前两年BI行业最性感的故事几乎都绕不开四个字自然语言问数。不用学SQL不用拖字段也不用等数据分析师排需求。业务负责人看到一个经营问题直接问一句系统自动理解需求、查询数据再给出图表和分析结果。比如经营会上一款主力产品销量没怎么变化毛利却突然掉了几个点。过去可能要财务、销售、采购分别拉数据再由分析师把售价、折扣、采购成本、渠道结构拼起来看ChatBI描绘的未来则简单得多直接问AI“这款产品最近到底哪里开始不赚钱了”听起来非常合理。毕竟ChatGPT已经证明了一件事相比复杂菜单、字段和筛选条件人天然更喜欢直接说人话。于是自然语言问数迅速成为BI厂商、大模型厂商和数据平台共同追逐的方向。最热的时候甚至有人认为传统BI快要被聊天框取代了——以后不用做那么多报表有问题直接问AI就行。但几年之后再回头看会发现事情并没有按照最初的剧本发展。今天行业真正发生的变化是从单纯的ChatBI走向AI分析助手、Data Agent和更完整的智能分析体系。看起来只是换了一个名字背后却是完全不同的产品逻辑。以前希望AI回答一个问题现在希望AI能够完成一次分析。这也是为什么我现在反而更关注像FineBI Next这种新的AIBI形态。它不是把原来的BI能力全部推翻再单独放一个聊天框而是让AI直接工作在企业已有的数据资产上已有的数据连接、字段指标、语义口径、分析计算、可视化和权限体系都能够继续被AI理解和利用。需要AI数据分析工具FineBI Next的可以自取https://s.fanruan.com/zk65g复制到浏览器这条路线其实已经说明了第一代ChatBI最大的误判AI问数真正难的从来不是“问”而是“数”。一、第一代ChatBI最大的问题是把“查数”想得太简单了早期ChatBI的技术逻辑看起来很清晰用户输入一句自然语言模型理解问题找到数据表和字段把问题转成查询逻辑再把结果以数字、图表或者文字形式返回。从Demo来看这套链路非常惊艳。“本月新品卖了多少”“退款最多的是哪几款产品”“库存超过90天没有动销的SKU有哪些”这些问题大模型都很容易展示出不错的效果。于是很多人顺势得出一个结论既然AI已经会写SQL那数据分析是不是也差不多解决了问题恰恰出在这里。企业数据分析最难的部分很多时候根本不是SQL而是这句话到底是什么意思。比如销售负责人问“今年几个重点经销商的生意到底做得怎么样”这句话听起来非常自然但真正落到数据里一下就复杂了。什么叫“重点经销商”是年度框架客户、销售额Top20还是公司专门维护的战略客户名单“做得怎么样”又是什么意思看销售收入、同比增长、毛利贡献、回款速度还是渠道库存甚至同一个经销商销售额可能增长了30%应收账款却翻了一倍。到底算做得好还是风险正在变大一个熟悉业务的分析师之所以能够理解并不是因为他更会写SQL而是因为他知道这家公司平时怎么定义客户、管理层开会重点看什么以及过去这些指标采用什么口径。数据库并不会主动告诉大模型这些背景。所以第一代ChatBI最大的问题之一就是误以为自然语言和数据库之间只差一个大模型。实际上中间还隔着一整层企业业务语义。二、AI可以把SQL写对但依然把业务算错这是企业AI问数最麻烦的地方之一。SQL执行成功并不代表答案正确。比如业务负责人问“这个月新品销售情况怎么样”模型找到订单表把新品订单金额全部汇总算出1200万元。从代码上看没有任何问题。但公司的正式新品销售口径可能要求排除内部试销、赠品订单和已经取消的订单同时还要扣除退款。最终真正用于经营分析的数字可能只有980万元。更关键的是业务真正想知道的也未必是“980万元”这个数字本身。他可能真正关心的是这980万元是正常卖出来的还是靠大幅折扣换来的新品毛利怎么样退货是不是明显高于老产品渠道是不是为了冲量压了太多库存所以即使AI把SQL写得100%正确也可能只是回答了一个技术上正确经营上没什么用的问题。