過去的三年，對我們科技創業者來說，每逢春節，必不安寧。2023 年 ChatGPT 炸場，2024 年 Sora 顛覆影片創作，今年春節 DeepSeek 又掀起新的風暴。所以今天我會結合大家關心的話題，分享我對大模型與資料結合的一些理解，包括“1 個問題、2 個判斷和 3 個建議”。
過去我們通常認為企業的核心競爭力包含人才壁壘、技術壁壘以及資本壁壘。
先看人才壁壘。當每家企業都能以 5 萬元僱傭具備清北畢業生知識結構的數字化員工時，“人才壁壘”已被 AI 拉平。程式設計師用 Cursor 寫程式碼，律師用 AI 寫法律文書，專業技能門檻正在被快速拉平。AI 時代，企業需要重新定義自己的人才和人才優勢。能否跟 AI 共生共創是未來企業員工的標準技能，就像資訊化時代，員工需要會用電腦會用 Office 一樣。
再看技術壁壘。AI 時代，技術壁壘包含算力、演算法 / 模型和私域資料三大因素。回顧過去 15 年，從大資料普及到 AI 普惠，技術平權的週期從十年縮短到三年。現在中小企業也可以以極低的算力成本使用 DeepSeek 開源模型或 API 服務。當 GPU 和演算法都變成基礎設施，企業與企業之間技術護城河還剩下什麼？唯一沒被抹平的差異化要素，就是企業的私域資料。用大白話說就是：你有多少高質量資料，就能擁有多強的智慧。
最後看資本神話的破滅。移動網際網路時代大家比拼“融資”和"燒錢”的速度，從“百團大戰”延襲到“百模”大戰，直到遭遇了 DeepSeek 的降維打擊——DeepSeek 7 天使用者破億，根本不給資本築牆的時間。我認為有一個概念發生了變化，就是“知本”這兩個字，知識的知。知識的流動速度要比資本快十倍百倍，“知本”的槓桿效率也比資本要大十倍百倍，企業真正的壁壘不再是資本壁壘，而是你獨有的認知體系和獨有的知識庫。知本一旦形成競爭優勢，往往不可逆，因為同行來不及反應，戰鬥就已經結束了。因此，DeepSeek 沒有開源他們的訓練資料集，但開源了模型和核心程式碼，因為他們知道，當自己擁有“知本”優勢的時候，自己的下一代模型依然會領先同行，競爭優勢並沒有丟失。
基於以上分析，企業核心競爭力的落腳點究竟在哪裡？我們認為，無論是零售品牌、先進製造還是金融機構，各行各業的核心競爭力都將建立在"知本"之上，具體表現為企業的私有知識庫體系。人才、技術、資本等傳統壁壘正在快速消融，唯有知識資產難以被複制和超越。
未來的企業將構建多維知識庫矩陣，透過多智慧體（Agents）的協同與互動，形成動態進化的知識、決策與行動網路。在這一體系中，經營決策場景因其知識密度和價值密度最高，自然成為核心戰場。企業的每一次決策，都是對市場認知、客戶洞察、產品理解和技術評估的綜合體現，這一過程本質上就是知識的萃取與應用。
這也解釋了為什麼 DeepSeek 崛起後，市場對 Chat BI 表現出如此強烈的關注，因為它精準切入企業經營決策這一核心場景。經營決策場景下企業知識語義表達的載體就是“指標”，其管理平臺就是“指標平臺”。也因此，指標平臺是企業最為確定性的私域知識庫，Chat BI 是當前最為確定性的 AI 垂直應用之一。
BI 作為企業數字化程序中最為基礎和普遍的應用場景，其與 AI 的結合是必然趨勢。今天，我要提出兩個關鍵判斷：
第一，Chat BI，其關鍵不在 BI，而在資料。
Chat BI 帶來互動層體驗變革，讓“人人都是資料分析師”這一口號成為可能。但是，人類分析師遇到過的問題，Chat BI 也一樣會遇到，一樣存在“資料不好找、不敢用、用不對、取不出”的問題。
如果不解決資料供給側的問題，資料消費側的創新一樣無法實現分析體驗的革命。這裡最主要的問題有：指標隨業務發展而動態變化，怎麼讓業務日常溝通的指標口徑跟 AI 獲取到的指標語義保持一致，怎麼讓指標口徑跟資料庫裡的資料保持一致，如何保證 Chat BI 在獲取資料時的響應速度？
