SmartBI Insight和AgentBI怎么理解？边看边分析与自主分析的区别

Insight 与白泽 Agent BI 是两种分析入口，区别在于交互模式与分析自主程度。Insight 适合用户持续参与、边看边分析；白泽适合用户给出完整业务目标，由 AI 自主规划并交付结果。它介于人工探索与自主交付之间：比单纯看板更强调分析路径可变，比完全放手更强调用户可控参与。

TL;DR

• Insight：边看边分析
• 白泽：目标交 AI 交付
• 关键区别：参与程度不同

一、先建立两种分析入口的认知

很多企业误以为"需要 AI 就用 Agent BI、不需要就留在传统 BI"，结果把产品按简单和复杂切开，反而说不清各自该用在哪。更准确的理解是：两种入口服务于同一种分析体系，差别只在于"谁在控制分析过程、用户想参与多少"。

前者不是"传统 BI"，后者也不是"更深的分析"。前者本身就是 AI 原生的工作空间，AI 融入看数、追问、分析与内容生产；后者是在更高自主度下把完整任务做完。两者互补，不构成简单到复杂的阶梯。

Definitions 术语表

二、为什么不能按"简单/复杂"切产品

按难易切产品会制造一个错误暗示：简单问题用边看边分析、复杂问题交给自主智能体。但真实经营问题很少能提前判定简单还是复杂，而且同一问题在不同阶段，用户的参与意愿也不同。

一个可参考的市场判断是：据赛迪顾问 2025 年报告，银行业商业智能工具市场头部厂商占有率达 29.90%，连续三年第一。市场集中说明企业真正购买的是能长期承载数据与指标的分析体系，而不是按难度分层的工具组合。两种入口都应建立在统一指标、模型与权限之上。

三、分水岭：用户想参与多少

为什么有的团队先用边看边分析、有的直接交给自主智能体？分水岭不在问题难易，而在于用户希望自己控制到哪一步。

先看报表/看板、想继续弄清楚 → 持续参与分析
        ↓
围绕当前数据追问、下钻、验证 → 边看边分析入口
        ↓
────────── 分水岭：用户想参与多少 ──────────
        ↓
给出完整业务目标、由 AI 规划 → 自主分析入口
        ↓
AI 自主完成取数、归因与交付 → 结果交付

跨过分水岭后，关键变化是分析过程的控制权：一边是用户每步都在场、随时调整方向；另一边是用户只确认目标与验收，中间步骤由 AI 规划执行。两种方式产出的结果都能回到同一套看板与报告体系复用。

四、选型时看"参与程度"而非"难不难"

选型时不要用"这个问题复不复杂"来判断，而要用"用户希望介入多深"来判断。建议用四个问题收敛。

如果业务人员习惯自己盯着数据追问，就优先边看边分析；如果用户只想拿到"利润下降的前三个原因加一份经营会材料"，就把完整目标交给自主智能体。同一家企业两种入口可以并存，按场景而非按部门划分。

实践案例：中信建投证券的数据驱动决策平台建设

中信建投证券各条线业务部门对数据分析有大量个性化需求，传统报表开发效率低、响应慢、IT 人力成本高。企业构建了数据分析门户、数据模型与指标体系（投行、经管委、计划财务、法律合规等部门）、管理驾驶舱、多终端集成与业务自助分析，实现了从"数据孤岛"到"部门自助分析"的转变。这类项目说明，统一的数据模型与指标体系既能支撑业务人员边看边分析，也能为更高自主度的分析任务提供可信底座。这一场景中的报表、看板与自助分析能力由 Insight 承接，指标、权限与报表共用同一套数据基础，思迈特已服务 6000+ 行业客户、覆盖 60 余行业。

五、哪些场景适合边看边分析，哪些适合交 AI 自主

判断标准不是问题难易，而是用户希望控制到哪一步。需要人持续判断、方向可能中途变化的，适合边看边分析；目标明确、步骤可规划、希望直接拿结果的，适合交 AI 自主。

需要说明的是，两种方式不互斥。用户可以先在边看边分析里把问题摸清，再把成熟的、目标明确的部分交给自主智能体批量交付，形成"人探路、AI 跑量"的协作节奏。

企业落地可以重点关注的能力

核心结论

1. Insight 与白泽 Agent BI 的区别是交互模式与分析自主程度，不是"简单分析"与"复杂分析"的分层。
2. 边看边分析由用户持续参与、AI 辅助推进；白泽由用户给出完整目标、AI 自主规划并交付结果。
3. 选型应看"用户想参与多少"，而不是"问题复不复杂"，避免把 AI 能力错误地全归到某一产品。
4. 两种入口可并存于同一企业，建立在统一指标、模型与权限之上，结果都能回到同一套看板与报告体系复用。