这也是为什么AI BI做到后面行业又绕回了一个看起来很传统的词语义层。AI不能只知道表里有什么字段还必须知道“销售额”“毛利”“有效订单”“活跃客户”这些概念在这家公司里到底应该怎么算。这也是FineBI Next这类产品值得注意的地方。它的AI助理并不是另起一套与BI割裂的数据逻辑而是与BI共用数据资产。过去已经沉淀的数据连接、字段指标、语义口径、分析计算和权限体系可以继续被AI理解和复用。这样做的价值并不是“功能更多”而是减少一个企业里非常现实的问题AI算出来的数字和业务平时看的根本不是一个数字。所以AI问数真正要解决的第一件事不是让模型更聪明而是先让AI知道在这家公司里这个数字到底应该怎么算。三、ChatBI真正撞上的墙是企业自己都没有“唯一真相”更现实的问题是很多企业本身就没有统一口径。销售部门看的是订单金额财务看的是收入确认运营看的是GMV渠道部门还可能有一套自己的出货口径。几个数字都可以被叫作“销售”。过去这类问题还能靠人来消化。销售做自己的报表财务做自己的报表经营会上发现数字对不上再拉几个人解释为什么。但到了ChatBI这里问题一下就暴露出来了。AI不能回答“这个问题比较复杂销售部门认为是1.2亿财务认为是9800万运营觉得应该看GMV。”它必须选一个口径。如果企业内部同时存在几套客户数、几套毛利率、几套库存金额那么模型不会因为参数量变大就自动知道哪一个才是公司的正式定义。所以很多企业做ChatBI做到后面会发现项目莫名其妙又回到了指标治理、主数据、数据模型和语义层。看起来走了一大圈其实一点都不奇怪。因为AI只是把过去被人工经验暂时掩盖的问题暴露得更加彻底。以前数据口径不统一人还能凭经验兜一下现在让AI直接回答它必须有明确、可执行的规则。也正因为如此AI时代反而不会让传统的数据资产建设变得不重要。恰恰相反AI越强企业越需要把底层数据说清楚。四、“能问出来”和“能分析出来”中间还隔着很远ChatBI还有一个容易被高估的地方查数和分析从来不是一回事。比如运营负责人问“为什么这个月退款突然变多了”如果只是做问数系统很容易回答本月退款率8.6%上月5.2%。数字拿到了。但这显然还不叫分析。真正的分析应该继续往下拆退款主要集中在哪些产品是某个平台突然上升还是全渠道一起涨退款原因主要是质量、物流破损、描述不符还是客户主动取消如果集中在某个SKU是最近换了供应商、调整了包装还是做了新的促销活动甚至还应该进一步判断退款率上升到底只是售后问题还是已经开始侵蚀产品利润一个真正的数据分析师面对这类问题并不会只执行一次SQL。他会不断提出假设、查询数据、验证假设再决定下一步分析什么。所以AI分析真正需要的不是“Text-to-SQL跑一次然后结束”而是具备连续分析能力。这也是ChatBI和Data Agent之间很重要的一条分界线。ChatBI更像你问一句它答一句。Data Agent则开始尝试你给一个经营问题它自己把分析路径往下拆。FineBI Next的AI助理其实也在往这个方向靠。比如业务人员看到库存金额持续上涨可以直接问“为什么最近库存金额一直在涨”AI先从库存总额、入库和出库变化中定位主要增长来源用户可以继续追问“是采购买多了还是卖不动”再进一步问“哪些SKU已经超过90天没有正常消耗”如果问题集中在少数产品还可以继续结合销售趋势、采购批次、库存库龄往下分析。这种连续追问才真正接近企业里分析问题的方式。下一代AI分析真正竞争的不是谁能回答第一句话而是谁能够陪你把问题追到底。五、用户真正想要的也不是一个“会聊天的BI”第一代ChatBI还有一个很典型的产品误判既然自然语言这么方便那Dashboard是不是也可以不要了以后所有问题都直接问AI。