近日SmartBI FDE 朱海受邀参加爱分析网络研讨会围绕「AI时代企业为什么既需要BI也需要Data Agent」进行了主题分享。​编辑随着大模型和Agent不断进入企业数据分析场景围绕BI与Data Agent的关系也出现了两种截然不同的声音一边在问有了AI企业过去建设的BI还有没有价值另一边则认为AI仍然存在准确性、可信度等问题已经有了数据仓库、报表和经营看板是否还有必要再建设Data Agent在此次分享中朱海结合SmartBI在企业数据分析与Data Agent实践中的观察从BI的基础能力、Data Agent带来的工作方式变化以及企业实际落地路径等方面进行了系统分享。以下为分享实录整理。我们真正需要讨论的不是谁替代谁这个问题背后其实有两种很有代表性的声音。第一种是现在的大模型已经可以理解问题、读取数据也能很好地生成SQL代码或者Python代码还能做数据分析、制作图表甚至生成报告。这样的情况下BI以后还会不会存在以前建设的BI还有没有价值第二种正好相反。有些企业以前已经做了大量BI相关建设建立了数据仓库做了很多经营分析看板也做了业务自助推广和大量报表。在他们看来AI只是替换了部分手工查询动作而且现在AI确实还存在幻觉也不能保证百分之百的准确率。从另外一个角度来说大家也会问Data Agent是不是一个噱头如果是这样我问出来的数据、做出来的报告谁还敢用我觉得这两个疑问其实都很合理因为大家站的立场不一样。站在企业管理者的角度我们是不是真的有必要为了一个新的AI概念再搭建一套完整的系统但企业真正关心的其实始终都是三个问题员工的工作有没有更容易完成管理者的决策有没有变得更可靠最终投入到AI里面以后有没有产生实际应用价值也就是我们经常说的ROI。我们来看一个很常见的经营分析场景。现在很多客户已经深度使用BI。在月度经营会议上大家打开销售看板就能看到这个月销售额同比、环比下降多少哪些区域下降哪些产品下降这些都能很清楚地展示出来。但在真正的经营管理场景里领导一定会继续追问业绩下降到底是少数大客户订单变化还是整个市场普遍下降是销量下降还是价格下降和库存、交付、售后有没有关系接下来应该关注什么到了这一步我们要解决的就不再只是把一个数字展示出来而是要完成一项经营分析任务。反过来假设把企业所有数据都交给AI或者Agent它直接生成一份非常流畅的分析报告告诉你业绩下降的原因还提出了一些建设性意见大家会不会直接相信从我们现在交付客户的过程来看大家其实还是很难直接相信。为什么因为对于指标的信任还是需要不断核对和校验。比如这里的业绩变化到底是用签约金额还是确认收入销量里面有没有扣除退货这些内容都需要确认。所以在同一个经营分析场景里面其实存在两类要求第一类是对既定事实的数据形成统一共识所有数据按照统一指标口径进行计算另外一类是围绕这些事实继续把分析做深。所以我们今天讨论的并不是旧的BI技术和新的Data Agent之间的竞争也不是图表和对话框之间的竞争。真正需要讨论的是企业应该怎样把过去积累的数据能力与新的Data Agent结合起来让数据真正赋能业务。为什么AI能力越强企业越不能忽视BI的基础能力01--BI提供可信依据Data Agent推动任务完成首先我们需要重新理解一下BI。很多人一提到商业智能首先想到的就是报表、仪表盘、大屏。这些当然是BI最终呈现的一部分也是用户最直观能够感受到的能力但并不是全部。今天这里讲的BI并不只是前端展示工具。BI里面其实包含很多内容。比如围绕企业经营建立的指标定义、数据模型、计算口径、计算逻辑沉淀下来的分析方法和思路以及权限管理。这些都是BI里面需要管理的核心内容。这些能力决定了我们拿到的数字到底是什么含义应该怎么计算又应该被谁使用。而这些恰恰是每个企业都不一样的。截至目前SmartBI已经服务了6000多家客户没有一个客户的报表、驾驶舱、指标和权限是一模一样的。即使生产同一种产品不同公司的管理模式、经营思路不一样也会产生不同的管理指标。所以我们给每个客户建设BI系统都需要深入了解客户真实的业务场景来构建不同的BI底座。另外一种思路是BI建设周期长、比较重现在有了大模型是不是可以直接把数据库、ERP接给AI让业务直接问这个想法听起来非常诱人因为数据治理很苦指标建设也很苦大家希望直接找到一条捷径。但从我们的实践来看这是一条走不通的路。包括Gartner在今年2月份发布的相关市场指南中提到到2028年60%仅依赖MCP的Agentic Analytics项目将会失败核心原因之一就是缺乏一致的语义层。通过MCP直接调用数据库本质上就是我们刚才说的把数据库直接开放给AI。