引言：

过去两年，“接个大模型，插个聊天框，BI就变智能了！一句话查数，再也不用求分析师了！”火的一塌糊涂

随便一个厂商只要把大模型接到BI里，喊一句“一句话出数，干掉SQL”，就能拿到订单。企业老板们像抓住了救命稻草，以为终于能解决困扰了十几年的“报表难题”

结果呢？

两年过去，我接触过的上百家企业里，90%的AI+BI项目都变成了摆设。演示的时候有多惊艳，用起来就有多鸡肋。最后大家得出一个结论：AI+BI就是个骗局，只能用来给老板做演示。

但DataHunter始终认为，错的不是AI，也不是BI，而是我们从一开始就走错了路。我们对AI的期待太低了，低到以为只要能听懂人话、能写SQL，就是智能问数。

一、我们被“一句话出数”骗了整整两年

现在回头看，整个行业都陷入了一个巨大的误区：把“交互方式的改变”，当成了“本质的革命”。

所有人都在卷NL2SQL的准确率。90%，95%……你能听懂复杂句式，我能听懂方言黑话。仿佛只要NL2SQL做的足够好，AI+BI就能成功。

但这根本不是问题的核心。

就像一个业务人员，花一天学会拖拽BI，和花五分钟学会用自然语言问数，这之间有本质区别吗？

没有。 他们真正的痛点，从来不是“不会查数据”，而是“不会分析数据”。

  • 你问AI“为什么这个月利润下降了”，它给你拉出一张各区域的利润表；
  • 你再问“哪个区域下降最多”，它给你拉出华东区的趋势图；
  • 你接着问“华东区为什么下降”，它给你拉出各产品的销量对比。

它永远在给你数据，永远不会给你答案。整个分析的思路、逻辑、判断，还是全部要靠你自己：还是得盯着一堆图表，一点点拼凑出原因，自己判断哪个因素影响最大，自己想下一步该怎么做。

这哪里是智能，这分明是自动化的跑腿。最后只是把“IT帮业务查数”，变成了“AI帮业务查数”。本质上，什么都没变。

更可笑的是，为了让AI能准确听懂你的话，还得学会“正确的提问方式”：

你不能说“帮我看看最近生意怎么样”，你得说“查询2026年5月1日至5月31日全国范围内所有已确认订单的销售总额，按区域和产品线维度分组统计，并与2025年同期及2026年4月进行环比和同比分析”。

这算哪门子的智能问数？这分明就是把自然语言转换成SQL。仅此而已！

二、真正的智能问数，从来不是“听话”，而是“思考”

我们一直认为，智能问数会经历三个截然不同的阶段。绝大多数企业，至今还停留在第一个阶段。

第一个阶段，是“会说话的查询器”。

也就是现在市面上绝大多数产品的样子。它的核心能力是NL2SQL，能把自然语言翻译成查询语句，帮你把数据从数据库里捞出来。它能省掉你拖拽的功夫，但不能省掉你思考的功夫。

这个阶段的产品，本质上还是工具，只是更顺手一点而已。

第二个阶段，是“会分析的Agent”。

它不再是被动地执行你的指令，而是主动地完成整个分析任务。你告诉它“帮我分析一下这个月的经营情况”，它会自己去查核心指标，自己去发现异常波动，自己去拆解原因，自己去验证假设，最后给你一份完整的、有结论、有建议的分析报告。

这个阶段的核心，已经不是NL2SQL了，而是推理和执行：

它需要知道“一个经营分析应该包含哪些内容”，需要知道“发现异常后应该从哪些维度拆解”，需要知道“什么样的结论才是对业务有价值的”。

第三个阶段，是“会决策的伙伴”。

它不仅能分析问题，还能预测结果，甚至能自动采取行动。

比如，它发现某个产品的库存即将告急，会自动生成补货建议，审批通过后直接对接ERP系统下单。到了这个阶段，AI才真正融入了业务流程，成为了企业的一部分。

很遗憾，现在整个行业的注意力，还都集中在第一个阶段。

大家拼命地把查询器做的越来越好用，却没有人真正去做第二个阶段的事情。 这就是为什么那么多企业觉得AI+BI没用。因为他们需要的，根本不是一个更好用的查询器，而是一个能帮他们思考的分析师。