以上問題決定了 Chat BI 與資料倉庫之間必然依賴指標平臺實現語義層中介，實現資料的 AI-Ready。
正如自動駕駛必須依託電動車而非燃油車才能實現，Chat BI 要實現真正的資料對話，必須建立在指標平臺的語義化和虛擬化基礎之上。這個指標中間層的引入，不僅要解決資料供給問題，更要實現資料的智慧化治理和價值轉化。
因此，Chat BI 的真正挑戰不在於提升分析效率，而在於重構資料供應鏈。只有當資料能夠被高效獲取、準確理解和安全使用時，AI 的分析能力才能得到充分發揮。
第二，Chat BI 的核心不在 GPU，而在 CPU。
要理解這一點，我們需要剖析 BI 活動的本質——它是一個既消耗腦力又消耗體力的複雜過程。
腦力層面，資料分析依賴資料分析師的腦力智慧，受限於個人處理能力；體力層面，需要大量的計算、儲存和資料處理資源。
首先，基於人工的資料分析是低頻的，一個人一天只能夠處理幾件事；同時，人是可以容錯的，人有主觀能動性。面向人工的資料分析場景，工程領域誕生了 ETL 和傳統資料倉庫架構。
但 AI 不是這樣的。一方面 AI 會釋放十倍百倍的分析需求，靈活性要求也極高；另一方面 AI 是低度容錯的。那傳統 ETL 工程體系和工程師體系是否能夠支撐 AI 時代海量、靈活的分析需求呢？
這正是我們三年前就提出 NoETL 理念的根本原因。NoETL 就是透過將 ETL Engineers 驅動的資料工程轉變為 ETL Agents 驅動的資料工程，實現資料處理流程的自動化重構。只有完成這種生產力變革，才能真正滿足 AI 時代的資料分析需求。
這種轉變不僅僅是技術升級，更是整個資料處理正規化的革命。它解決了傳統 BI 體系中最根本的供需矛盾，為 Chat BI 的真正落地掃清了障礙。
基於以上分析，我提出企業 Chat BI 落地的三個建議。
第一，好資料，強智慧。企業擁有多少好資料，就能擁有多強大的智慧。什麼是“好資料”？好的資料應該是“好找的、敢用的、沒有歧義的、AI-Ready 的”。反映在指標平臺上，要產出好資料需要指標平臺具備強大的指標定義能力，要實現 100% 的指標可以語義化定義，同時需要有強大的資料智慧加速能力，實現至少 95% 的查詢可以秒級返回。因此，我們認為，一個好的指標引擎必須實現真正的“管研用一體化”，才能解決 ChatBI 真正用起來的問題。
第二，可溯源，可審計。在資料分析領域，資料準確是一切使用的前提。如何解決大模型的幻覺問題需要系統性的思考和設計，需要實現思維鏈與資料鏈的雙重展開，白盒化地呈現 Chat BI 從意圖識別、語義理解，到查詢 SQL 等每一個環節的生成結果，做到端到端可溯源、可審計。
第三，全開放，大生態。指標平臺是企業在 AI 時代的數字基建。指標平臺的定位是企業內經管決策領域的知識庫，獨立於各類敏捷 BI、Chat BI、Agents 之外，為它們提供統一的資料語義層。正因其基建的定位，指標平臺必須具備下層相容性和上層開放性。對下，它不應繫結特定的計算引擎和資料倉庫，能夠支援動態連線不同的資料來源；對上要跟各類工具、應用場景形成生態合作，比如 Quick BI、WPS，各類 Chat BI 產品，還包括各類業務解決方案的廠商，比如醫療、財稅等。
我們堅信，NoETL 指標平臺作為一個新興的品類，一種基礎設施，需要保持足夠的獨立性和開放性，不被特定的技術供應商繫結，才能保持可迭代性。
我們公司名稱“Aloudata”，其實源於“AI on data”的理念。我們堅信，AI 時代的關鍵是 Data，是知識庫，是資料語義層，是資料虛擬化，這是我們的判斷，也是我們創立這家公司的初心。而我們所提出的 NoETL 的全新資料工程體系也以 AI-Ready 為核心使命。懂 BI、會洞察，為企業構建 AGI 時代的數智基建，相信我們是專業的。