但AI要做可信的数据分析需要有明确的业务含义和清晰的业务口径。02--AI能够理解语言但企业必须定义业务含义我们在给很多客户介绍Data Agent的时候客户会提出一个很直接的问题你能不能帮我测试一下“今年销售情况怎么样”其实这个问题很难直接回答。因为每个企业经营思路不一样指标口径也不一样这句话背后藏着很多隐性的条件。比如“销售”到底是指合同签订还是以发货单为主还是以财务收入确认为主“今年”到底是截至今天还是截至最近一个结账月份这些并不只是语言理解的问题更多是企业的业务定义问题。以前做BI的时候我们也会做调研针对不同人员开发不同口径的报表。比如销售端有销售口径的报表财务端有财务口径的报表。大家知道自己需要打开哪张报表找到对应的数据。但这也会出现一个瓶颈即使是一位非常有经验的新分析师刚加入公司也需要先了解以前这些报表是什么含义、不同口径代表什么规则、查找数据应该去哪张报表。所以大模型能力越强我们越应该让它明确了解企业相关的知识和规则而不是毫无背景地直接回答。每一种口径都需要有清楚的定义使用的时候不能混在一起。BI要做的就是把“销售情况”这样的业务词汇通过组织和管理变成有明确口径、统一计算逻辑、清晰血缘、责任人和版本记录的指标。这样不管是管理者、业务人员还是财务分析人员在使用的时候都有清晰定义AI调用的时候也有明确的指标可以使用。03--换一个入口不应该换一套规则除了明确的语义定义之外BI还做了一件很重要的事情就是统一的数据访问和权限管理。不管是在BI里面还是在Data Agent里面同一个问题由不同的人提出允许看到的数据可能是不一样的。区域经理只能看到自己负责的区域有些涉密数据比如身份证信息也只能按照既定权限进行脱敏展示。这些权限体系本来就已经存在于企业的BI系统里面。如果换到Data Agent之后再依靠提示词去限制“只能查某张表”“某些字段需要脱敏”其实很容易产生数据泄露风险。从企业角度来说换到Data Agent这个新的入口不应该把底层规则也换掉。不管是从BI看板进入、从移动端进入还是从AI里面进入访问的都应该是经过统一确认的业务数据也应该遵循一致的管理要求。04--企业始终需要稳定、直观的共同工作界面企业最终还是需要一个稳定、更加直观的共同界面。比如开经营会议如果要同时比较十个区域的收入、利润、回款等内容不可能打开Data Agent以后一个问题一个问题去问。这种场景下BI报表或者看板会更加清晰一眼就能看到哪个区域表现如何、利润情况怎么样。同样在生产领域每天都要监控生产进度、订单执行情况、核对异常也没有必要每次都重新问一次AI。所以不能因为Data Agent出现了就认为传统BI没有价值。我们更应该通过BI的组织和流程让真正可信的数据以稳定、低成本、有权限管控的方式送到大量业务人员手里。BI的核心竞争力并不是“炫”而是“稳”。同样一张报表今天看到这个数明天看到还是这个数。AI则更适合灵活性的挖掘和深入分析。现在AI也可以帮助生成报表、辅助建模但这并不意味着报表和模型本身不再需要。变化的是它们的生产方式而不是它们存在的价值。最终不管是BI还是Data Agent目标都是给企业带来实际价值只是实现形式不同。为什么已经有了BI企业还需要Data Agent有些客户会问我已经有BI了为什么还要Data Agent我想先说清楚并不是说BI没有价值了也不是说有了智能体过去建设的报表和数据模型就不需要了。真正发生变化的是业务人员对系统有了新的要求。过去我们更多是在解决数据能不能查到指标能不能算准业务情况能不能看清楚。现在业务人员还会继续问既然数据已经在系统里面了我下午要见客户你能不能直接帮我准备好客户材料在生产领域如果发现订单异常哪些异常需要优先关注分析出了问题以后能不能把归因内容整理好交给负责人继续处理所以现在业务人员对Data Agent提出的已经不仅仅是一个查数问题而是一项真正的工作要求。这里所说的Data Agent可以把它理解为一个业务助手。它围绕你要做的事情调用已有的数据、报表、分析能力甚至文档把这些材料整合成一个完整的工作事项。Data Agent并不是为了多一个聊天窗口也不是为了多一种数据展示方式。我们希望它能够离业务人员的真实工作更近真正给业务带来价值。01--从“人去找工具”到“先说清楚要做什么”过去的工作模式基本上都是人去找工具。比如下午要去见一个客户需要查客户回款、订单等信息就需要知道应该打开哪些报表、选择什么筛选条件如果发现订单异常还要知道应该继续从哪个维度往下看。对于熟悉系统的数据分析师来说这种方式很高效。