商业智能的 AI 奇点：沿着旧地图，找不到新大陆

 

" 今年 8 月份以后，有非常多企业客户开始咨询智能化的服务，也提出一起共创。"ChatGPT 火爆之后的半年，帆软 BI 产品运营负责人唐昕开始感受到了来自市场对智能 BI 的强烈需求。

商业 智能 BI 是一套完整的由数据仓库、查询报表、数据分析等组成的数据类技术解决方案。越来越多的企业也意识到 BI 的重要性，据 Gartner 2023 年在中国区进行的调研表示：62% 的中国 CIO 将在 2023 年增加商业智能 BI 的 投资 。

从报表式 BI 到敏捷式 BI，中国 BI 经历过第一波周期，走向低门槛、可视化，让业务人员能够快速托拉拽自定义用数，同时也将后端分析能力搬到台前。

在光锥智能与多位 BI 厂商交谈的过程中发现，几乎所有业内人士都认为， 智能 BI 是下一个阶段。 但从具体动作来看，目前厂商的态度却大概分为两派：

一派是行动派，  在 ChatGPT 出现以后，迅速接入能力开始尝试，如思迈特新版本中着重提到了智能对话能力，网易数帆也在押注 ChatBI、百度 GBI 在内的巨头公司也开始向智能 BI 进行探索和尝试；

另一派则是冷静派，  仍然在保持观望态度和内部探索，并没有迅速上线产品。

" 沿着旧地图，找不到新大陆。"  思迈特软件 CEO 吴华夫认为发展智能 BI 不破不立；网易数帆大模型技术负责人、人工智能产品线总经理胡光龙同样认为：" 智能化将极大降低 BI 用户使用门槛，真正做到人人用数的阶段。"

但帆软 FineBI 产品运营总监唐兴强却认为：" 智能化对 BI 的影响更多在提升效率的环节，核心还是要结合当下场景进一步分析。"

在如同冰与火的对立之下，中国 BI 行业也在争议中，再次进化。

智能 BI 长什么样？

智能化席卷着千行百业，但究竟会带来哪些具体的改变，任何一个行业都还没有定论。

" 大模型＋BI，从交互式体验，到编码能力再到推理能力，要一层层叠加到业务里去 "，网易数帆大数据产品线总经理余利华向光锥智能分享道。

用交互式能力降低 " 用数 " 门槛，是智能化的第一阶段。

从微软 PoweBI 开始，对话式 BI 成了大模型＋BI 的第一站。国内 BI 厂商也在今年 8 月开始动了起来。

思迈特在最新 V11 版本的产品中，加入了数据模型、指标模型、自助分析、对话式分析等多种智能角色能力，另据光锥智能独家获悉，思迈特不久也将推出问答式 BI；紧接着网易数帆发布了有数 ChatBI 产品，将基于大模型的自然语言理解能力与专业数据分析能力结合；10 月份，押注 AI 应用的百度也将触角延伸至 BI 领域，推出其生成式商业智能产品 " 百度 GBI"，可以通过自然语言交互，执行数据查询与分析任务，并且支持专业知识注入。

对话式 BI，即用户通过自然语言即可与 BI 系统进行交互。当对话式 BI 介入后，查找数据的流程被简化为，自然语言询问—自动转化为 SQL 语言—自动搜索数据—转化为自然语言—输出结果。

这种交互方式最大的特点在于大幅度地降低了 BI 系统的使用门槛，让业务人员无需掌握 SQL 等专业语言，也无需深入分析模型，即可获得所需。

但随着企业深度使用体验，对话式 BI 即问题也暴露无遗。例如，搜索过程中，出现了多次搜索数据结果不一样；因统计口径不一致，指向同一个指标的数据无法合并同类项，导致了 GMV 无法与成交金额一起纳入统计。

诸如此类问题，在实际应用中层出不穷，也逐渐让企业意识到： 对话也只是一种形式，而非一种结果。单纯的搜索并不能保证数据得出的合理性，要防止数据变成 " 无源之水 "，还得增加分析的过程。

