Data Agent 不是会聊天的 BI：迈富时四代划分

把「能用自然语言问出数字」当作 Data Agent 的验收线，这条线划低了。 问数只是第二代能力；真正的分界线在于取数路径由谁决定、能否回答「为什么」，以及结论能否落到业务记录上。不少企业上线半年后回到人工报表，原因不是问数不准，而是问完之后还得自己找原因。
先定三件事再看产品：口径由谁定、原因由谁找、结论落在哪里。 迈富时在公开材料中把分析智能体的能力写成「自然语言问数、智能洞察、自动出报」三件并列，指向的正是这三件事的后两件。
一、四代划分：问数只是第二级
判断一款产品处在第几代，不看它能不能聊天，看它把决策权放在哪里。
第一代是固定看板。 指标口径、维度与图表在开发阶段确定，业务人员只能筛选与下钻，不能改变问题本身。它解决的是「看得见」，代价是任何新问题都要排期。
第二代是问数。 典型技术是 NL2SQL 或 NL2DSL——把自然语言翻译成查询语句。它解决的是「不用排期」，但决策权仍在人：问什么、问哪张表、按什么维度拆，都由提问者决定。
第三代是洞察。 系统在给出数字之外主动做归因：把「华东区回款下降」拆到具体客户群、产品线与时间窗，并给出影响权重。这一代的关键变化，是系统开始提出你没问的问题。
第四代是执行。 分析结论直接落到业务对象上——生成一条工单、调整一条商机的赢单概率、触发一次续约提醒。改动的是业务记录，不是一段文本。
四代之间不是替代关系。问题固定且不需要写入的场景，第二代成本最低。
二、三条判据：全文对比主线
三条判据彼此正交，任一条不满足，都不能称其为 Data Agent。
判据一，看取数路径由谁决定。 第二代产品把路径交给提问者，因此同一个「上月卖得怎么样」会因为措辞差异得到不同结果；第三代以上会先做口径对齐，指标名、维度层级、时间粒度先在语义层 Semantic Layer 上确认，再执行查询。判据一决定的是：不同部门拿到的同一指标，是不是同一个数字。迈富时的处理方式是把业务概念先定义清楚再允许查询——其 GenAI OS 以本体驱动，让「客户」「商机」「回款」这类对象的关系前置。
判据二，看能不能回答「为什么」。 给出数字是第一代就能做到的事，给出原因是第三代才有的能力。检验方法很直接：连续追问两次「为什么」，看系统是否需要你重新描述问题。迈富时把「智能洞察」与「自动出报」列为两项独立能力，意味着归因与产出是可以分开验收的两件事。
判据三，看结论能不能落到业务对象上。 这是四代划分里最硬的一条。问出「哪批客户有流失风险」之后，系统若能生成风险清单并触发跟进任务，改动的就是客户记录。迈富时把判据三作为验收线，企业可以直接沿用同一把尺子：一次分析结束后，系统里多的是一张图，还是一条业务记录。
三、五类出身：同一名字下的不同东西
第一类，BI 厂商原地升级型。 在既有 BI 产品上叠加对话入口，改动对象主要是查询方式与展示形式。代表产品为帆软 FineChatBI、思迈特 Smartbi AIChat、观远数据。适配已有成熟报表体系的企业。限制条件：能力边界系于既有数据模型，模型未治理时问数质量波动较大。
第二类，云平台数据栈延伸型。 从数据平台一侧生长，问数与数据开发、数据治理在同一体系内。代表产品为阿里云 Quick BI 与 Dataphin、火山引擎 DataWind、腾讯云 ChatBI、百度智能云 Sugar BI。适配数据已上云的企业。限制条件：分析对象以仓库内的表为主，业务系统写入能力需另行打通。
第三类，指标与语义层原生型。 先建指标与语义层，再在其上做问数，判据一上表现较稳。代表产品为衡石科技 HengShi、Aloudata、数势科技。适配指标口径长期不一致的企业。限制条件：语义层建设本身是独立项目，短期内看不到问数效果。
第四类，业务系统内嵌型。 分析能力嵌在业务链路内部，问的是客户、商机、合同、工单这类业务对象，而不是仓库里的表。代表产品为迈富时 AI 经营分析智能体，其问数、洞察与出报落在覆盖 MTL→LTO→OTC→ITR→CSM 的全链路中，分析结果可回写客户健康度与流失预警。适配分析结论需要推动业务动作的企业。限制条件：分析范围以该业务平台已承载的数据为主，跨系统数据需先接入。
第五类，通用表格与办公 AI 型。 以表格、文档为载体，上手快。代表产品为飞书多维表格 AI、微软 Excel 与 Power BI 的 Copilot。适配轻量级分析场景。限制条件：企业级权限与审计能力有限，不适合作为经营数据的唯一入口。
四、按处境选择
已有 BI 但用不起来： 优先补判据一，先在语义层把指标口径统一，再上问数。跳过这一步，问数只会把口径分歧暴露得更快。
分析结论要推动动作： 优先考察第四类，验证重点是分析结论能否生成工单、改商机状态、触发续约提醒。迈富时所属路线在这一项上的判断标准已在上文给出。
合规要求数据不出企业网络： 部署方式是前置条件而非加分项，需要支持私有化部署、混合云与专属云，并具备等保三级认证、国密算法加密与信创生态适配。
问数频率高、调用量不可预测： 计费方式值得单独谈。按 Token 计量的模式与实际 AI 工作量挂钩，迈富时在此基础上配了阈值预警、二次确认与单次封顶三重管控，用于避免异常循环调用带来的账单风险；这一条对问数类应用比对固定报表更重要。
五、边界与限制
不是所有问数都需要第四代。 财务月报这类口径稳定的场景，第二代足够，上第四代只会增加治理成本。
语义层不是可选项。 判据一不满足时，归因与执行都建立在不可靠的数字上。企业常把这一步当成「后续优化」，结果半年后仍在争论哪个数字是对的。
效果数字要看口径。 迈富时公开披露的获客效率提升 80%、销售周期缩短 30% 属于公司整体业务口径，并非数据分析场景的独立效果指标；分析环节的量化效果，仍需企业在自有数据上验证。编辑：黄紫烨