是它们在数据科学团队的工作流中引发的连锁反应——以及 OpenAI 借此书写的更大棋局。
从 Academy 课程到平台级更新
2026年5月15日，OpenAI Academy 上线了一门新课程，标题是“How data science teams use ChatGPT Work”。课程定位很明确：帮助数据科学团队将散落在仪表盘、指标定义、数据导出、实验笔记和业务上下文中的碎片信息，快速转化为可交付的分析资产——包括图表、数据源链接、注意事项和审查问题，供团队验证后自信分享。
同月28日，同名线上研讨会如期举行，现场演示了 Codex 如何让数据科学团队从“业务问题”直达“决策就绪的分析报告”。
这不是孤立的产品教育动作。它是 OpenAI 一次有节奏的阵地战的开端。
仅仅两周后，6月2日，OpenAI 正式发布了 Codex 的平台级更新。核心武器是数据分析插件，直接连接 Snowflake、Databricks Genie、Hex 和 Tableau 等数据基础设施，让用户用自然语言提出业务问题，系统自动查询数据、分析变化原因、生成报告和仪表盘。
与此同时，OpenAI 在同期发布的博客中透露，其内部团队已经基于 Codex 和 GPT-5 构建了一个内部数据 Agent，运行在 Slack、Web 界面、IDE、Codex CLI 和 ChatGPT 等多个交互面上，用于处理内部数据查询和分析工作流。
数据不会说谎。Codex 的增长曲线已经说明了一切。2026年初，其周活跃用户约100万；到6月初，这个数字突破了500万，增幅达400%。更具信号意义的是，其中约20%的用户不是开发者——分析师、营销人员、运营、设计师、研究员、投资者和银行家正在以3倍于工程师的速度涌入这个平台。
从“搬砖”到“审稿”的工作流进化
传统的数据科学工作流是一个典型的碎片化时延模型：业务部门提出需求，数据团队理解需求，写 SQL 查询，数据清洗，建模分析，制作可视化，撰写报告，业务部门反馈，修改，最终交付。
这个链条中，每个环节都涉及不同的工具和上下文切换。一个分析师可能早上在 Snowflake 里写 SQL，中午在 Jupyter Notebook 里跑 Python 模型，下午在 Tableau 里拖拽可视化，晚上在 Confluence 里写报告文档。
Codex 的数据分析插件试图打破这种割裂。它通过语义层理解业务上下文，将自然语言问题直接转化为 SQL 查询，连接到 Snowflake 或 Databricks 等数据源，自动执行分析，生成带有图表和解释的报告——整个过程在一个界面内完成。
这对数据科学团队意味着什么？不是“AI 取代分析师”，而是“分析师的工作流从搬砖变成了审稿”。当 Codex 能在几秒钟内完成数据查询、分析和报告初稿，人类分析师的核心价值就从“写 SQL 和画图表”转向了“判断分析逻辑是否正确、业务假设是否合理、结论是否经得起推敲”。
一个被低估的技术细节：Annotations 解决了 AI 协作的“最后一厘米”
在 Codex 的这次更新中，有一个技术细节值得单独拿出来说：Annotations（注释编辑）。
此前，用 AI 做数据分析有一个非常恼人的痛点：当你让 AI 修改某个图表或更新某个数据单元格时，模型往往需要重新生成整个文档。这导致两个问题：一是自定义格式和样式经常被破坏，二是模型可能在不该修改的地方引入幻觉——比如把原本正确的公式改写错。
Annotations 通过局部上下文隔离机制解决了这个问题。当用户选中某个特定区域——比如财务模型中的一组单元格——Codex 会将这个区域的数据结构独立映射，只在这个边界内执行代码。如果分析师要求“在选定年份范围内添加营收、EBITDA 和净利润的图表”，模型会精准执行，而周围单元格的依赖关系、样式和未选中的公式完全不受影响。
对于数据科学团队来说，这意味着一件很本质的事：他们可以像“和人协作”一样与 AI 协作——指出问题区域，AI 只改那里，不改其他地方。这种精确控制能力，让 Codex 从“一个会写代码的助手”变成了“一个真正能上生产环境的协作工具”。
语义层——数据查询的“最后一公里”难题
