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。

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。

 —— 往期推荐 ——