一、智能BI長什么樣？

智能化席卷著千行百業，但究竟會帶來哪些具體的改變，任何一個行業都還沒有定論。

“大模型＋BI，從交互式體驗，到編碼能力再到推理能力，要一層層疊加到業務里去”，網易數帆大數據產品線總經理余利華向光錐智能分享道。

用交互式能力降低“用數”門檻，是智能化的第一階段。

從微軟PoweBI開始，對話式BI成了大模型＋BI的第一站。國內BI廠商也在今年8月開始動了起來。

思邁特在最新V11版本的產品中，加入了數據模型、指標模型、自助分析、對話式分析等多種智能角色能力，另據光錐智能獨家獲悉，思邁特不久也將推出問答式BI；緊接著網易數帆發布了有數ChatBI產品，將基于大模型的自然語言理解能力與專業數據分析能力結合；10月份，押注AI應用的百度也將觸角延伸至BI領域，推出其生成式商業智能產品“百度GBI”，可以通過自然語言交互，執行數據查詢與分析任務，并且支持專業知識注入。

對話式BI，即用戶通過自然語言即可與BI系統進行交互。當對話式BI介入后，查找數據的流程被簡化為，自然語言詢問—自動轉化為SQL語言—自動搜索數據—轉化為自然語言—輸出結果。

這種交互方式最大的特點在于大幅度地降低了BI系統的使用門檻，讓業務人員無需掌握SQL等專業語言，也無需深入分析模型，即可獲得所需。

但隨著企業深度使用體驗，對話式BI即問題也暴露無遺。例如，搜索過程中，出現了多次搜索數據結果不一樣；因統計口徑不一致，指向同一個指標的數據無法合并同類項，導致了GMV無法與成交金額一起納入統計。

諸如此類問題，在實際應用中層出不窮，也逐漸讓企業意識到：對話也只是一種形式，而非一種結果。單純的搜索并不能保證數據得出的合理性，要防止數據變成“無源之水”，還得增加分析的過程。

于是，用推理能力打破分析壁壘，開啟了智能化的第二階段。

智能分析簡單來說，就是BI系統能主動識別問題，進行根本原因分析，并給出解決方案建議。這背后需要BI系統積累大量的領域知識及復雜推理能力。以愛數為代表的部分廠商，正在發力知識圖譜和大模型，朝這個方向嘗試。

愛數產品副總裁李基亮告訴光錐智能，“只有通過知識的方式，才能在技術上做關聯分析?！?/p>

比如當數據統計口徑不一致時，需要大模型的理解能力理解相近意思的數據，并進行整理和歸類。舉個簡單的例子：統計公司本科以上的員工，這不是關鍵詞的篩選而是理解本科、碩士、博士三種具體的學位。

而在分析層，傳統的BI軟件能夠顯示數據異常的波動，比如10月份銷量低迷，智能分析能夠通過回歸分析模型，對于每一步的數據搜索、分析過程清晰可見，結果歸因層層下鉆，逐一拆解，再通過ChatBI展示影響因素是品牌、客戶還是渠道。

再向前展望一步，通過智能體重塑BI系統，或許是智能化的第三階段。

Agent概念最近大火，未來，也許可以達到萬物皆可Agent的狀態，BI+Agent也將成為其中一個細分方向。

以光錐智能觀察，Agent對BI行業的改造已經開始，有從業者告訴我們：“BI目前是Agent化改造的第一梯隊”，究其原因在于BI系統里本身就含有大量需要自動化的步驟和流程，這與初級階段的Agent十分適配，既能簡化流程，提升效率，還能提升調用大模型的基礎能力。

未來，更進一步，當Agent變得更聰明后，一切過程化將被Agent內化為己有。到那時，無論是單智能體還是多智能體都將不在依賴于線性的程序和規劃，對BI行業帶來的結果可能是，系統的界限被打破，服務模型將被重構。

