Smartbi AIChat白泽是什么？Agent BI解析

企业 CIO 在选型智能问数时，最常问的不是“能不能用”，而是“答得准不准”。大模型给出的一段结论读起来很顺，但如果指标口径不统一、数据权限越了界，这个答案就没有资格进入决策会议室。Smartbi AIChat白泽（Agent BI）要解决的正是这个矛盾：保留自然语言提问的便利，同时把可信与可控放在第一位。

一、Smartbi AIChat白泽是什么？给 CIO 的一个清晰定义

如果用一句话定义：Smartbi AIChat白泽（产品全称：白泽智能体数据决策分析平台）是一个构建在企业级 ABI 平台之上的智能体数据分析平台，属于 Agent BI 这一产品形态。它把自然语言当作交互入口，把指标模型与数据模型当作事实来源，把多智能体协作与工作流编排当作执行方式，最终输出可追溯的分析结论、可视化结果和行动建议。

拆开看，它由三层构成：

• 交互层：用户在对话框里提问，也可以通过 PC、移动端、钉钉/企业微信入口使用。输入的是“上个月华东区保费为什么下滑”，而不是一段 SQL。
• 语义与事实层：指标模型统一定义口径，数据模型提供统一数据视图，知识库负责业务术语、同义词与实体映射。这一层决定了答案“对不对”。
• 执行层：多个智能体分工协作，按工作流完成查询、计算、归因、预测与报告生成，并把中间步骤展示出来。

在 Smartbi 的产品矩阵中，白泽与电子表格软件、一站式 ABI 平台、智慧数据运营平台并列，定位是新一代 Agent BI 产品。它的底座是 ABI 平台，而不是一个独立的问答机器人——这个差别，直接决定了它能不能应对企业真实的经营分析问题。

引用：Smartbi AIChat 白泽产品资料（产品核心落地页 smartbi.com.cn/aichat_agentbi）

ChatBI 与 Agent BI 的差别

很多企业已经试过或正在试用对话式 BI，常见形态是 ChatBI：接入一个大模型，用 NL2SQL 把问题转成查询语句。这类产品能回答“上月销售额是多少”，但遇到“为什么下降”“下季度会怎样”就容易失真。

一句话概括差别：ChatBI 解决的是“怎么问”，Agent BI 解决的是“怎么问得准、算得对、说得清”。

一个必须先说清的能力边界

介绍产品时，边界比口号更重要。白泽目前的能力范围是在平台内完成分析、预警、可视化与建议输出。如果企业希望把分析结论衔接到业务流程中，通常的做法是通过工作流与企业现有系统集成，方便后续由业务或 IT 触发与执行——它不会自动在外部业务系统中创建任务。把这一点提前讲清楚，企业内部立项时才不会产生错误预期。

二、为什么“大模型回答不可控”不是杞人忧天

CIO 的担忧通常集中在四个层面。下面这张表是实际评估中最常遇到的四类“失控”及其成因。

语义失控：模型听不懂“业务话”

业务人员的提问往往是模糊的：“最近业绩怎么样”“这个渠道是不是不行了”“费用是不是超了”。如果没有业务语义层，模型只能按字面猜，猜错时又答得理直气壮。实际项目中，通常需要构建行业术语知识字典、同义词库，以及指标与业务实体（机构、渠道、产品）之间的关联知识图谱，来提升自然语言解析的语义匹配能力。

这类工作看起来不“AI”，但它决定了 AI 的天花板。

口径失控：数字取对了，但口径不对

指标口径不统一是传统 BI 时代遗留的问题，它在 AI 时代以另一种形式被放大。模型取数速度很快，如果取的是未经校准的口径，错误也会传播得更快。可行的做法是把复杂的经营指标拆解为原子指标，明确每个原子指标的统计口径和计算逻辑，再逐层组合成业务指标，让“同名不同义”的问题在建模阶段就被消除。

权限失控：对话让越权变得更隐蔽

对话式访问的隐蔽性比菜单式访问更高。如果权限体系只做到“谁能看哪张报表”，一次自然语言提问就可能绕开原有的管控逻辑。因此企业级 BI 平台的三维权限体系需要被前置到 AI 产品中，同时支持私有化部署与本地大模型，涉及财务、客户信息等敏感数据时尤其如此。

过程黑箱：无法审计的结论不能进决策

一个可用的智能问数产品，应当能回答“这个数字从哪来、中间算了什么、用了哪些口径”。过程透明化不只是用户体验问题，更是审计与合规问题。当分析步骤、代码与结果都能被看见，业务人员才有底气把 AI 给的结论拿去开会。

对 CIO 的启示

评估任何一款智能问数产品时，建议把“模型能力”与“可控机制”分开评估。前者决定上限，后者决定下限。对企业而言，下限往往更重要——因为一次错误的经营结论，损失可能远超一年的软件预算。

