0
雷峰網訊 用自然語言直接向BI軟件提問，查詢數據，甚至指揮它進行數據分析，是BI行業的愿景，但過去十余年來未見成功者。直到大模型的出現降低了自然語言查詢數據的技術門檻，這一目標終于具有可行性。以智能化的數據分析服務Chat BI為切口，BI行業找到了AI技術落地的具體場景。
作為BI＋AI理念下的融合產品，Chat BI支持用戶在業務應用中的任何時刻喚起一個聊天助手，用自然語言詢問各種經營數據，并即時得到回答。運營方在查看靜態報表的同時，也可以就數據變化向AI助手提問，拆解現象背后的原因。從BI到Chat BI，企業在數據運營方面的緊迫性需求、探索性想法將被更好地回應。
在AI科技評論與衡石科技創始人兼CEO劉誠忠的訪談中，他向我們介紹了Chat BI的應用場景與技術路徑。2022年大模型浪潮興起以來，BI行業對于Chat BI落地的技術路徑存在NL2SQL和NL2DSL兩種思路。前者在數據庫表的基礎上直接對接大模型進行問答，后者將用戶的問題調用BI結構化的查詢接口，由BI下發相應查詢。
受訪者供圖
作為新一代BI公司，衡石在產品構建階段對已有的BI產品進行了調研，從微軟Power BI和Looker的經驗中發現語義層是BI產品數據分析能力的基礎，決定將工程團隊的精力集中在加強語義層能力上。而語義層通過定義業務友好的術語和概念，為DSL的構建提供簡化的數據視圖，DSL可以基于該視圖來設計更貼近業務的語法和語義。
AI時代到來后，BI側的語義層能力和AI側的大模型完成了雙向奔赴。大模型不需要把自然語言翻譯成SQL層次的底層語言，在問數場景中，只需要與中間的語義層進行交互。衡石基于自身語義層的優勢，降低對大模型提出的要求，走通了NL2DSL的技術路徑。
隨著模型分析能力的提升，未來Chat BI還將幫助用戶生成分析報告，針對數據的走勢、關聯關系以及數字背后隱藏的洞察，提供更清晰的解讀。劉誠忠判斷，大模型對數據趨勢進行預測和解讀的能力，可能在今年晚一些時候或明年被大幅增強。
以下是AI科技評論與劉誠忠的對話全文，為方便閱讀，進行了不改變原意的文字調整。
為什么選擇做BI
AI科技評論：為什么選擇做BI產品？這個賽道有哪些選手？
劉誠忠：BI更有成為標準化產品的潛力。BI 本質上是一個用于統計分析的大數據產品，而且對分析數據的種類并不限制。企業的數據分為幾個板塊，財務、ERP、marketing、sales和HR，每個業務都可以用。在BI賽道，主流廠商包括微軟、Tableau、帆軟、永洪科技、思邁特軟件、觀遠數據、衡石科技等等公司。
AI科技評論：衡石的BI有什么不同？
劉誠忠：我們產品的核心特點是開放架構，比較像一個BI引擎，可以服務直客，但更多地作為嵌入式產品面向應用軟件廠商。這種以嵌入集成為主的產品形態和合作方向，使衡石在BI賽道具有一定的差異化定位，因此在國內幾乎沒有競爭對手。客戶傾向于將衡石定義成BI Engine或 BI PaaS，本質上都是在形容衡石的定位。
AI科技評論：除了衡石，國內SaaS廠商在嵌入式BI產品方面還有什么選擇？
劉誠忠：除了衡石，國內SaaS廠商的選擇通常是自研。軟件廠商的工程師們對于BI功能往往忍不住會自研，但數據分析和 BI 的自研成本其實非常高，因此許多客戶都在都是自研上吃了大虧后找到我們。
自研的必然結果，就是雖然可以做出來，但它會是一個非常輕量的東西。通常自研 BI 需要的團隊規模為5~10 人，周期1~2年。BI的基礎工程較為容易，可以在這個條件下完成，但后續建模分析、數倉對接權限控制等精細、復雜工程所需的進一步投入會給研發投入造成巨大壓力。很多公司會發現做到這兒的時候，開發投入已經跟自己主業需要的水平差不太多了，那就顯得不合理。一個做 ERP 的公司，投一堆人做BI，但事實上 BI 這樣的數據類基礎工具軟件的投入就是未必低于 ERP。