但如果是新员工或者没有接触过这个系统的人就可能无从下手。这里面真正的问题是使用门槛。业务人员需要先把自己的工作要求翻译成一连串系统操作。举一个客户经理的例子。下午要和客户沟通客户真正关心的是项目现在进展到哪一步有没有影响交付周期的问题还有哪些待办采购进展怎么样生产质量有没有问题为了准备这次沟通客户经理可能要花大量时间去找报表、找各个业务系统的数据最后把这些信息拼起来形成一份汇总材料。Data Agent希望把这个过程反过来。业务人员可以直接告诉它“我下午要和某个客户交流把这个项目当前的数据和需要重点关注的内容整理给我。”我们希望最终是围绕工作的目标来完成任务。02--不只是“你问我答”还要继续往下探查第二个变化是分析方式的变化。以前做很多项目基本是“你问我答”的形式。你问销售额我就返回销售额。但业务真正想要的往往是继续往下探查。比如保险企业发现这个月赔付率上升了那到底是出险次数变多了还是每次赔付金额变高了是普遍性上升还是集中在某些地区、某些车型这才是业务人员真正想了解的内容。我们最近就在做一个保险企业赔付率分析的场景。从表面来看赔付率似乎只是一个计算问题。但客户真正关心的是为什么赔得多哪些业务赔得多应该从哪里改善以车险为例分析时除了区域、险种还可能继续看车型、新能源类型、使用性质、品牌甚至继续往下拆到事故之后的配件、工时、辅料、救援费用。这些业务经验可以沉淀到Data Agent里面让它知道应该先看什么、再看什么。但又不能把所有判断完全固定下来因为业务始终在变化。所以我们希望Data Agent能够把过去的分析思路总结出来整理成标准化的执行方法再结合最新的数据一步一步往下查。这样我们就不只是回答已经出现的问题而是把分析经验沉淀下来让Data Agent基于不断更新的数据持续探索和挖掘。03--不只是交付分析结果而是完成一项工作第三个变化是我们希望最终交付的不是一个简单图表而是真正完成一项工作。很多时候业务人员需要的并不是一个数字也不仅是一段AI分析结论。他可能需要一份明天经营会上要用的完整报告一份可以直接拿给客户看的材料或者一份异常清单。拿经营月报来说以前可能需要从不同业务系统取数、核对口径再把结果整理到Word里之后再进行文字加工把数据串起来。我们拜访过很多客户这种经营报告每个月可能都需要花一周时间来准备。现在我们希望Data Agent能够把这些环节串起来直接生成完整报告或者不同的业务材料。所以我们真正要判断的是哪一类需求应该由BI稳定实现哪一类需求更适合让AI以更加灵活的方式来完成。BI和AI不是二选一。BI把成熟的分析经验积累下来Data Agent再结合这些分析经验把它们带到新的问题中解决新的业务需求。Data Agent真正怎么落地前面讲的是BI和Data Agent的关系。接下来再来看企业真正做Data Agent项目的时候应该怎么选择又应该怎么落地。01--先定义清楚业务含义、执行计算和任务组织第一步一定要定义清楚三件事业务含义、执行计算和任务组织。业务含义包括指标定义、时间口径、组织范围、业务术语以及数据之间的关系任务组织是要理解用户最终的目标最终交付给谁只是看一个数据还是需要继续做归因分析需要调用哪些能力最终希望得到什么交付物还有一部分是执行计算包括业务规则、查询汇总以及具体计算方法。这三件事需要紧密协同但不代表全部都要放到Data Agent里面。比如一份经营报告哪些数据源可以使用一开始就应该明确收入、利润指标怎么计算应该由稳定的计算引擎负责。智能体负责理解报告要求、组织取数、进一步核查问题再把最终结果写到报告里最后进行一致性检查。这不是限制AI发挥而是在给它提供一个可靠的工作环境。02--优先复用现有资产而不是重新建设一套数据体系第二步是优先复用企业现有的数据资产。大多数企业其实已经有基础的BI设施。即使还没有形成非常完整的指标管理体系也已经有经过业务认可的报表、底层数据和权限管控这些都应该被复用。没有必要让Data Agent每一次都重新从原始业务数据库里面去取数、重新理解业务逻辑。已有报表、权限等内容可以直接复用对于新的探索性业务再通过受控的查询能力继续向外延伸。03--固定任务用固定方式灵活任务再引入Agent第三是区分固定业务和灵活业务。比如一份月报每个月只是固定十几个指标。如果已经有成熟报表没有必要为了使用AI而重新做一遍。真正需要发挥Agent价值的是从报表中发现异常以后应该继续怎么探查哪些业务说明需要补充哪些环节需要根据情况动态调整。简单、重复性的任务用稳定的方式完成就可以复杂、灵活、经常变化的任务再引入Agent。所以企业也不应该把“建设了多少个智能体”当成目标。