克雷西 發自 凹非寺
量子位 | 公眾號 QbitAI
在網際網路時代，資料已成為企業發展的必經之路。
從電商平臺的使用者行為記錄，到工業感測器的即時監測，資料滲透在商業活動的每個環節，成為驅動決策的基礎資源。
然而資料的價值並不在於簡單的堆砌，未經梳理與解讀的原始資料如同散落的拼圖碎片，既無法呈現完整圖景，也難以支撐業務判斷。
商業智慧（BI）作為資料調取和分析的基礎工具，透過結構化查詢與報表生成，曾為企業提供關鍵的資訊整合能力。
但隨著大資料技術迭代，資料分析需求正發生質變——
當資料規模突破傳統資料庫的承載極限，當動態流資料取代靜態報表成為常態，傳統BI在即時性、複雜演算法支援及非結構化資料處理等方面逐漸顯現出侷限性。
現在，大模型向智慧體的演進正在打破這一困局。
在海外，傳統的國際BI巨頭Tableau，最近釋出的Tableau Next已摒棄了原來的BI架構，轉變為完全的智慧體（Agent），透過自然語言互動重塑資料行業。
另一方面，DeepSeek等創新力量憑藉大模型訓練成本的大幅壓縮，正從另一個角度推動著資料分析向“智慧體化”躍遷。
資料特徵改變，傳統BI要招架不住了
當前，企業資料來源已從單一的資料庫表單擴充套件至日誌、音影片、感測器訊號等多模態資訊，並且非結構化程度也越來越強。
傳統BI依賴的關係型資料庫，對這類資料的儲存和索引效率低下。
例如文字情感分析需要自然語言處理能力，影像識別依賴計算機視覺演算法……但傳統BI的標準化報表工具無法直接呼叫此類分析模組，導致大量高價值資料處於“不可用”狀態。
另一方面，越來越多的即時決策需求也與傳統BI的批次處理模式存在本質衝突。
當前業務場景如金融反欺詐、物流路徑最佳化等，往往要求基於即時資料流在秒級內完成分析，而不是像往常一樣做“事後諸葛亮”。
可以說，資料變化帶來的新需求，讓BI開始受到掣肘，而現實中的情況更為複雜，並且已經有傳統BI導致的“慘案”發生了。
老王是一家連鎖便利店的區域負責人，他在BI系統中查看了各門店的銷售資料、客流量和庫存情況，發現有一家門店銷售額很高，但庫存週轉率卻比較低。
這樣的異常引起了老王的注意，但僅憑BI系統生成的靜態圖表，老王依然是丈二和尚摸不著頭腦，無奈之下只能召集團隊開會，手動分析資料，耗費了大量時間，最終得出的結論仍然不足以讓他信服。
直到一次偶然的機會，老王到這家門店巡查，翻閱記賬本時發現，這家店竟然把退貨額也算在了銷售額中，難怪銷量會和庫存不匹配。
老王的故事說明，雖然BI在處理靜態資料時表現尚可，但無法對深層原因進行歸因分析和動態判斷，也無法分析不同指標呈現的結果是否合理，給出決策建議就更是天方夜譚了。
然而，BI雖然在資料深度挖掘上能力一般，使用門檻卻不低，操作專業性很強，需要具備專門能力的人進行操作。
說到這，就不得不提到另一個故（事）事（故）。
小張是某公司的一名職員，第二天要在一個重要會議上彙報工作，於是向資料分析師小李提出處理需求。
不巧的是小李開啟BI工具時，發現系統中還有其他部門的10個需求正在排隊，一排就是兩個小時，等到小李終於開始編寫SQL調取資料，卻發現小張的需求描述不夠清晰再次返回與小張溝通確認。
等小張收到資料時，已經錯過了會議時間，小張因未能及時完成資料統計工作，被公司記錄了一次重大失誤。
小張的經歷又暴露了傳統BI的另一個缺陷，就是由於過於專業化，導致由專人統一處理的時效，難以保證業務部門的資料分析時效需求。
當然，到了AI時代，BI工具也做了進化，和大模型進行了結合，但效果……就很難評。
小劉所在的公司，在資料分析上選用了配有大模型的ChatBI工具，這讓資料分析工作繁忙的小劉覺得自己找到了救命稻草。
於是小劉把大模型的結果作為報表的唯一資料來源，結果到了年末，管理層發現公司實際ROI比報表中低了80%，最終小劉被問責。