AI科技評論：有企業自研 BI 成功的案例嗎？
劉誠忠：全球范圍看也是幾乎沒有的，就算軟件巨頭如谷歌、Salesforce需要這部分能力也不會自研，會直接發起并購。國內看到阿里自研BI產品比較成功。他們的產品可以在阿里云上服務自己的電商群體，這部分群體同時也在滋養產品，所以阿里對產品的打磨可以得到市場反饋。產品是靠市場反饋推著走的，如果一家企業BI產品的反饋來自于自身業務部門，不能代表市場的反饋，也就無法形成市場競爭力。
Chat BI：BI＋AI融合之旅
AI科技評論：大模型的發展會擠壓BI廠商的生存空間嗎？
劉誠忠：基本上從2022年底開始，所有的BI廠商都在第一時間關注大模型。因為如果大模型一出現就把toSQL的問題解決得很好，那BI廠商就很危險，大家擔心要被折疊了。差不多24年大家才發現，基于BI去做AI在數據分析上的落地是更務實的，BI這一層應該沒有辦法被替代，BI＋AI這種合作慢慢地才多起來。25年開始，合作的線索和機會開始成數倍的增加。
對BI廠商來說，23年是觀察的一年，24年是共識形成的一年，25年應該就是快速成長兌現共識的一年。
受訪者供圖
AI科技評論：BI產品怎么和AI技術結合？有哪些應用場景？
劉誠忠：做智能化的問數助手，給企業提供智能化的數據分析服務。衡石從為SaaS軟件市場提供BI，升級為提供 Chat BI。后者支持用戶在業務應用中的任何時候喚起一個聊天助手，用自然語言詢問各種經營數據，并即時得到回答。在數據運營方面，這種隨時可以問到某一個數據的服務是之前不存在的。用戶需要詢問分析師，分析師制作報表，再進行調整，這是一個很低效的過程。現在可以用Chat BI解決一些緊迫的隨需而變的探索問題，這種ad-hoc的需求是很旺盛的。
另外用 BI 工具做出靜態報表給運營方看的時候，Chat BI會有一個AI助手。運營方可以在看報表的同時，隨時提一些探索性的想法。比如他看到報表的某個數據上升了，就會問是哪個維度上增加了什么東西導致的。這個現象分解出來，原因具體在哪里，這些探索可以馬上進行，實時的反饋。
AI科技評論：不同的大模型對Chat BI有區別嗎？
劉誠忠：區別很大，問數的核心就是大模型能不能準確理解問題，有的大模型更準，有的就不準。GPT-4o效果很好，DeepSeek和千問也不錯。但對接大模型的過程相對來說是標準化的，因為大模型對外暴露的接口就是prompt。不管這個模型是不是開源的，Chat BI把query給它，它以語義層的語法返回，由BI平臺再翻譯成SQL，完成對數據的查詢，把聚合的結果反饋給客戶。
AI科技評論：未來Chat BI的產品形態會是Agent嗎？
劉誠忠：衡石現在的Chat BI還是面向真人，比如通過報表旁邊的聊天窗口，或者向飛書里的bot提問。但未來有很多情況下會是一個Agent或者AI來和衡石對話，所以我們對外要提供for Agent的一層，使它可以被別的Agent所識別、辨認和調用。
我們以后對外就是一個企業級的 BI Agent。衡石已經和Dify集成，用戶可以在Dify里完成一個復雜的任務，它分解后其中一步是查詢數據，這一步是衡石在支撐服務。Agent查詢，Chat BI進行響應，然后Agent再回到工作流里。我們作為支持性的企業級Agent進入一個復雜的任務編排里，承擔其中智能問數的環節。
NL2DSL：語義層和大模型的雙向奔赴
受訪者供圖
AI科技評論：為什么采用NL2DSL的技術路線？
