企业AI落地，到底还需不需要BI？

随着大模型能力持续演进，AI已逐步应用于数据查询、代码生成、分析洞察和报告生成等环节。

在此背景下，企业对BI与Data Agent的关系出现了不同判断：一方面，部分企业关注AI对传统BI的替代可能；另一方面，模型幻觉、数据准确性和结果可信度等问题，也使企业对智能问数的实际应用价值保持审慎。

事实上，BI与Data Agent并非简单的替代关系，而是在企业数据分析体系中承担不同角色、形成能力互补。

本文将围绕AI时代企业为何仍然需要BI，以及Data Agent能够带来哪些增量价值展开分析，并提出以岗位需求为切入点的落地路径。同时，结合邮储银行的实践案例，为企业推进相关应用提供参考。

分享 嘉 宾 ： 思迈特软件FDE总监， 朱海

内容已做精简，如需获取专家完整课件，请扫码领取。

01

两类争论和一个核心命题

今天分享的议题，来自跟很多客户交流过程中遇到最多的问题：AI的时代，企业为什么既需要BI，也需要Data Agent？这个问题背后有两种代表声音。

第一种声音认为，现在的大模型已经可以理解很多问题、读取数据。比如AI智能体可以直接接入MySQL、Oracle等数据库，读取数据含义，生成SQL或Python代码，做数据分析、制作图表，甚至生成报告。这种情况下，BI以后还会不会存在？以前建设的BI还有没有价值？

第二类客户正好相反。他们以前做了大量BI建设，建了数据仓库，做了很多经营管理看板、业务自助推广，还有上千张报表。在他们看来，AI只是替换了手工查询的动作，人工本来就可以更快地执行；而且AI确实存在幻觉，到今天也不能保证百分之百的准确率。所以他们会问：Data Agent是不是一个噱头？问出来的数据做的报告，谁还敢用？

总结下来，这两个疑问都很合理，立场不一样。但企业真正关心的，始终是三个问题：第一，员工的工作有没有更容易地完成；第二，决策有没有可能因为AI变得更可靠；第三，投入到AI里的钱，有没有产生实际的应用价值，也就是ROI。

02

BI为什么是AI的底座

很多人一提到BI、商业智能，想到的就是做报表、做仪表盘、做给领导参观的大屏。这是用户最直观感受到的能力，也是BI最终呈现的一部分，但并不是全部。

BI里包含的，是企业围绕经营建立的指标定义、数据模型、数据计算口径和计算逻辑，沉淀下来的分析方法和思路，以及权限管理。这些能力决定了在BI里拿到的数字到底是什么含义、应该怎么计算、应该被谁使用。

我们截止到今天做了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。管理思路不一样，经营模式就不一样，产生的管理指标就不一样。所以每给客户做一个BI系统，都要深入了解客户真实的业务场景和痛点，来构建不同的BI底座。

有人说建设BI周期太长太重，做一个最少3个月到半年，不如直接用大模型把数据喂给它。但这种走捷径的想法，去年还有人在听，今年已经基本没人提了——这是一条走不通的路。

Gartner在今年2月发布的一份智能体市场指南报告里说，到2028年，60%仅依赖MCP（模型上下文协议）的AI项目将会失败，最核心的原因是缺乏一致的语义层。通过MCP调用也就是直接把数据库喂给AI这种形式，超过了60%。

AI要能理解业务语言，就必须有明确的业务含义和清晰的业务口径。以销售情况为例，销售到底指合同签订、发货单，还是财务口径的收入确认？这些是业务定义问题，不是语言理解问题。

以前做BI，给不同的人员开发不同口径的报表，每个人打开自己那份就能拿到想要的数据。但这对新员工门槛很高，换一个人要重新理解以前报表的含义和规则。BI要做的事，就是把销售情况这个词，通过组织和管理，变成有唯一口径、统一计算逻辑、清晰血缘、明确责任人和版本记录的指标，让人在使用时都有清晰定义，AI调用时也有具体明确的指标。

除了语义，BI还统一了一件事：数据权限的访问。同一个问题由不同人提出，能看到的数据肯定是不同的，每个区域经理只能看到自己负责的区域，身份证号只能看前几位和后几位。这些权限体系已经在BI里存在十余年了。