Agent直接與用戶產生互動，用戶通過語音或文字，描述業務問題，大模型理解問題場景，自動識別相關數據源，進行分析并輸出結果，完全無需搭建BI系統。

這種“BI+Agent”的新模式，也被業內的一些人視為可能的終點狀態。

二、智能化，為時尚早么？

大模型蒙眼狂奔了一年，也讓行業看清了一個現實“智能化不是萬能解藥”，甚至現在很多行業數字化水平都尚淺，從根本上缺少智能化的基礎。

唐昕表示：“智能化對BI的影響更多在提升效率的環節，核心還是要結合當下場景進一步分析?！?/p>

這一思路和網易不謀而和，網易數帆大數據產品線總經理余利華認為：“如果BI僅僅疊加了大模型，但不能落地、沒有場景，就沒有價值?！?/p>

反觀當下BI行業所面臨的痛點，并不僅僅是技術難題，簡單的講，并不是智能化缺乏落地場景，而是整個BI行業都面臨著場景落地的階段性難題。

不少客戶反饋，大模型生成的分析代碼質量參差不齊，準確率難以保證。帆軟表示，這就要求BI廠商對領域場景有足夠理解，進行細致調教。否則用戶體驗反彈，信任難以建立。

如何理解場景？唐昕舉了一個例子，BI軟件具體應該形成什么樣的指標，如何能讓業務用起來，如何分析產生數據價值，都需要深入行業梳理。

以制造業為例，在制造業里“不良率”是一個重要指標，那么BI介入之后，首先，需要根據行業認知，去確定“不良率”的特征標準，然后才可以把這一特征揪出來，放到指標庫里，通過標準化產品實現復用。

在這一階段，BI性能越高就能行業通吃，這就需要把行業經驗吃透，沉淀出指標來。畢竟，金融級的BI要求的是數據敏感，而制造業就不要敏感、需要穩定，行業的經驗往往不能照搬遷移。

因此，對于所有BI企業而言，在進入一個新行業之時，企業們又回到了相似的起跑線上。

從行業開拓的角度來看，BI企業開始步入新一輪探索階段，尋求其他更復雜更邊緣行業的落地機會。

BI發展多年以來，率先在金融、電商、零售等行業落地。例如，網易數帆基于金融機構面臨的監管加強、價值體現難、數據質量不足、開發資源緊張等挑戰，對于金融機構進行數字化建設，包括數據生產力的提升，其內涵涉及合規、增值（為管理、運營人員等提供即開即用的數據）、可信（業務人員信得過數據及平臺，打破數據壁壘）、協同等。

在舒適區探索趨近于飽和之后，BI行業正在向外探索，例如農業、制造業等數字化程度較低、專業性的行業，成為了下一個階段BI探索與爭奪的目標。

而在解決這些痛點難題之后，智能化更多的作用集中在“輔助”和“增強”的環節。以愛數客戶為例，他們在大模型等支持下解決了數據標準化、業務術語統一等問題，從而提升下游分析建模效率達30%以上。

不過，“智能化”也并非開掛。

盡管市場上已經出現了各種智能BI的概念與嘗試，大到行業領導者，小到新晉創業團隊。但產品落地后，用戶普遍反映智能化的效果并不盡如人意。原因在于，智能BI并不是簡單架接一個通用型大模型即可高效運轉。

未來中國BI，智能化只是其中一個可能路徑。但必須要強調的是，目前無論是國外PowerBI還是國內的諸多BI廠商的調研來看，客戶對于智能化的需求并不強，多半抱著獵奇的心態，感興趣但不會真的為其買單。

更為關鍵的是如何從客戶場景、行業痛點中汲取經驗教訓。這是中國BI企業在新一輪應用探索中必須面對的選擇。

三、要求數據能力更高，行業重新洗牌

智能化雖然不是開掛，但也確實激活了相對固定的行業格局。最為典型的特點便是今年以來，老選手們奮力創新，新選手們也在排隊入場。

不止百度這種大廠開始發力GBI(生成式商業智能產品），SaaS廠商開始下探PaaS層，數據庫企業也基于AP的分析能力對外向企業提供BI服務，一時間，BI成了數據產業鏈的交叉點，整個行業格局也面臨著重新洗牌。

智能化對數據能力要求的進一步提升，讓更底層的數據廠商積累的能力，得以在大模型時代釋放。比如，針對大模型在產業中落地存在著數據層的關鍵難題——幻覺問題、不可解釋性、安全風險等等，愛數方面認為，這并不是大模型的問題，而是數據問題。

數據廠商的基礎能力，也是BI智能化的下一階段所需要的核心能力。

比如，企業中常年存在的“數據孤島”問題，無法實現數據的有效連接和統一查詢利用。而且，多個系統中存在重復和冗余的數據，造成存儲和計算資源浪費。同一數據在不同系統中存在不一致版本，數據質量無法有效控制。

這會嚴重影響分析結果和準確性，這不是上一個系統、換一個工具、買一些SaaS產品局部診脈就能解決的問題，企業需要系統性的、全局性的BI產品。

為了打通多種數據源，愛數在數據管道、數據湖倉一體方面進行了探索，也將這樣的探索應用在了RGA（檢索增強）技術中，在大語言模型推理生成答案時，額外檢索調用外部的領域知識網絡，利用綜合檢索結果進行答案生成。

而智能化產生的新需求對底層的數據能力提出了挑戰，這正是全鏈條工具儲備的一個新牽引力。

李基亮舉了一個很現實的例子：“現在我們很多客戶都是幾百TB以上的數據，那平臺的搜索能力、對元數據的備份能力、對勒索病毒的抵抗能力，這些很基礎的平臺能力如果沒有，那建好了分析也是空中樓閣?！?/strong>