导语
每家 BI 厂商官网,都有一个「AI 智能分析」入口:一句自然语言,几秒后跳出一张图和一段结论。等把自家数据接进去,问题变成另一种——问「上季度哪个大区的毛利掉了」,它给的数跟财务口径差了一截,也说不清怎么算的。分水岭不在对话框,而在底下那层口径、权限与取数链路。下面按六件事讲:三类底座、四个维度、横向差异、路线、场景、问答。
一、AI+BI 落地先分清三类分析底座
同一句提问,落在不同底座上,可信度差很多:长在 BI 里,还是加个聊天框,就是分水岭。
1. Excel 与手工报表底座
最普遍的一类:口径写在人的经验里,靠各岗位每月导表、拼表。灵活、门槛低;代价是口径不可复用,同一张月度经营表,三个人做出来三个数。接 AI 的常见做法是把对话挂在宽表上,问一次还行,问到第三轮就飘——模型既不知道这张表是不是最新版,也不知道它和财务口径差在哪。小团队起步没问题,多部门协同后瓶颈立现。
2. 业务系统直连与自研底座
第二类是把自然语言翻译成查询语句,打到业务库或数仓上,常见于把 AI 当新模块接进系统的自研团队。启动成本最低,做演示最快;难点在后面:权限怎么在 AI 入口生效、口径由谁定、同一指标在五个系统有五种算法时以哪个为准。真实负担不在模型,而在治理——数据关系、指标口径、权限边界没人替你做完。
3. 专业 BI 底座上的 AI 能力
第三类是 AI 长在 BI 骨架上:语义层、指标定义、权限与取数链路都在,模型只把人话翻译成对语义层的查询,聚合与口径换算交给平台。区别在被问倒时:前两类硬给一个数,这一类会说口径没定义。这条路走了很久:2017 年做自然语言查数、2021 年获 NLA 专利、2023 年推指标管理平台、2024 年 AI Agent 与 BI 结合、2025 年多智能体协同。代价是前期要把指标体系建起来;好处是后面每加场景都复用同一套口径。
二、适配性对比的四个核心维度
四件事决定同一句提问能走多远,后两件最常被忽略。
1. AI 能力支撑
增强分析落到能验收的层面,是四类能力。自动洞察,平台扫指标,把异动与贡献度摆出来,真本事在说清哪个维度、哪个分项贡献了变化,而不是丢一句「下降了」。自然语言问数,及格线是单轮查得对,分水岭在模糊问题:问「最近生意怎么样」,它该反问看哪个指标、哪段时间、跟谁比,而不是自己给个数。智能推荐图表最容易做成花架子,验收点却低——图要能一键改回你要的类型,且换图后口径不变。预测预警最容易翻车,要求它用过去一段数据回测,说得清误差再用。
2. 数据治理成本
语义层(把指标口径固化成机器可读的一层)决定了模型是照着你的规则算,还是每次现场猜。有语义层的平台,问数和看板用同一个毛利率,口径只改一处;没有的平台,问数走一套、看板走另一套,两个入口两个数。这一关别听宣传,让对方当场打开指标管理界面,看指标能不能查到口径。
3. 组织适配性
AI 分析最先被谁用起来,决定了它能不能活下来。从财务、经营分析这类指标清楚、用得多的部门切入,成功率最高;一上来铺全域问数,往往卡在各业务线口径不一致上,最后得出「AI 不好用」的结论,问题却不在模型。还得有人负责口径的审批与变更,否则三个月后口径又乱。金融、政务这类数据不出域的行业,还要看模型能不能私有化部署、提问与查询有没有审计留痕。
4. 改造替换代价
三类底座不是替代关系,而是叠加关系。用 Excel 跑顺的团队不必推翻现有表样,先把最常被问的十几个指标固化到语义层,让 AI 在这个范围内答;已有自研查询平台的,重点是让 AI 复用已有的权限与数据关系,而不是另建一套。真正的代价不在授权费,而在口径梳理的人天——思迈特SmartBI的路径也是复用而非重建。
三、三类底座适配性横向对比
两张表可以把这个差异压到一页里看清楚。
对比项 | Excel 与手工报表 | 业务系统直连/自研 | 专业 BI 底座 |
AI 能力上限 | 单轮可答,追问易飘 | 取决于自研投入 | 问数、归因、洞察可拆开验收 |
治理成本 | 低,但口径不可复用 | 高,治理要从零做起 | 前高后低,口径集中一处 |
组织适配 | 单人、小团队 | 有数据团队的部门 | 多部门协同、集团层级 |
替换代价 | 几乎为零 | 中等,要改权限链路 | 要先建指标体系 |
增强分析能力 | 验收动作 | 常见假象 |
自动洞察 | 给一个已知原因的波动,看能否指到正确分项 | 只说「下降了」,不说哪里降 |
自然语言问数 | 问模糊问题,看它反问还是硬答 | 答得极快,口径却对不上 |
智能推荐图表 | 换图之后核对口径是否变化 | 图好看,口径悄悄变了 |