Data Agent如果依靠提示词做权限管控，很容易泄露。从企业角度，换一个入口不应该把底层规则也换掉，不管从BI看板、移动端还是AI进去，访问的都应该是经过统一确认的业务数据。

BI从古至今的核心竞争力不是炫，而是稳。同样一张报表，百分之百能保证今天看到是这个数，明天也是，后天也是；AI即使百分之百准确率，也可能有百分之一的报错。所以AI更适合灵活性挖掘和深入需求时做呈现。但变化的是报表的生产方式，不是它们存在的价值，新报表开发之后，还是要沉淀到BI里去。

03

Data Agent带来的三个变化

业务人员每天都会产生新的需求。过去更多在解决数据能不能查到、指标能不能算得准、业务情况能不能看清。现在业务人员还会问：既然数据已经在系统里了，我下午要见客户，能不能直接帮我把客户材料准备好？生产领域发现了订单异常，能不能把异常直接给出来、归因内容直接做好交给负责人？

所以业务人员对Data Agent提出的，根本不是一个查数的问题，而是希望它完成一项真正的工作。

第一个变化是从人找工具到工具完成工作。过去要见客户，得清楚知道打开哪些报表、做什么筛选、订单异常从哪个维度看，这对熟悉系统的分析师高效，对不熟悉系统的人无从下手，业务人员要先把自己的工作要求翻译成一连串的系统操作。

举一个客户经理的例子：下午跟客户沟通，客户关心项目进展到哪一步、会不会影响交付交期、还有哪些待办、采购进展怎么样、生产质量有没有问题，需要把整个数据串起来整理成汇总材料。Data Agent把这个过程反过来：直接对它说，我下午要和某个客户交流，你就把项目当前的数据和我关注的内容返回给我。

第二个变化是从你问我答到主动往下挖。去年做项目，基本还是问销售就返回销售。但很多业务人员不关心数据展示本身，希望看到的是异常。比如给一个保险客户，他告诉这个月赔付率上升了，到底是出险次数变多了，还是每次赔付金额变高了？是普遍性的还是在某些地区、某些车型导致的？这才是业务想了解的。给他指出这类问题之后，他才会进一步探查。

保险赔付率分析是个典型场景。赔付率表面上是赔付金额除以保费收入，但客户真正关心的不是这个除法，而是为什么会赔得多、哪个业务赔得多、应该从哪些方面改善。常规分析人员用BI按区域、车型、险种做大报表，但维度很不够，还要看新能源车型的智能大灯维修成本、出险后的配件工时辅料救援费用。

这些经验都要固化到Data Agent里，它才知道应该先看什么、再看什么。但这并不是全部固定进去，业务一变化又怎么办？这两年车企在疯狂发布车型，2025年发布了1200种，今年可能发布1300种。Data Agent可以把这些分析思路整理成标准化的执行方法，再结合最新数据往下查，新增车型时也能自动按规则计算，这样就能算好赔付率、定好车辆保费。

第三个变化是交付的不是图表，而是一项完整工作。比如做经营月报，以前用BI取数、核对口径、编到Word里、再用AI润色串起来，拜访过很多客户基本每月都需要一周时间。现在希望直接通过Data Agent把报告生成出来，不同材料直接生成。所以要比较的不是谁更新更稳定，而是在真正的工作过程中，判断哪类需求需要BI实现，哪类需求AI能更快更简单更稳定地实现。

04

怎么落地，从岗位开始

落地第一步是定义清楚业务含义、执行计算和任务组织。

业务含义就是指标定义、时间口径、组织范围、业务术语和数据之间的关系；任务组织是要理解用户的最终目标，Data Agent交付的对象是谁、要调用哪些能力、最终交付物是什么；执行计算是数据的业务规则和查询汇总的计算方法。

这三件事要紧密协同，但不能全塞进Data Agent。以经营报告为例，哪些数据源可以使用、收入和利润口径怎么计算，应该由计算引擎负责；智能体负责最终的理解，把整个流程打通取数，核查问题，写入结果，做多智能体一致性检查——这不是限制AI的发挥，而是给它一个可靠的工作环境。