所以，雖然結合大模型的思路沒有錯，但如果不解決失真問題，使用時又不認真核對，效果可能適得其反。
大模型和資料分析，只差一個AI智慧體
當前大模型與BI工具的簡單嫁接存在明顯短板，但也不能因此否認向資料分析中引入AI技術的必要性。
關鍵在於，資料分析中的AI，需要從簡單的問答模型向智慧體進化。
AI智慧體透過任務規劃、工具呼叫與結果驗證的三層架構，能夠將模糊需求轉化為可執行的分析鏈路，從被動響應升級到主動規劃、自我反饋，是突破當前瓶頸的核心路徑。
基於智慧體的任務自動化特點，可以為其預設“月度經營分析”“日報自動生成”等流程，然後由智慧體到點自動執行並推送結果。
智慧體還擁有更強的環境適應能力，能夠更好地面對更龐大、非結構化程度更高的資料場景，甚至適應不同側重點的分析任務——
如果需要深度，智慧體可以挖掘資料背後的深層次原因，探索資料背後的關聯，給使用者提供行動建議；
如果需要實施決策，智慧體也能即時響應業務變化，自動觸發預警並推送應對策略。
並且，智慧體還打掉了傳統BI應用的技術門檻，易用性高，無需安排專門人員進行操作，避免了資料分析還要排長隊的窘境。
除了智慧體本身的優勢，DeepSeek的爆發，也大幅降低了作為智慧體“大腦”的大模型使用成本，不僅憑藉強推理能力保證智慧體的任務質量，更能平衡智慧體消耗巨量Token所帶來的模型或算力成本。
如果這時回頭再看老王、小張和小劉的經歷，如果有了智慧體，他們遇到的困境就能夠避免了。
資料分析智慧體，哪裡能用到？
說了這麼多智慧體的好處，那麼究竟有沒有人在這樣做呢？
開頭提到的Tableau，就是一個傳統BI巨頭透過智慧體進行“自我革命”的代表。
其最新的產品Tableau Next，已經完全推翻了基於資料集的舊架，改為透過指標語義層（semantic layer）+智慧體（Agent）的架構來幫助其客戶解決資料分析的場景。
我們可以看到在Tableau Next 新的工作模組中，分析流程結合了資料來源連線、資料準備、語義模型、視覺化等功能。
Tableau Next將Tableau智慧體（Tableau Agent）與Tableau Pulse（AI驅動的指標中樞）進行深度融合，透過自動化的工作流程提供智慧洞察。
無論是分析師、業務使用者還是架構師，Tableau Next都能大幅提升他們的資料分析效率。
一枝獨秀不是春，事實上，Tableau在指標語義層與智慧體架構上的探索也並非孤例。
隨著企業對即時決策需求的增長，越來越多廠商開始採用類似方法突破傳統BI的侷限，包括國內企業也在這條路徑上進行了探索。
比如數勢科技就基於這樣的技術路徑，在智慧體的概念還更多存在於學術界的2023年，研發出了資料智慧分析平臺SwiftAgent。
它以國內通用大模型為基座，應用RAG和AI Agent核心技術，幫助企業非技術人員透過自然語言完成資料查詢、資料分析，以及深刻洞察和決策建議。
並且透過構建統一的指標語義層，即自然語言到指標語義（Natural Language to Metrics）的方式實現精準取數，解決了透過大模型直接生成SQL導致的資料不准問題，同時還基於指標行列的許可權管控，來保障資料安全。
數勢科技介紹，SwiftAgent和Tableau Next二者在產品架構、技術路線與交付形式都非常相似，表明數勢的策略和技術都不落後於國際巨頭。
經歷一年多的迭代更新，再加上今年DeepSeek帶來了強大又經濟的新模型，SwiftAgent已經在國內大批次“上崗”，幫助解決了“事實、洞見、原因、決策”這四大企業核心痛點。
作為新型資料分析工具，基本功依然要紮實，或者說，傳統BI能幹的活，Agent就更要幹得好了。
其中最關鍵的“生命線”，便是準確性。
而SwiftAgent不僅分析準確，甚至能夠看出資料本身存在的問題，比如前面連鎖便利店的老王，他所遇到的統計方式問題，SwiftAgent就能輕鬆看破。
