当2000人开始全员造Agent，一家BI公司的AI觉醒实验

作者 | 由仪

编辑 | 葛覃

帆软不是一家需要靠AI讲故事的公司。

它不融资，不上市，没有对外部股东交差的压力，在国内SaaS模式遭遇挫败的年代活成了异类。2025年，帆软年营收超过17亿元，这家成立二十年的企业软件厂商，在BI（商业智能）市场常年占据着头部位置。

因此，在ChatGPT火热之后的头两年，帆软并没有急着大干快上，把所有产品一股脑地加上AI概念，而是一如既往保持了审慎且小步试错的节奏。

但，别天真地以为这样就能不踩坑。在当时，BI行业的标准动作就是做“ChatBI”，一个对话式的数据分析工具，用户可以用自然语言提问，AI直接给出分析结果，一向以产品能力著称的帆软，在ChatBI上吃了一堑。

TechForWhat了解到，虽然该产品2025年商业化进展不错，但是客户最终交付体满意还有待提高，这不是帆软一家的问题，市面上大至互联网大厂，小至创业公司，做模型的、做BI的都发现，“ChatBI”类产品交付率太低，企业客户抱怨多于叫好。

转折点发生在2025年年中。帆软做了一个决定：提出「全民AI」。

用帆软产品负责人、AI项目负责人张驰的话说，彼时行业呈现一种特别割裂的状态，一方面，市场情绪特别高涨，AI要落地、要提高生产力；另一方面，帆软在小投入探索的情况下做出来的产品一般，并且市面上没有任何能打的产品。

“用户的需求喷薄而出，但整个ToB市场上能用的产品屈指可数”，他说，通用问数在企业场景里行不通，企业数据私有、业务私有、知识私有，一个销售额的口径在不同公司、不同部门有几十种定义，AI怎么可能回答得准？

更扎心的事实发生在内部，当时帆软全公司真正懂AI的人屈指可数，2000多名员工，面对ChatGPT和DeepSeek，做的事情和普通用户一样——聊天。

“自己都没用起来，你就敢做产品卖给别人？”他后来回忆这个时刻，语气依然带着紧迫感，“这不是找死吗？”

一年后的今天，这家公司呈现出完全不同的面貌。内部正在运行的Agent数百个，覆盖了几乎所有部门和岗位，全员参与AI实践，公司一把手亲自下场，五款AI产品跑了出来，从商业洞察到销售教练，从数据分析到智能体搭建平台等，每一款解决一个具体的垂直场景。

比起帆软如何打造AI产品，行业更关注，帆软的AI组织转型。就像大家对于Anthropic的关注，最好的AI公司，可能也是一种组织发明，不是所有公司都能做Anthropic，但多数公司都能从帆软身上看到自己的影子。

从BI到AI，帆软这一年是怎么走过来的？

三把火：2000人如何被点燃

商业世界里有个悖论，公司越成功，就越难自我革命，这就是“成功者的诅咒”。帆软在BI领域建立的一切，既有的产品逻辑、客户关系、组织能力，都是现有条件的优化组合，当技术范式转移时，优化本身可能成为陷阱，代价也比从零开始更高。

全民AI的背后，即是ChatBI的惨痛教训。张驰复盘后得出结论：不是团队不努力，而是AI时代需要新的工作方式。“以前做软件，组一个小团队，沿用历史的思维和经验就能把产品做出来，但AI时代不行，小步快跑的试错方式，在这个节点没那么适用。

问题的根源不在团队规模，在认知。帆软信奉工程师文化，“Eat Your Own Dog Food”，这要求帆软必须重度使用自己开发的产品，如何提高整个公司的AI认知，张驰在内部烧起了三把AI之火。

第一把火：你花钱，我买单。

张驰申请了一笔经费，发起AI脉冲计划，员工购买任何AI产品都可以报销，不管是基础大模型的订阅，还是C端的AI工具，员工持续使用就持续报，持续有新感受就每个月都给报，直到分享不出新的东西。

AI脉冲计划迅速点燃了帆软内部的热情，从研发到销售到行政，几乎每个部门都有人在群里分享自己发现的AI产品和应用心得。

这件事看起来很简单，恰恰抓住了一个关键点，很多时候人走不出使用AI的第一步，花自己的钱，觉得没必要，免费提供体验，热情顿时高涨起来，一旦走出那一步，真正去拥抱产品，帆软整体对AI的感受和氛围就潜移默化地发生了变化。