听起来很先进真正放进企业里却不一定合理。管理者每天打开经营系统并不会先面对一个空白输入框然后重新问今天收入多少库存多少回款怎么样预算有没有超他更希望这些稳定、重复、高频的经营指标已经被整理在看板上一眼就能发现异常。比如打开经营驾驶舱发现一款原本毛利稳定在35%左右的核心产品这个月突然掉到了27%。这种时候根本不需要AI先告诉你“毛利下降了。”看板已经把问题暴露出来了。真正适合交给AI的是下一步“为什么掉了8个点”然后AI再结合售价变化、促销折扣、采购成本、渠道结构和退款数据向下分析最后发现销量本身没有问题真正拖累毛利的是某平台连续两轮促销同时低毛利渠道的销售占比明显提高。这个场景才更符合真实使用习惯。所以看板和AI问数本来就不是替代关系。Dashboard擅长稳定监控AI擅长临时探索和原因分析。这也是我觉得FineBI Next这种“AI直接长在BI里面”的思路更现实的原因。平时业务人员仍然通过看板监控经营一旦发现异常就可以围绕当前数据继续让AI分析。更重要的是AI生成的分析表、图表和报告不是聊完以后就消失在对话记录里而是还能继续回到BI里查看、编辑、发布和沉淀。这点非常重要。因为企业的数据分析从来不是一次性聊天。真正有价值的分析最终应该变成下一次还能继续使用的数据资产。六、纯ChatBI还有一个问题每次都像重新开始比如采购负责人发现“这季度包装材料采购金额为什么涨了这么多”AI分析之后发现采购量其实没有明显增加真正的问题来自两家核心供应商连续调价同时一部分订单从常规规格切换到了成本更高的新规格。这次分析结果很有价值。但如果它只是停在一次聊天里下个月包装材料再次波动采购和财务可能还得从头查一遍。对企业来说这显然不够。传统BI很重要的一项价值就在于分析可以沉淀和复用。财务搭出一套利润分析模型下个月不用重新做采购形成一套供应商价格分析逻辑以后可以持续监控。所以AI BI真正应该做的不只是“问得更快”还应该让AI产出的分析继续留下来。比如刚才这次分析可以进一步沉淀成包装材料采购价格专题分析。以后持续监控采购量、采购单价、供应商贡献、规格结构和异常涨价。FineBI Next这种让AI和BI共享分析资产的逻辑本质上解决的就是这个问题不是让AI每次重新分析而是让一次有价值的分析变成组织下一次可以直接复用的资产。从企业效率来看这比单纯把响应时间从10秒缩短到5秒重要得多。七、企业最终一定会问你这个数字我敢不敢信消费级AI回答偶尔有一些偏差很多时候用户还能接受。企业经营数据完全不同。利润算错几个点可能影响预算库存判断错误可能影响采购客户风险判断错了甚至可能影响授信和回款策略。所以AI进入企业之后迟早会面对一个非常朴素的问题这个答案从哪里来的比如财务负责人问“现在逾期最严重的客户是谁”AI回答某客户逾期680万元。接下来财务真正会关心的是这680万元按照什么口径算有没有把未到期款项算进去已经到账但还没核销的有没有扣除对应哪个法人主体我有没有权限查看这些明细到底对应哪些合同和销售负责人这才是企业AI与普通聊天最大的区别。答案能生成出来不代表它就能直接拿去做管理决策。企业级AI分析必须同时处理指标口径、权限、数据来源、明细追溯和结果可信度。这也是为什么AI分析做到最后很难脱离现有BI体系独立存在。企业过去已经在BI中配置好的数据模型、字段关系、指标逻辑和权限如果做AI问数时全部重新复制一套不仅维护成本高还很容易再次制造新的口径冲突。FineBI Next让AI与原来的BI数据资产共用一套体系价值就在这里。AI不是重新开一个炉灶。而是在企业原本已经治理过的数据体系里工作。从这个角度看AI BI越往企业级走就越不像“ChatGPT接一个数据库”。它真正会变成AI BI 语义体系 权限治理 数据资产。