第二步是优先复用现有资产，而不是重建数据体系。大多数客户已经有基础BI设施，有经过业务认可的报表、底层数据和权限管控，这些都可复用，Data Agent没必要每次都从原始业务库拿数，对新的探索性业务可以用灵活的查询能力延伸。

第三步是用固定的底座区分固定业务和灵活业务：简单重复的任务用传统模式直接完成，复杂灵活多变的引入Agent。企业也不应该比拼用了多少智能体，目标应该是打造多少个真正可用、能带来实际价值的智能体。

怎么选场景？从岗位开始，而不是从全公司来做。调研业务人员的岗位，观察他每天的工作内容，再统一判断。要找出比较重要、又有典型复制性的场景先做，从单个岗位、单个场景做起，做完把方法论沉淀出来在公司内部不断推广复制。

定义这个场景有三个标准：第一，谁每天在做这些重复的事；第二，它比较耗时，最耗时的环节是什么；第三，它需要的数据是不是已经能够获得。所以应该先服务那些经常做经营分析的人员，他们有大量固定的报告模板，一份做一周甚至两周。

最后，BI与Data Agent不是竞争而是互补，让彼此变得更强。两者之间存在一个正向飞轮：AI推广之后能得到以前BI推广得不到的东西，通过Data Agent知道哪些指标问得最多、哪些问题经常被问、哪些口径需要解释，就能反向沉淀到驾驶舱里做更新和替换；

BI变得越强，AI就越准；AI越来越准，用的人变多，日志越来越丰富，业务也就敢用了。整个飞轮就转起来了。判断一家企业数据分析能力的公式是：BI的可信度乘以Data Agent的覆盖度。如果BI都不可信，报表没人看，再怎么做Data Agent也很难；如果Data Agent能力不行，BI再强也体现不出最新能力。这两个是相互喂养的关系。

05

真实场景里的BI和智能体协同

以下是某邮储银行省级分行的三农业务。

邮储除了常规存取款业务，核心一部分是服务三农，也就是城市居民、小微企业，还有普惠助力，经常经营农牧贷、极速贷这些中国特色的业务，业态独立，服务对象也有差异，

所以这个省级分行每个地区的考核制度也不一样。每周甚至每个月做三农业务分析时很麻烦，要去各种系统、各种导数据、抓取三农的数据。调研之后发现，真正要为三农这个业务做数据指标的沉淀。

我们围绕客户、围绕交易、围绕整个经营内容做了一个数据模型的沉淀，把数据完整打通，沉淀到系统里。现在业务人员每天涉及到三农的问题，直接在Data Agent里取数问数。第二类，因为三农业务是他核心利润的根本，每周都要做业务复盘，通过各种各样的报告模板直接上传，就能自动生成这些固定的报告，不需要人为编制。

这里面也做了很多内容，因为要保证AI的稳定，采用了整套的智能体调度，写了很多报告技能来完善统筹。最后他们自己也编制了大量报告，现在基本脱离了IT，自己就能完成整个数据分析任务。

最后回到分享的主题，AI不会让BI消失，AI只会让不扎实的BI无处可藏。不要用AI的能力去掩盖BI以前没做数据治理的烂账。未来的企业不是用BI的和用Data Agent的两类，而是数据分析能力强的和能力弱的两类，这就是BI的可信度乘以Data Agent的覆盖度。

06

Q&A问答

爱分析：今天咱们聊了很多关于FDE的话题。这件事其实甲乙双方都很关注，乙方做AI落地时基本都会有一个FDE团队或类似模式；而甲方，尤其是很多集团企业的IT部门，在推AI落地时，也会希望搭建一个类似FDE的组织，让Agent真正在企业内部跑起来。既然如此，搭建这样一个FDE团队或组织，核心关键在哪里，要重点解决哪些问题？