第二把火：提需求，兑奶茶。

当1000多人已经体验了各种AI产品，对AI有了基本感知之后，全民AI计划走到了第二步，每个人回到自己的工作岗位，思考一个问题：在自己的岗位上，AI能做什么？

规则极其简单，提一条需求换杯奶茶，一个多月的时间，帆软收集了100多条真实有效的需求，出差报销的、项目管理的、数据查询的，这不是产品经理坐在办公室里想象出来的需求清单，每一条需求都来自真实的岗位痛点，之前可能是传统工具做得不好或顾及不到的，由此AI有了新的落地生根的场景。

第三把火：100万奖金池，全员造产品。

有了真实需求之后，帆软发起AI黑客马拉松活动，前后方必须组队，包括产品经理、研发、销售或业务方，联合起来揭榜解决问题。只要把demo画出来，就发5000块，上线之后让提需求的人真正用起来，发2万；如果还能找到几个种子客户用起来，一个项目可以拿到10万块。

“不管员工以前是干什么的，只要获得评委组认可，市场空间足够大、潜在种子客户足够多，公司直接投资，正式立项为产品。”张驰说。

三把火组成了明显的递进逻辑，先让全员体验AI，再让人思考提需求，之后付诸行动。但张驰说，这些只是“让大家先动起来”，真正的考验在后面，怎么把内部实验变成能卖给客户的产品，又凭什么在竞争激烈的AI赛道里站住脚。

五款AI产品，从内部实验到客户现场

ChatBI的不理想 ，让张驰得出一个判断，在BI领域，越通用越没用。

张驰表示，通用问数之所以不准，根源在于企业数据的私密性。大模型的语料来自互联网海量数据，它能理解各种表达方式，但在企业里问一句，“帮我看一下昨天的量”，这个“量”可能是电商的GMV，可能是销售额，一个销售额的口径在公司里有几十个定义，AI根本回答不了。

想清楚之后，帆软做了一个有点疯狂的决定，把所有产品全部重写，区别于以往小修小补的基础上加AI功能，帆软把FireReport、FineBI、FineDL、FineVIS等从零重构，统一底层架构，打造了一个面向AI的一体化平台。

“很多厂商做AI转型，是往老产品里塞AI。但我们评估了大半年，发现改不动”，张驰解释，“以前的产品是给人用的，界面好不好看、按钮清晰不清晰、操作顺手不顺手，这些做好了，人就能用好，但对AI来说，不管好产品还是不好的产品，都是‘垃圾’。”

AI想要用好一个产品，需要清晰的定义数据、接口和操作等，每一步都要拆分成原子化的操作，让AI看到产品时，能清晰理解每个模块承担什么使命，只有重做。

这个决定意味着巨大的工作量，但也构建了帆软真正的壁垒。“这套产品是真正AI原生的，我们要做好AI最顺手的那个铲子。以前给人当工具，以后是给AI当工具，一样可以当得很好。”

帆软用了十年投入做出来的数据分析引擎，可以实现1亿数据秒出，目前大模型的上下文窗口还差得远，这也说明模型和软件分别有各自的壁垒，模型可能会吞噬掉SaaS的一部分，但真正的know-how和核心能力依旧存在。

产品重构完成后，帆软的六款AI产品从不同方向切入，每一款解决一个具体问题。

MOSS谋士是商业洞察智能体，核心能力是帮企业找商机。它整合工商、财务、招投标、舆情等十余类数据源，构建了面向企业外部洞察的数据知识体系，能挖掘潜在客户机会、识别风险舆情。

FineSales帆倍是AI销售教练，面向三年以内的新销售，蒸馏Top Sales的经验为Agent能力，让每次拜访前充分准备、拜访后充分复盘，让销售把90%的时间花在客户身上。

吸管是AI定性分析平台，直接诞生于黑客马拉松。下班前发起调研，AI同时和500人对话并动态追问，上班后直接拿到分析报告。产品的核心洞察是，行为数据只占冰山一角，真正的决策动机藏在用户的“为什么”。