劉誠忠：自然語言對數據靈活提問的功能是BI行業十多年來的想法和嘗試，也是 BI 行業的技術趨勢。Tableau還專門收購過一家做NLP的公司，效果也不是很成功。原因在于，大語言模型出現之前這項技術非常不成熟，它出現之后通過自然語言查詢數據才具有可行性。
創業做產品構建的時候，我們就決定將工程團隊的精力集中在加強語義層能力上，但當時的考慮和AI無關。語義層是 BI 做數據分析的基礎能力，power BI在這方面做得很好，所以分析能力就強過別的 BI 工具。衡石是2016年創立的，算新一代BI公司，當時把這些產品都研究過，我們發現了語義層在整個產品演進過程中至關重要的作用。2019年，衡石在語義層上就做得不錯了。
（注：衡石采用NL2DSL的方式，將自然語言的詢問翻譯為指標描述語言，由BI層進一步翻譯為SQL進行下推查詢。）
AI科技評論：語義層上的技術優勢在AI時代有什么意義？
劉誠忠：語義層在BI上的優勢，在 AI 上也是優勢。大模型出來之后，可以說語義層能力更有用武之地，不需要大模型把自然語言翻譯成SQL那么底層的語言，只需要翻譯成中間語義層的語言即可，這對大模型提出的要求更低了。其實也只有降低對大模型的要求，Chat BI才更有可行性。因為從技術路線的角度，大模型不擅長精準的數據分析場景，這也不是大部分模型廠商要發力的領域。長期來看，BI行業的落地應用門檻下降了，數據分析和數據智能應用更加普及，AI是所有BI廠商的紅利。
AI科技評論：AI還給BI行業帶來了什么影響？
劉誠忠：除了直接的問數，對分析報告生成也會有幫助，但這種幫助很大程度上依賴于垂直領域知識，這是 AI 目前跟數據結合還不太成熟的方面。AI數據分析現在是第一階段，用戶對很多指標的提問可以馬上被準確識別。第二階段是對于數據的走勢、關聯關系以及數據背后隱藏的洞察，可以給人更清楚的解讀。我們判斷，大模型對數據趨勢進行預測和解讀的能力，可能在今年晚一些時候或明年會被比較大幅地增強。但這個我們判斷取決于垂直領域模型的進展，才能真正落地。
AI科技評論：這是否對大模型的分析能力提出了更高的要求？
劉誠忠：這需要它有非常強的分析能力。大模型技術的基礎趨勢會讓它的分析能力越來越好，但目前的推理模型還不太實用，所以我們主流使用的大模型還是DeepSeek-V3。我們也在觀察DeepSeek-R1，但是在問數、解讀報告生成的場景中它并沒有特別的優勢。同時，關鍵還在于垂直領域的行業性數據作為關鍵語料對垂直模型的幫助，不只是大模型單方面的瓶頸。
AI科技評論：你評價模型性能更關注它在具體行業場景中的實用性嗎？
劉誠忠：大家真正關注的是零售、制造、醫療這些具體行業，一項技術如果很先進，最重要的是能拿來使用。比如BI，我們關注的是能不能落地到數據分析、分析報表可視化的具體場景里，因此會從一個很實用的角度來考察 AI 的能力。每個行業自己的需求都很現實，行不行拿過來試一下。
AI科技評論：To B服務中沒有用戶敢相信大模型隨機輸出的內容，但AI的本質就是尋求概率，所以大模型使用效果會不會不穩定？
劉誠忠：對，所以大模型在To B落地很困難。To B就是要精準，現在模型的能力在嚴肅數據的場景中太稚嫩，我們沒有看到太多的檢驗和落地的實在效果。我們的價值也是在大模型能力不夠高的現狀下努力提升他的精準性。企業用大模型直接問數的準確率可能只有30％，我們BI能幫它提高到80％、90％以上，基本達到可落地的程度。
（雷峰網(公眾號：雷峰網)文章）
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