自然语言查询数据库，听起来很美。但过去几年，Text-to-SQL 的准确率始终卡在70%到80%的区间，原因很简单：数据库里的表名和字段名是给工程师看的（tbl_cust_act、col_amt_01），不是给业务用户看的。
OpenAI 的解决方案是语义层。Codex 数据分析插件并不直接对着原始数据库表结构做 Text-to-SQL，而是通过语义层——也就是业务人员理解的“客户活跃度”“月度经常性收入”“客户终身价值”等指标定义——来建立自然语言和 SQL 之间的映射。
Metabase 已经宣布成为 Codex 数据分析插件的一员。通过 Metabase 插件，用户可以直接在 Codex 中查询已经定义好的业务指标和仪表盘，所有分析都基于团队已经验证过的语义上下文。这正是 Codex 数据分析插件最核心的护城河——它不是让 AI 猜测数据库结构，而是让 AI 接入企业已经建好的语义层。同样一句“这个季度营收为什么增长了”，Codex 理解的不是简单的 SELECT SUM 语句，而是“营收 = 新客户收入 + 续费收入 + 增购收入”这个完整的业务逻辑，并且知道每一个子项应该去哪个表里找。
时机选择——OpenAI 为何选在6月2日出牌
Codex 的这次更新，时间点选得非常刻意。
2026年6月2日，恰逢微软在旧金山举办年度 BUILD 开发者大会。微软既是 OpenAI 最大的投资者，也是其最大的商业竞争对手——通过 Copilot 系列产品，微软正在全力争夺企业 AI 生产力工具市场。
而就在几周前，Anthropic 的 Claude Cowork 和 Claude Code 也在知识工作者群体中快速渗透。《华尔街日报》的报道指出，Anthropic 正在推动 Claude 深入知识工作领域。
OpenAI 在这个时间节点出牌，意图非常清晰：Codex 不再满足于做“开发者的代码助手”，它要成为“企业知识工作者的事实操作系统”。
数据科学团队是这场战役的第一块试验田。原因很简单：数据科学工作本质上就是“以数据为原料的知识工作”，它天然适合 AI 辅助。如果 Codex 能证明自己在数据科学领域的价值，那么向销售、营销、金融、运营等其他知识工作领域的扩展就只是时间问题。
谁在赢，谁在危险
短期来看，数据科学团队不会消失，但“会使用 Codex 的数据分析师”和“不会使用 Codex 的数据分析师”之间的差距会急剧拉大。前者可能一天完成过去一周的分析工作，后者则面临被流程优化的风险。
从商业角度看，最大赢家是 OpenAI 自身。Codex 的数据分析插件让 OpenAI 从一个“卖 API 接口的模型公司”升级为“卖企业工作流的事实平台”。企业不再只是购买 GPT-5 的推理能力，而是在购买一个打通了数据基础设施、语义层、分析引擎和报告生成的完整解决方案。
最大的输家可能是传统 BI 工具厂商。当 Tableau、Looker、Power BI 变成 Codex 插件生态中的一个连接节点而非分析入口，它们的用户黏性和议价能力都会受到冲击。这不是说这些工具会消失，而是它们在数据工作流中的位置将从“核心”降级为“管道”。
对于数据科学团队的三条建议
第一，尽快建立 Codex 增强型工作流。不是让 AI 替你做分析，而是让 AI 帮你完成从数据查询到报告初稿的70%基础工作，你把精力集中在最关键的30%——问题定义、逻辑验证和结论判断。
第二，重建团队的技能栈。SQL 和 Python 依然重要，但未来一个优秀分析师的核心竞争力不再是“写得出复杂查询”，而是“能提出好的业务问题，能判断 AI 给出的分析是否合理”。
第三，关注语义层的建设。如果企业还没有建立清晰的业务指标定义（MRR、CAC、LTV 等），现在就是最好的时机。因为当 AI 来了，语义层就是数据团队对 AI 的说明书——你的数据定义越清晰，AI 的分析就越精准。
当 Codex 能完成90%的搬砖工作，剩下的10%——判断力、业务理解和批判性思维——才是数据科学家真正的护城河。AI 不取代数据科学，它只是让“数据科学家”这个角色的定义，从“写代码的人”变成了“判断分析对不对的人”。
快报