當然準確無誤只是及格標準，資料的視覺化也是呈現分析結果的關鍵步驟，SwiftAgent在這方面做得同樣很好。
特別是在接入 DeepSeek-R1後，SwiftAgent的資料視覺化能力又得到了進一步加強，可以根據輸入的需求，瞬間生成各式各樣豐富、易懂的圖表。
但真正困住打工人的，還未必是這些圖表，把一個個圖表串聯起來，形成分析報告才是真正的重頭戲，也是最耗時費力的環節。
作為一個智慧體助手，SwiftAgent也選擇幫忙幫到底，只需簡單輸入報告主題和要求，就能在短時間內整合相關資料。
同時利用DeepSeek-R1的動態思維鏈生成能力，針對不同場景，不同形式的資料結構，自動生成結構清晰、內容詳實的行業報告。
而且既然接入了DeepSeek-R1，就要把它的能力發揮到最大，因此SwiftAgent還可以對報告進行“深度定製”，根據企業的品牌風格、語言習慣進行文案設定，從資料圖表到文字闡述，都能精準符合企業需求。
這樣的報告定製，可以說已經遠遠超越了傳統BI的能力範疇，成為了資料分析的一種新形態。
但SwiftAgent並未止步於這種資料的表明，在做出報告之後，它還可以進一步利用DeepSeek-R1，進行精準的歸因分析。
比如當企業的某項業務指標出現波動時，SwiftAgent 不再只是簡單展示資料變化，而是深入挖掘背後的因素。
人們在面對出現的異常情況時，可能會因為種種原因無法在第一時間冷靜分析，判斷出問題的來源。
但SwiftAgent不會被感性因素所幹擾，能夠對問題原因或者排查方向給出準確及時的判斷，幫助人們穩住陣腳，並快速找到異常的誘因。
的確，發現問題比解決問題更重要，但既然已經發現問題，為什麼不一道解決呢？
所以，SwiftAgent把最終的落腳點設定在了決策建議，全面挖掘資料價值，可以綜合分析各種內外部資料為企業提供多個可行的決策方案，並評估每個方案的潛在風險和收益。
這樣一來，從原始資料到最終決策，SwiftAgent幫助人們完成了資料處理的全套流程。
實際成績也證明，SwiftAgent不僅獲得了權威機構的認證，也已經得到了金融、零售、快消、餐飲等各種行業的使用者認可。
某銀行客戶系統上線後，經過多方評估與打分，使用者意圖識別率＞98%，複雜任務規劃準確率＞95%，證明系統具有較高的穩定性和可靠性，其負責人表示：
這個專案真的給我們帶來了很大的便利，以前我們需要花費大量時間收集和整理資料，現在透過SwiftAgent，我們可以快速獲取準確的分析結果，為我們的決策提供了有力支援。
可以想象，在未來工作場景中，如果對智慧體規模進行擴充套件，讓多個智慧體能夠形成叢集，進行分工協作，完成更復雜的資料處理任務，甚至是資料之外的場景。
比如在銀行貸款業務當中，客戶諮詢時，需求理解Agent精準把握客戶的需求。申請提交後，風險評估Agent整合多方資料評估風險。接著，貸款審批Agent依風險評級和規則進行審批決策。貸款發放後，貸後管理Agent持續監控還款和信用狀況，發現風險及時預警。
總之，無論是海外的Tableau還是國內的數勢，都在告訴全體從業者，AI Agent正在成為資料分析的新技術正規化。
它標誌著資料分析從被動響應到主動決策的躍遷。
傳統BI時代，企業需人工定義問題、提取資料、執行分析，本質是“人驅動資料”的單向流程，而AI智慧體構建起了“資料驅動人”的雙向閉環。
並且這場轉型已非單純的技術升級，而是商業邏輯的重構。
當AI Agent能夠自主完成“監測資料-發現問題-歸因分析-生成策略-驗證效果”的全鏈條時，企業競爭力的衡量標準將從“擁有多少資料”轉向“多快將資料轉化為行動”。
是否擁抱這一變革，正在成為企業不可迴避的戰略抉擇。
一鍵三連「點贊」「轉發」「小心心」
歡迎在評論區留下你的想法！
— 完 —
🌟 點亮星標 🌟