于是，用推理能力打破分析壁垒，开启了智能化的第二阶段。

智能分析简单来说，就是 BI 系统能主动识别问题，进行根本原因分析，并给出解决方案建议。这背后需要 BI 系统积累大量的领域知识及复杂推理能力。以爱数为代表的部分厂商，正在发力知识图谱和大模型，朝这个方向尝试。

爱数产品副总裁李基亮告诉光锥智能，" 只有通过知识的方式，才能在技术上做关联分析。"

比如当数据统计口径不一致时，需要大模型的理解能力理解相近意思的数据，并进行整理和归类。举个简单的例子：统计公司本科以上的员工，这不是关键词的筛选而是理解本科、硕士、博士三种具体的学位。

而在分析层，传统的 BI 软件能够显示数据异常的波动，比如 10 月份销量低迷，智能分析能够通过回归分析模型，对于每一步的数据搜索、分析过程清晰可见，结果归因层层下钻，逐一拆解，再通过 ChatBI 展示影响因素是品牌、客户还是渠道。

再向前展望一步，通过智能体重塑 BI 系统，或许是智能化的第三阶段。

Agent 概念最近大火，未来，也许可以达到万物皆可 Agent 的状态，BI+Agent 也将成为其中一个细分方向。

以光锥智能观察，Agent 对 BI 行业的改造已经开始，有从业者告诉我们： "BI 目前是 Agent 化改造的第一梯队 " ，究其原因在于 BI 系统里本身就含有大量需要自动化的步骤和流程，这与初级阶段的 Agent 十分适配，既能简化流程，提升效率，还能提升调用大模型的基础能力。

未来，更进一步，当 Agent 变得更聪明后，一切过程化将被 Agent 内化为己有。到那时，无论是单智能体还是多智能体都将不在依赖于线性的程序和规划，对 BI 行业带来的结果可能是，系统的界限被打破，服务模型将被重构。

Agent 直接与用户产生互动，用户通过语音或文字，描述业务问题，大模型理解问题场景，自动识别相关数据源，进行分析并输出结果，完全无需搭建 BI 系统。

这种 "BI+Agent" 的新模式，也被业内的一些人视为可能的终点状态。

智能化，为时尚早么？

大模型蒙眼狂奔了一年，也让行业看清了一个现实 " 智能化不是万能解药 "，甚至现在很多行业数字化水平都尚浅，从根本上缺少智能化的基础。

唐昕表示：" 智能化对 BI 的影响更多在提升效率的环节，核心还是要结合当下场景进一步分析。"

这一思路和网易不谋而和，网易数帆大数据产品线总经理余利华认为：" 如果 BI 仅仅叠加了大模型，但不能落地、没有场景，就没有价值。"

反观当下 BI 行业所面临的痛点，并不仅仅是技术难题，简单的讲，并不是智能化缺乏落地场景，而是整个 BI 行业都面临着场景落地的阶段性难题。

不少客户反馈，大模型生成的分析代码质量参差不齐，准确率难以保证。 帆软表示，这就要求 BI 厂商对领域场景有足够理解，进行细致调教。否则用户体验反弹，信任难以建立。

如何理解场景？唐昕举了一个例子，BI 软件具体应该形成什么样的指标，如何能让业务用起来，如何分析产生数据价值，都需要深入行业梳理。

以制造业为例，在制造业里 " 不良率 " 是一个重要指标，那么 BI 介入之后，首先，需要根据行业认知，去确定 " 不良率 " 的特征标准，然后才可以把这一特征揪出来，放到指标库里，通过标准化产品实现复用。

在这一阶段，BI 性能越高就能行业通吃，这就需要把行业经验吃透，沉淀出指标来。毕竟， 金融 级的 BI 要求的是数据敏感，而制造业就不要敏感、需要稳定，行业的经验往往不能照搬迁移。

因此，对于所有 BI 企业而言，在进入一个新行业之时，企业们又回到了相似的起跑线上。

从行业开拓的角度来看，BI 企业开始步入新一轮探索阶段，寻求其他更复杂更边缘行业的落地机会。

BI 发展多年以来，率先在金融、电商、零售等行业落地。例如，网易数帆基于金融机构面临的监管加强、价值体现难、数据质量不足、开发资源紧张等挑战，对于金融机构进行数字化建设，包括数据生产力的提升，其内涵涉及合规、增值（为管理、运营人员等提供即开即用的数据）、可信（业务人员信得过数据及平台，打破数据壁垒）、协同等。