Dora（朵拉）作为DataAgent平台，可以基于四类基础数字员工，数据分析师、报告研究员、日报推送秘书和风险预警官，构建各类面向业务场景的数据智能体，把过去依赖人找数据的场景变成AI提供归因与分析预警。

悟帆AI是云端智能体搭建平台，核心理念是“流动”，一个人摸索出的AI用法，通过技能系统沉淀为团队共享资产，其他人安装后继续演进。

FineBINext主打白盒化分析，AI驱动的每一步计算都清晰可见、可追溯、可审计。在数据分析领域，准确性大于一切。

这些产品有一套共同的交付逻辑，先让自己用起来，再卖给客户。

以Dora为例，张驰吸取了ChatBI的教训，这次没有交给销售团队去铺量，而是挑了十家共创客户，要求产品和研发必须在客户现场自己交付，客户满意了再上市推广。张驰说，目前十家里面九家满意，还有一家没啃下来。

冷思考：否定的勇气与不做的定力

大模型以摧枯拉朽的姿态席卷，新的模型涌现、新的架构突破，新的应用范式被重新定义，但帆软栽过的跟头让他们明白，卖出去和用起来是两回事，新技术和产品交付率、客户满意度也不一定正相关。

这一次，他们选择慢下来，关注AI时代真正的竞争力。

“Agent本身很难成为竞争力，Skills也不是竞争力。“张驰说，行业里很多人把Skills视为护城河，沉淀了业务知识的提示词集，放到Agent里表现就是比别人好。

但张驰认为，这是大模型厂商的”阳谋“，互联网上的公开语料不够了，再训练大模型也无法提升，所以模型厂商让所有人参与构建Skills生态，所有的Skills本质上都是高质量的、已打标的语义集，模型在系统性地蒸馏人类专家的知识。最多再过三年，所有的Skills都会没有意义，因为模型本身就具备了这些能力，全都会渗进去。

那，什么才是竞争力？张驰的答案指向两个方向。第一是工具层，帆软的多年来积累的数据分析引擎，大模型不可能做到大规模数据的秒级分析，它没有专门做海量数据处理的能力。

第二是数据，帆软不间断地爬取和清洗互联网公开数据，构建企业商务关系图谱等高质量数据资产，虽然数据都在网上，但要用机器爬下来，用算力跑出来，清洗成结构化的图谱，这些脏活累活不性感，却是严谨的B端市场必需的工作。

张驰还表示，“帆软的产品未来一定会开放，不管是哪家的Harness，都可以来调用帆软的引擎，只要做数据分析，帆软数据引擎一定表现最好，同样地，帆软调用自己的工具，肯定比别人调得更好。”

但清醒不等于没有焦虑，模型即应用，是SaaS乃至软件行业头顶的达摩克里斯之剑，模型厂商以模型为基准不断向外扩展，没人知道会扩展到何等程度。

海外市场已经显现出端倪，Anthropic和Claude已经开始收购ToB公司，并且组建FDE团队帮企业客户把AI用起来。

“这不是只有ToB公司才该干的事吗？”张驰说道，他观察到的中美差异很显著，“中国任何新技术都从C端开始卷，但在美国，任何新技术入门都从ToB开始卷。模型即应用的趋势在美国发展远比中国快。如果那些AI Native的初创公司，做数据治理的、做垂直分析的，做起来之后都被模型厂商收购或覆盖了，那对帆软来说很危险。”

焦虑归焦虑，帆软的战略定位依旧清晰。“AI时代，帆软要成为企业经营分析与决策能力建设的伙伴，我们就是帮企业更好地做决策、更好地管流程的公司，专注于让数据成为生产力。AI只是满足客户需求的一种方式，比如简道云产品过去是拖拉拽的零代码，现在可以引入AI作为新的手段。」

“企业经营分析与决策能力建设伙伴”，这或许是帆软反常识的一面，不是追逐风口，是用AI重新武装自己擅长的事情。

但从另一个维度来看，一家2000人的公司里，上百种Agent在全员间运行，AI产品矩阵初步成型，所有产品被重构为AI原生——这家公司的每一个细胞，都已经是AI的了。

未来，帆软将如何更进一步实现AI转型，欲了解帆软的最新AI实践和AI产品动态，敬请关注9月10-12日在武汉举办的帆软第八届智数大会，看AI 如何真正走进业务现场。

The End