朱海：我先讲讲我们的FDE是怎么运作的。目前我们FDE团队的聚焦点还是在售前阶段的业务认可。现在的客户做数据Agent，你要是只靠PPT去说服，基本已经过时了，客户要的是真正的业务认可。所以我们的FDE到客户现场之后，在售前阶段就要完成四件事：业务调研、业务设计、方案设计，以及最终的效果呈现。这四块做完，客户才会认可你的方案能解决他的实际问题。

所以业务方案这一块非常重要。而且我们的FDE不只是业务代表，还配了技术专家，本质上是一个复合型的角色，集售前实施、业务咨询和产品能力于一身。这样的人才是FDE里很重要的一环。

如果把这个模式传递给甲方，逻辑其实是相通的。客户那边至少要有一定技术能力的人，对本企业的业务和人员有认知，再加上我们沉淀下来的经验和模板一起输送过去，这个岗位在企业内部就能比较顺畅地运转起来。

爱分析：那FDE团队的能力要求或者说人才画像，大概是什么样？

朱海：严格来说，我们并没有一个非常明确的画像。公司内部目前也是从各个部门抽调人员来组织的。做一个项目时，也不是一个人单打独斗，更多是团队配合。

而且在我们公司，FDE的定位本身就不是一个岗位、一个人，而是一个团队。谁有能力做这件事，谁就是这个项目的FDE。这种组织方式反而更灵活。

爱分析：这个角色的KPI或者目标怎么设计？

朱海：我们的KPI是用价值来量化的，不是那种你今年售前要承担多少个客户之类的机械指标。具体来说分两类。第一类，有多少客户真正把我们的Data Engine用起来了，给客户带去了多少实际价值，以这样的项目数来衡量。第二类，你能给公司内部带来什么样的赋能，沉淀出什么样的模板、经验，反哺给其他人员。就这两类。

爱分析：现在大家聊企业Agent落地，聊得最多的还是从哪个场景切入、怎么找到高价值场景。但下一步更关键的是怎么推广，怎么把一个单点场景做成规模化、在企业内部铺开。从你们目前的实践看，有没有一些比较有效的思路？

朱海：因为我们本身比较聚焦，主要围绕数据分析类场景。这里有两条比较典型的路径。

一条是培育AI文化与组织驱动。我们有一个典型客户，2022年ChatGPT刚火起来的时候，就采购了我们当时叫V2的产品。放到今天看，当时做的确实很简单，就是一个你问我答的取数功能，也不具备扩展性，还需要大量前置调研。但在当时的能力条件下，它确实替代了客户一波取数的工作。

这个客户是怎么推广的呢？靠培训和文化驱动。当时整个市场都在追捧ChatGPT，客户就顺势培育AI组织文化，把学习AI应用的内容写进额外的奖励绩效和业务绩效里，用这种机制去驱动。用的人多了，AI的沉淀也就越来越多，慢慢就滚起来了。

另一条是上升到战略层面做规模化推广。比如我们给蓝网做的项目，从去年一直做到今年。客户内部定义了一批金叶子工程、银叶子工程，还定了一个市场化的目标，希望人人都成为数据分析师。所以从去年开始，我们的产品也做了大幅度改造，灵活性和泛化能力都更强了。

当时我们先找到他们的数据团队，做了大量的数据底座建设，然后到各个省、各个地市去不断推广。这里有个背景，去年其实还没有FDE这个概念，但我们的做法本质上就是FDE：挖痛点、挖部门，做内部宣传、外部宣传，广泛铺开。因为客户把这件事定进了战略，从高层往下推，所以推广起来就顺很多。

总结下来，规模化落地无非两个抓手：一个是靠文化和绩效机制自下而上地培育，另一个是靠战略定位自上而下地推动，两条路都可以走。

以上就是本次分享的内容，如需获取完整课件和视频回放，请扫码领取。

深耕商业智能领域十余年，为南方电网、湖北电网、中国石化、三一重工、长江存储、长沙银行等50+央国企及行业头部客户提供数字化转型解决方案，擅长将企业级BI技术与业务场景深度融合，聚焦AI智能决策技术创新，推动企业从"数据可视化"向"决策自动化"的范式跃迁。

近期厂商征集

AI数据基础设施研究项目征集

截至时间：10月31日

本体市场研究项目征集

截至时间：10月31日