聊天框反而只是最表面的一层。八、所以ChatBI真正输在哪里如果一定要总结我觉得第一代ChatBI不是输在大模型不够聪明而是输在三个认知错位。第一个错位是把数据查询当成了数据分析。生成SQL只能解决“拿到数字”真正的数据分析还包括问题拆解、连续探索、原因归因和结果解释。第二个错位是把自然语言理解当成了业务理解。AI能理解“毛利下降”“核心客户”“库存积压”这些词不意味着它天然知道这些概念在企业里怎么算。第三个错位是把聊天窗口当成了BI本身。真实企业需要的是稳定监控、自由探索、权限治理和分析资产沉淀共同存在而不是把几十年形成的数据分析体系全部缩成一个输入框。所以今天再看ChatBI会发现自然语言问数其实根本没有消失。它只是被重新放回了一个更合理的位置AI问数不是BI的全部而是BI的一种新的分析入口。九、下一代AI BI可能根本不再强调“Chat”如果把现在的产品趋势放在一起看下一代AI数据分析的形态其实越来越清楚。它大概不会是数据库旁边放一个聊天窗口。而更像是数据资产 BI AI助理 Agent。平时通过仪表板稳定监控业务发现异常以后直接围绕当前指标提问AI理解当前数据和业务语义自动拆解分析路径需要的时候生成分析表、图表和报告分析结果再重新沉淀进BI体系。更进一步Agent甚至可能继续调用其他工具把“发现问题”延伸到下一步业务动作。这也是FineBI Next这类产品值得关注的原因。它其实是在尝试回答另一个问题如果AI不是BI旁边的插件而是直接进入整个数据分析流程会发生什么传统数据分析往往要求用户先想清楚用什么指标、什么维度、什么图表然后再开始分析。AI介入以后顺序开始改变。业务人员完全可以先提出一个业务问题“为什么最近几个重点经销商的回款速度变慢了”至于应该调哪些指标、从客户、销售人员、合同还是账龄切入可以交给AI辅助完成。这时候BI的使用门槛确实开始下降。但有一个前提始终没有改变底层的数据模型、指标和业务语义依然要存在。甚至因为AI需要自动理解它们反而要比过去更加清晰。十、ChatBI退潮之后真正的竞争才刚刚开始回头看ChatBI这一轮热潮很像很多技术发展的第一阶段。新技术刚出现时人们总希望它彻底替代旧世界。后来才会发现真正有价值的变化通常不是“全部推倒重来”而是重新定义人在原有系统里的工作方式。ChatBI也是如此。自然语言问数并没有失败。真正失败的是那句过于简单的承诺“以后企业不用做数据模型、不用做指标体系、不用做BI只要接一个大模型就行。”现在越来越清楚的是AI越深入企业数据分析就越离不开高质量的数据资产、统一的指标定义、明确的业务语义和完整的权限体系。甚至可以说过去BI时代可以靠人暂时绕过去的问题到了AI时代一个都绕不过去。写在最后ChatBI真正留下来的并不是一个聊天框。它真正推动整个BI行业重新思考了一个问题当用户不再需要学习复杂的分析工具以后BI真正应该留下什么答案可能既不是传统菜单也不是一个孤零零的自然语言输入框。更合理的形态是让两者融合起来平时通过BI看板监控经营发现异常后直接向AI提问AI基于企业已有的数据资产完成分析分析过程中可以连续追问最终生成的图表、分析表和报告又继续沉淀回BI体系。从这个意义上来说FineBI Next这种让AI和BI共用同一套数据资产的方向反而比最早那种单独做一个ChatBI聊天窗口更接近下一阶段。它没有试图证明“AI可以替代BI。”而是在解决一个更现实的问题“AI怎么把原来的BI变得更好用。”所以ChatBI退潮并不意味着AI问数失败。真正退潮的是那种认为接上一个大模型企业的数据分析就会自动完成的幻想。接下来真正的竞争已经从谁能让AI回答一句问题转向谁能让AI真正理解企业数据、完成一次可信分析并把有价值的分析继续沉淀下来。这才是AI问数下一阶段真正的战场。
