传统 BI 用户通常面临两个困境：仪表板只提供标准画布和固定图表库，真正的分析往往要靠导出 CSV、再跑去另一个系统完成；或者想定制一个高管汇报页、客户门户、交互式讲解器，却受限于网格瓦片拼不出来。AI 的出现让事情变快了一些——现在一下午就能做出能用的原型——但兴奋感消退得也快。一个由 LLM 生成的工具，如果没有治理数据、行级安全（row-level security）、基础设施负责人和安全审查路径，就永远只是一个原型，进不了生产。

今天发布的 Looker Data Apps（预览版）就是为了填上这道鸿沟：把 agent 生成应用的速度，与既有 Looker 治理框架的安全和信任结合起来。用户用自然语言描述需求，agent 就把它构建成真正生产级、原生托管在 Looker 内的应用。

数据应用是一种由 AI agent 生成、托管在 Looker 内的定制交互式 Web 应用。它和仪表板不是替代关系，而是互补：仪表板提供自上而下的可见性和被动报告，数据应用则围绕特定业务工作流，做成一个主动执行系统——业务用户可以输入参数、测试场景、运行实时模拟、更新底层记录，也可以把数据分析接到业务执行动作上，比如更新源记录、向 Salesforce 和 Jira 派发事件。开发端可以用 Claude Code、Antigravity CLI 这类 AI 工具构建像素级界面，数据底座直接锚定在 Looker 语义层。

面向企业环境，它有几个具体设计：每个度量都基于语义层，应用直接继承现有语义模型、行级安全和访问控制；内置查询检查，团队可以审计每一条生成的 SQL，以此消除指标差异与幻觉。默认可零代码部署 agent 生成的 React 应用，也可以用 LLM 构建交互应用后直接在 Looker 内部署。成本模型上，LLM token 只在设计和生成阶段消耗，之后的端用户交互全部跑在原生 Looker API 上，所以同时给 50 个人还是 5000 个人用，边际成本不变。部署到外部门户时，流程和嵌入仪表板完全一致，不需要新增 pipeline、不需要自定义应用代码，也不需要第二套权限模型。

结果就是，过去那种“要么用基础仪表板，要么投入大量工程资源自建系统”的二选一开始失效。原型不再因为合规和安全问题卡在沙箱里，团队可以在几分钟内部署受治理的生产级工具。Looker Data Apps 目前处于预览阶段。