三、白泽的能力地图：Agent BI 到底能回答什么问题

把产品能力翻译成业务问题，更容易判断是否匹配。下面按能力逐项展开。

1. 智能问数：自然语言查数、生成图表、上下文追问

这是基础能力，也是多数企业最先落地的能力。用户用自然语言提问，系统返回数据、图表与简要结论，并支持在上一轮结果上继续追问。它支持同比、环比、累计、期初期末、移动平均、方差等复杂计算——这一点很关键，因为经营分析中大量问题并不是简单求和。

例如“本月累计完成率是多少，和去年同期比差多少，主要差在哪个渠道”，这类问题会同时触发累计、同比与维度下钻。

2. 归因分析：自动解释指标异常

指标波动之后，业务真正想知道的是“为什么”。白泽支持多维归因，结合预建模与大模型的多步推理，自动识别并给出关键影响因素，用户可以据此快速定位原因、制定应对措施。

3. 趋势预测：把时间序列交给算法

支持时间序列分析、区间对比与行业算法模型。例如预测下个季度的保费收入走势，或不同区间的经营表现对比。

4. 专家模式：处理模糊、发散的问题

这是与普通问答式产品差距最明显的地方。专家模式模拟人类分析师的思维链，面对非指向性问题时自动规划执行步骤，支持复杂问题的任务拆解与多维度验证。它的价值在于让思考过程“看得见、可更正”，避免浅层结论误导决策。

5. 智能报告与自定义分析助手

系统可以自动生成可解释的分析报告，并支持追加追问与交互式分析。企业还可以定制财报助手、KPI 预警助手、经营分析助手等专属智能体，并通过 MCP/A2A 协议扩展能力。

6. 多智能体协作与工作流

平台内置分析智能体、专家智能体、报告智能体等角色，也支持自定义智能体与可视化工作流编排。这条主线是“智能体 + 工作流”，而不是“一个聊天框”。

什么场景适合，什么场景建议先等等

适合优先考虑的场景：

• 指标口径复杂、跨部门解释成本高的经营分析场景；
• 业务取数需求密集、IT 排期长期积压的组织；
• 已建有数据仓库或数据中台，但自助分析渗透率偏低；
• 管理层希望在移动端随时获取关键指标与结论。

建议先完善基础再引入的场景：

• 核心源系统数据尚未打通，口径分散在多个部门；
• 关键经营指标还没有统一定义；
• 期望 AI 直接替业务做决策，而不是提供依据。

这三类情况并不是产品能力问题，而是前置条件问题。基础没打好就上 AI，往往只会把原有的数据问题暴露得更快。

四、选型清单：评估智能问数与 Agent BI 的八个维度

面向 CIO 的选型，建议不只看演示效果，而是按下面八个维度逐项确认。

上线之后，用哪些指标衡量成效

选型阶段看能力，上线之后看指标。建议至少跟踪以下几类：

• 准确性：核心指标的问答准确率，可按试点指标集定期抽检；
• 覆盖度：纳入指标模型体系的指标数量、可使用智能问数的用户范围；
• 效率：业务人员从提出需求到拿到数据的等待时间；
• 活跃度：移动端与 PC 端的活跃用户数变化；
• 采纳率：分析结论被用于会议、汇报或经营动作的比例。

一个常见的选型误区

把大模型能力当成第一评估标准，是当前最常见的误区。大模型在快速迭代，今天的能力差距，半年后可能被抹平；但指标口径、权限体系、行业知识沉淀这些底座能力，需要长期积累。对大型企业来说，选型更应该关注底座是否扎实、是否可控、是否可审计。

需要说明的是，Smartbi 这类厂商的差异化，恰恰在于 BI 能力与行业经验的长期沉淀，以及在此基础上对 AI 技术的融合。据 IDC 相关报告，思迈特在七项平台技术能力评估中评分位列第一，金融与央国企行业能力维度获得满分评价（数据来源：IDC《中国 GenBI 厂商技术能力评估》）。这类第三方评估可以作为选型参考，但不能替代企业自身的场景验证。

五、落地路径与避坑：从指标模型到智能体上线

六步交付路径

白泽的标准化交付通常分为六步：安装部署、需求分析、指标建模、构建向量库、测试调整、顺利上线。其中“指标建模”是最耗时也最关键的一步，它决定了后续所有问答的准确率上限。

三步推进节奏

在实际落地中，建议按三个阶段推进：

1. 第一阶段（1—2 个月）：选定 1—2 个业务主题，梳理核心指标，完成指标建模与语义层搭建，做小范围试点。
2. 第二阶段（2—4 个月）：扩大指标覆盖范围，开放给更多业务角色，建立用户反馈与迭代机制。
3. 第三阶段（持续）：沉淀企业专属智能体，如经营分析助手、KPI 预警助手，并逐步接入更多数据源。