在舒适区探索趋近于饱和之后，BI 行业正在向外探索，例如农业、制造业等数字化程度较低、专业性的行业，成为了下一个阶段 BI 探索与争夺的目标。

而在解决这些痛点难题之后，智能化更多的作用集中在 " 辅助 " 和 " 增强 " 的环节。以爱数客户为例，他们在大模型等支持下解决了数据标准化、业务术语统一等问题，从而提升下游分析建模效率达 30% 以上。

不过，" 智能化 " 也并非开挂。

尽管市场上已经出现了各种智能 BI 的概念与尝试，大到行业领导者，小到新晋 创业 团队。但产品落地后，用户普遍反映智能化的效果并不尽如人意。原因在于， 智能 BI 并不是简单架接一个通用型大模型即可高效运转。

未来中国 BI，智能化只是其中一个可能路径。但必须要强调的是，目前无论是国外 PowerBI 还是国内的诸多 BI 厂商的调研来看，客户对于智能化的需求并不强，多半抱着猎奇的心态，感兴趣但不会真的为其买单。

更为关键的是如何从客户场景、行业痛点中汲取经验教训。这是中国 BI 企业在新一轮应用探索中必须面对的选择。

要求数据能力更高，行业重新洗牌

智能化虽然不是开挂，但也确实激活了相对固定的行业格局。最为典型的特点便是今年以来，老选手们奋力创新，新选手们也在排队入场。

不止百度这种大厂开始发力 GBI ( 生成式商业智能产品），SaaS 厂商开始下探 PaaS 层，数据库企业也基于 AP 的分析能力对外向企业提供 BI 服务， 一时间，BI 成了数据产业链的交叉点，整个行业格局也面临着重新洗牌。

智能化对数据能力要求的进一步提升，让更底层的数据厂商积累的能力，得以在大模型时代释放。比如，针对大模型在产业中落地存在着数据层的关键难题——幻觉问题、不可解释性、安全风险等等，爱数方面认为，这并不是大模型的问题，而是数据问题。

数据厂商的基础能力，也是 BI 智能化的下一阶段所需要的核心能力。

比如，企业中常年存在的 " 数据孤岛 " 问题，无法实现数据的有效连接和统一查询利用。而且，多个系统中存在重复和冗余的数据，造成存储和计算资源浪费。同一数据在不同系统中存在不一致版本，数据质量无法有效控制。

这会严重影响分析结果和准确性，这不是上一个系统、换一个工具、买一些 SaaS 产品局部诊脉就能解决的问题，企业需要系统性的、全局性的 BI 产品。

为了打通多种数据源，爱数在数据管道、数据湖仓一体方面进行了探索，也将这样的探索应用在了 RGA（检索增强）技术中，在大语言模型推理生成答案时，额外检索调用外部的领域知识网络，利用综合检索结果进行答案生成。

而智能化产生的新需求对底层的数据能力提出了挑战，这正是全链条工具储备的一个新牵引力。

李基亮举了一个很现实的例子： " 现在我们很多客户都是几百 TB 以上的数据，那平台的搜索能力、对元数据的备份能力、对勒索病毒的抵抗能力，这些很基础的平台能力如果没有，那建好了分析也是空中楼阁。"

" 所以现在不是 AI＋Data，而是 Data＋AI。" 李基亮强调。

虽然基础工作繁琐， 当智能分析一旦跑通，将成为新的生产力方式。

企业服务往往靠的是经验型产品和服务，行业格局也会更依赖于先发优势和客户突破能力，也正是因此，短时间内，后来者很难颠覆帆软 Top1 的地位。

智能化作为生产力之后，客户的选择更多，也可以通过智能化把需求重新做一遍，这让行业有一个了新的弯道超车的机遇期，甚至像百度这种基本没有涉足过 BI 行业的大厂，也能通过一些 AI 原生的能力切入中小企业，满足不同群体的不同诉求。

智能化为 BI 开启了一扇新的窗口，同时，也将带着厂商走入新的竞争格局。

来源：光锥智能