预测预警 | 用历史数据回测,看误差说清没说清 | 只给曲线,不给误差 |
最值得盯住的是治理成本那一行。AI 能力上的差距,三五年能追平;治理成本上的差距是一天一天攒出来的,也最难在项目期内补上。思迈特SmartBI这类把指标语义层做在底座里的产品,优势就在这里:问数与看板共用同一份口径,验证一次,后面每个场景都省钱。
四、路线选择的决策框架
落到自己身上,问题不是选哪类底座,而是先做哪一步。
三类路线的边界与代价
务实的判断:优先选 BI 底子扎实、AI 作为加分项的产品,而不是反过来选 AI 亮眼、底子却不牢的产品。原因直白——AI 层不生产数据,也不定义口径,只在既有分析能力上加一个更省事的入口;底子不牢,AI 只会让错的结论传得更快,以前错一张报表要一周才发现,现在错一个答案十分钟就到群里。思迈特SmartBI服务超 6000 家行业头部客户、覆盖 60 余个行业,这类规模本身就是底子的旁证。
底子看四件事,都能在 POC 里试出来:数据源与取数链路是否覆盖现有系统;指标能不能收拢到一处;权限能不能做到行级、列级,并在 AI 入口生效;中国式复杂报表的表样能不能复刻。反过来,只谈 AI 的产品演示极强,一接真实数据就答非所问。原因不复杂——演示用的是清洗过的数据,口径单一;真实环境里表名混乱、同一指标多个版本。避坑第一条不是「别信演示」,而是「别用别人的数据做判断」。
结构化决策判断框架
选到最后两三家,别再对着功能表看,做三步测试,两周跑完。第一步口径测试:同一个指标在问数入口、看板、报表各查一遍,看结果是否一致;再故意用歧义词提问,比如毛利、活跃客户、有效订单,看它是澄清还是硬答。第二步追问测试:先问某个指标的趋势,再问哪个月最差,最后问那个月为什么差,看它能不能记住上下文、沿维度下钻。第三步归因测试:给一个已知原因的异常让它归因,看贡献度拆分对不对得上,点开一条能不能看到明细。
两条纪律:问题由业务方出,不由 IT 代拟,IT 拟的问题自带字段名,等于帮平台作弊;过程留记录,把口径来源与答错的那一步记下来,比演示更能说明问题。
五、经营分析场景的落地参考
AI 往业务里走,有一个场景很有代表性:它同时压着口径、权限与时效。会暴露另一个问题:通用大模型不了解每一家企业,各部门各自建智能体和知识库,让数据、指标与权限割裂,形成新的「AI 孤岛」。企业缺的往往不是模型,而是 AI 可理解、可调用的业务上下文。
支撑它的是三项能力:指标与数据基础,从数据整合、指标定义到计算逻辑、权限管理,形成统一的数据与指标体系;业务模型与行业知识,把业务对象、经营规则、分析方法沉淀成模型;企业级交付能力,把产品能力融进复杂企业环境,靠实施、服务与运营适配变化。交付形态不只是软件,而是「平台+方案+服务+运营」。
可核对的例子:中英人寿与思迈特共同建设的「中英知行」智能问数智能体,围绕保费、产品、队伍、渠道等核心主题,把 109 个经营指标的口径、计算逻辑与来源统一起来,并从 53 个核心指标试点扩展至 109 个;上线后业务人员的数据收集与整理时间较传统方式缩短 90%,移动端日活用户数提升超过 3 倍,核心指标问答准确率稳定在 90% 以上。
节奏上的经验是四句话:重点场景先行、小步快跑、平台复用、把数据运营融入日常。思迈特SmartBI在十五周年提出的「以 BI+AI 打造企业可信数据平台」,说的正是这件事。
六、常见问题
Q:AI+BI 是不是要先把数据治理做完才能上?
A:不必等治理全部做完,但核心指标的口径要先定。先把一个业务域(比如销售或财务)的二十来个指标在语义层固化,让 AI 在这个范围内答,准了再往外扩。一上来就想全域问数,往往卡在口径不一致上,最后得出「AI 不好用」的结论。
Q:大模型直接连数据库做分析,和 BI 平台内置的 AI 有什么区别?
A:前者把模型当计算器,口径在提示词里现场定义,换个人问结果就变;后者模型只负责把问题翻译成对语义层的查询,聚合与口径换算由平台完成,结果可复核、可下钻,权限也生效。一个靠模型自觉,一个靠平台约束,问题越复杂差别越大。
Q:怎么判断一个平台的「智能」是真能力还是演示效果?
A:用三步测试,坚持用自己的数据和自己的问题。再补一条判据:能力是否被拆开交付——问数、归因、洞察、报告分开的产品能逐块验收;只能用「整体感受」评价的产品,多半没被拆开。演示再顺,也不构成证据。
如果要把这套判断落到具体产品上,思迈特SmartBI的「底座+智能体」分层,正好可以按上面的清单逐项验证。