三、没有知识的Agent智能问数，就是无源之水

那么，怎么才能做出真正“会分析的Agent”？

很多人第一反应是：用更强的大模型。但我可以负责任地告诉你，这是一条死路。

通用大模型拥有全世界的知识，但唯独没有你公司的知识。

  • 它不知道你们公司的“收入”是确认制还是收付实现制；
  • 它不知道你们的销售提成是按回款算还是按签单算；
  • 它不知道你们的A产品线和B产品线是怎么划分的；
  • 它不知道上个月你们做了一场大促销，也不知道华东区的负责人刚刚换了。

这些知识，是每个企业最核心的资产，也是大模型永远不可能自己学会的。没有这些知识，再强大的大模型，也只能给出一些放之四海而皆准的正确废话。

这就是为什么所有自研智能问数的企业，最终都会卡在同一个地方：Demo做得无比惊艳，一到生产环境就全面崩溃。

因为Demo只需要用几个标准的问题来演示，而生产环境里，业务人员会问出千奇百怪的问题，每一个问题都依赖于企业内部的特定知识。

所以，真正的破局点，从来不是大模型，而是知识管理。

你必须把散落在老员工脑子里、Excel表里、代码注释里、会议纪要里的所有业务知识，全部结构化地沉淀下来，变成AI能理解、能调用的资产。这才是智能问数真正的护城河，也是别人抄不走的核心竞争力。

我们见过很多企业，愿意花几百万买服务器，愿意花几十万买大模型API，却不愿意花几万块钱去梳理自己的指标体系。他们觉得技术是硬实力，知识是软实力；技术是立竿见影的，知识是虚无缥缈的。

但恰恰相反，在AI时代，知识才是企业最核心的竞争力。技术可以花钱买到，而知识只能靠自己一点点沉淀。

四、Agent不是一个模型，而是一套组织体系

光有知识还不够。一次完整的分析任务，涉及理解、检索、计算、推理、验证、表达等多个环节。单靠一个大模型，根本不可能同时做好所有这些事情。 这就是为什么我们需要Agent工程化。

我们不能指望一个大模型包打天下，而是要把复杂的分析任务拆解成一个个小的子任务，然后交给不同的专业Agent去完成。

  • 有的Agent专门负责理解用户的意图；
  • 有的Agent专门负责检索知识和数据；
  • 有的Agent专门负责写SQL和查数据；
  • 有的Agent专门负责验证数据的准确性；
  • 有的Agent专门负责生成分析报告。

这些Agent之间通过标准化的协议进行沟通和协作，就像一个配合默契的分析团队。它们有明确的分工，有清晰的流程，有严格的校验机制。单个Agent出错了，整个系统不会崩溃，而是会自动重试或者切换其他方案。

这才是企业级Agent该有的样子。它不是一个聪明的大脑，而是一个严密的组织。它的能力不来自于某个天才的个人，而来自于整个组织的流程和制度。

基于这样的认知，DataHunter过去两年没有去卷大模型，也没有去卷NL2SQL的准确率，因为我们相信，能拯救智能问数的，从来不是更强的翻译能力，而是对企业数据分析本质的理解，最终打磨出的可落地的解决方案Data Neo数据分析决策智能体

当你问“为什么这个月利润下降了”的时候，Data Neo不会只给你一个数字。它会自动去拆解收入、成本、费用各个维度，自动对比历史数据和预算数据，自动排查可能的影响因素，最后给你一个清晰的结论：

“本月利润下降15%，主要原因是原材料价格上涨导致A产品成本上升12%，同时华东区促销费用超支8%，建议下周召开供应链会议讨论替代方案，并优化华东区的促销策略。” 

这套思路，我们已经在雀巢、墨极影视等很多企业验证了可行性。在雀巢，销售经理不用再等IT排期做报表，直接和AI聊5分钟，就能完成过去需要2-3天的经营分析；在墨极影视，导演不用再开冗长的进度会，直接问AI就能实时掌握项目的真实情况。

五、写在最后：

过去几十年，BI的本质都是“人适应工具”。我们学习SQL，学习拖拽，学习怎么制作报表，怎么解读图表。我们把自己变成了工具的一部分。 

而未来，BI的本质会变成“工具适应人”。AI会理解人的语言，遵循人的逻辑，完成人的工作。我们不需要再去适应工具，工具会来适应我们。

企业需要的，从来不是一个会写SQL的机器，而是一个能懂业务、能控风险、能给结论、能帮决策的智能伙伴。

而这条路，只有多Agent协作能走通。