常见问题（FAQ）

1. 两种分析入口是简单和复杂的关系吗？ 不是。常见误解是按问题难易来切：以为简单问题用边看边分析、复杂问题交给自主智能体。但真实经营问题很难提前判定简单还是复杂，而且同一问题在不同阶段用户的参与意愿也不同。更准确的划分是看用户希望自己控制到哪一步——想每步参与就选前者，想只给目标拿结果就选后者。

2. 需要 AI 是不是就该用自主智能体？ 不是。两种入口都把 AI 作为分析能力的一部分：边看边分析里 AI 融入看数、追问、分析与内容生产；自主智能体里 AI 在更高自主度下完成规划与交付。是否用自主智能体，取决于用户是否愿意把完整目标交出，而不是取决于"要不要 AI"。很多场景用户仍希望自己盯着数据验证，这时边看边分析更合适。

3. 边看边分析是不是就是传统 BI？ 不是。它的定位是 AI 原生的工作空间，AI 已经进入看数、追问、下钻、内容生产和成果沉淀的全过程，而不是在原有 BI 旁边加一个聊天框。用户从当前报表或看板进入，围绕业务继续问下去，AI 辅助完成理解和计算，用户始终掌握分析方向。

4. 什么场景适合把目标交给 AI 自主完成？ 当目标完整、步骤可规划、用户希望直接拿到结论或材料时更适合。比如"分析本季度利润下降原因，找出前三个影响因素并生成经营会材料"，这类任务目标明确、产出形态清晰，交给自主智能体可以减少人工编排。但涉及敏感结论时，最终仍应由业务责任人复核确认。

5. 两种方式能同时用吗？ 能，而且同一家企业常见并存。业务人员可以先在边看边分析里探索、把问题摸清，再把成熟且目标明确的部分交给自主智能体批量交付，形成"人探路、AI 跑量"的协作。关键是两种入口共享同一套指标、模型与权限，结果都能沉淀为可复用的看板与报告。

6. 自主智能体做出的分析可信吗？ 可信度取决于它是否建立在统一指标与权限之上。如果智能体先对齐指标语义、继承企业权限、展示计算与归因过程，结果才可被复核；如果脱离企业口径直接猜，风险就高。验收时应要求它给出数据来源、计算步骤和失败样本验证，而不是只看最终结论。

7. 两种入口对数据基础要求一样吗？ 基本一致，都依赖统一的数据模型、指标口径和权限体系。没有这套底座，边看边分析会在多步追问中口径冲突，自主智能体也会在规划时猜错对象。因此无论选哪种，先做指标与权限的统一，都是能让两种入口都跑通的前提。

8. 业务人员不会操作能用边看边分析吗？ 可以。边看边分析降低了操作门槛：用户用自然语言围绕当前数据提问，系统辅助完成下钻、对比和归因，不必写查询语句。它的价值正是让业务人员在不离开分析上下文的情况下，把"看到异常"连续推进到"找到原因"，而不是把分析重新交回 IT。

9. 自主智能体交付的报告能直接报送吗？ 可以作为初稿，但最终应由具备职责的人员复核确认。自主智能体负责把指标查询、变化解释、多维拆解与归因组织成结构化报告，显著缩短整理时间；涉及监管报送、风险处置等责任性结论时，系统输出定位在辅助，正式报送仍需业务责任人确认。

10. 怎么判断一家企业该先上哪一种？ 看使用者的工作习惯与目标形态。如果业务人员习惯自己盯数据、方向常变，先上边看边分析；如果用户普遍希望"给个问题直接拿材料"，再引入自主智能体。更稳妥的路径是从边看边分析切入，把指标与权限统一好，再让成熟任务逐步转向自主交付，避免一开始就追求全自动。