真正应该关注的是做出了多少个真正可用、能够带来实际业务价值的智能体。04--从一个岗位、一个高价值场景开始在项目实践里面我们会去调研很多业务岗位观察业务人员每天具体做什么。第一个应用应该从岗位开始而不是一开始就覆盖全公司。有些客户会提出希望直接接入整个数仓让所有人都可以用AI随便问只要结果能作为参考就可以。但从实际应用来看这种方式很难真正落地。真正应该做的是先找到一个比较重要、又具有典型复制性的场景从单个岗位、单个场景做起。做完以后把方法沉淀下来再不断在企业内部推广和复制。怎么选择场景可以先看几个问题谁每天都在重复做一些事情这件事情最耗时的环节是什么需要的数据是不是已经可以获得比如经常做经营分析的人员本身就有大量固定报告模板而且编制报告非常耗时这种场景就很适合优先做。也不需要等到整个公司的数据治理全部完成以后才开始。可以围绕选定的场景把相关指标先做好。哪怕先解决50%的问题只要确实能够提升人效就已经产生了价值。05--BI与Data Agent会形成一个正向飞轮最终我们认为BI与Data Agent不只是功能互补它们会让彼此变得更强。这里面存在一个正向飞轮。过去BI指标体系怎么建设一种方式是参考行业已有指标另一种方式是调研业务人员“你想看什么指标”。但很多业务需求其实是开放性的。有了Data Agent以后我们会得到非常真实的使用数据哪些指标被问得最多哪些口径每次都需要解释哪些数据资产几乎没有被使用。这些信息可以反过来帮助BI更新指标体系、统一高频口径、优化数据资产。BI变得越强指标和业务定义越清晰Data Agent回答得就越准Data Agent越准业务人员越敢用用的人越多产生的问题和日志就越丰富这些数据再反过来推动BI继续优化。整个飞轮就转起来了。06--怎么判断企业的数据分析能力基于这些实践我们提出了一个公式企业的数据分析能力BI的可信度 × Data Agent的覆盖度这两个能力是相互影响的。如果BI本身不可信过去做的报表都没有人相信再怎么扩大Data Agent的覆盖也很难产生价值。反过来如果Data Agent的能力没有真正进入业务BI里面沉淀的大量能力也很难覆盖更多新的分析需求。所以这两者是相互喂养的关系。从一个真实银行场景看Data Agent如何进入业务这里分享一个我们在银行业务中的实践。这是一个省级分行的三农业务场景。三农业务本身有很强的业务特点不同地区的经营情况、考核制度也不一样。因此每周甚至每个月进行三农业务分析时业务人员过去需要从不同系统导出数据再抓取和整理三农相关数据。通过调研我们首先围绕三农业务把相关客户、交易和业务数据打通并沉淀相应的数据模型和指标体系。完成这些基础工作以后业务人员日常涉及三农业务的问题就可以直接通过Data Agent获取相关数据。同时三农业务需要进行高频复盘。围绕固定的业务汇报模板Data Agent可以直接生成相应报告不再需要业务人员每次从头编制。为了保证AI输出的稳定性我们也在整个任务过程中加入调度机制以及相关报告Skill把不同环节进行组织和统筹。最终业务人员可以自己完成大量报告编制和数据分析任务对IT的依赖也进一步降低。这个案例也体现了前面反复提到的一点Data Agent要真正进入业务并不是简单接入一个大模型而是要先把业务相关的数据、指标、规则和分析经验沉淀下来再让Agent围绕实际工作调用这些能力。最后回到今天的主题AI时代企业为什么既需要BI也需要Data Agent最后我用三句话做一个总结。第一AI不会让BI消失AI只会让不扎实的BI无处可藏。AI进入业务以后过去BI里面存在的数据和口径问题会越来越明显地暴露出来。第二不要用AI的能力去掩盖BI以前欠下的账。如果过去本身没有做好数据治理现在希望直接依靠AI绕过去这并不现实。第三未来的企业不会被简单区分为“用BI的企业”和“用Data Agent的企业”而是数据分析能力强的企业和数据分析能力弱的企业。这背后其实就是我们刚刚讲到的——BI的可信度与Data Agent覆盖度之间的关系。也希望未来SmartBI能够和更多企业一起持续提升企业的数据分析能力。AI正在改变企业使用数据的方式但企业数据分析能力的基础并没有因此消失。从统一业务口径、稳定计算结果和权限管理到进一步理解任务、深入分析并完成一项具体工作BI与Data Agent承担着不同但相互连接的角色。对于企业来说下一步更重要的并不是在BI和Data Agent之间做选择而是找到真正值得解决的业务场景把已有的数据资产、分析能力与新的智能能力连接起来让数据更深入地进入真实业务过程。