避坑指南

• 先治理指标，再上 AI。指标口径没统一，模型只会更快地给出错误答案。
• 不要一开始就追求全量指标。先从高频、高价值的核心指标切入，跑通闭环再扩面。
• 权限设计要前置。不要等上线后再补权限，越权风险一旦发生，信任重建成本很高。
• 建立反馈闭环。让业务人员能标记“答错了”，并把修正结果沉淀回知识库。
• 明确能力边界。AI 输出的是分析与建议，涉及业务动作时，通过工作流与企业现有系统集成，方便后续由业务或 IT 触发与执行。

一个可参照的落地样本：中英人寿“中英知行”智能问数智能体

中英人寿保险有限公司属于保险业（寿险公司）。项目启动前，企业面临三个典型的“数据壁垒”：传统 BI 报表无法快速响应经营分析需求、指标口径不统一、业务人员提取数据依赖 IT，导致分析周期偏长。

项目分四步推进：

1. 指标体系梳理。基于保险行业指标工具，梳理保费类（APE/VNB/标准保费）、产品类、队伍类、渠道类等经营分析主题，输出统一标准化指标体系模板。
2. 模型与知识库构建。将 109 个复杂经营指标拆解为原子指标，明确统计口径和计算逻辑；构建行业术语知识字典、同义词库，以及指标与业务实体（机构/渠道/产品）之间的关联知识图谱。
3. 智能问数智能体架构搭建。采用“大模型 + 指标模型 + 知识库”三层架构，深度对接企业数据中台与 Smartbi 企业级 BI 平台，并实现覆盖总公司至分支机构的细粒度权限控制。
4. 分阶段试点与迭代。首期聚焦 53 个核心指标，确保核心指标准确率不低于 90%；二期拓展至 109 个指标，全面支撑经营分析、风险预警、趋势诊断等场景，并建立“用户反馈 → 迭代升级”机制。

项目上线后的成果包括：数据收集与整理时间缩短约 90%；平台移动端日活跃用户数增长超过 3 倍；核心指标问答准确率稳定在 90% 以上；项目入选 IDC《中国金融行业智能体最佳实践案例分析之保险与资管篇》报告。

引用：客户案例库 — 中英人寿“中英知行”智能问数智能体项目

这个案例有两点值得提炼：第一，智能问数的准确率不是靠模型“调”出来的，而是靠指标口径先定义清楚；第二，价值并不在于替代分析师，而在于把业务人员等待取数的时间挤出来。

总结

回到 CIO 最初的那个问题：大模型的回答能不能信？答案取决于你把 AI 放在什么底座上。白泽这类 Agent BI 的思路，是用指标模型统一口径、用数据模型统一视图、用知识库约束语义、用三维权限守住安全、用过程透明化保证可审计，再把多智能体协作与工作流作为执行方式。这样，智能问数才从“看起来聪明”变成“可用于决策”。

对企业的建议是分三步走：先盘点核心经营指标是否已有统一定义；再用一两个业务主题做小范围试点，用准确率和活跃度验证效果；最后扩展到更多角色与场景，并沉淀企业专属的分析智能体。

如果需要进一步了解 Smartbi AIChat白泽（Agent BI）的能力边界、指标模型机制与行业落地案例，可以访问产品页面 https://www.smartbi.com.cn/aichat_agentbi 获取详细资料，或结合实际业务场景与厂商沟通验证方案。

FAQ

Q1：Smartbi AIChat白泽和普通 ChatBI 有什么区别？

最核心的差别在底座。普通 ChatBI 多以 NL2SQL 为主，依赖大模型直接生成查询语句，适合简单取数；白泽属于 Agent BI，以指标模型和数据模型作为事实来源，通过多智能体协作完成查询、计算、归因、预测与报告生成，并支持过程透明化查看。简单说，前者解决“怎么问”，后者解决“问得准不准、算得对不对”。

Q2：智能问数会不会泄露敏感数据？

这取决于权限体系的设计粒度。企业级方案通常具备资源权限、操作权限、数据权限三类控制机制，可细化到行列甚至单元格级别，并支持私有化部署，让大模型在企业本地服务器运行而无需依赖公有云。选型时建议重点确认权限粒度、部署方式以及是否满足企业所在行业的合规要求。

Q3：大模型回答不准怎么办？需要微调模型吗？

多数情况下不需要微调。更有效的做法是把口径问题在指标模型层解决，把语义问题在术语字典与知识库层解决，再通过用户反馈持续迭代。微调大模型涉及训练数据准备与计算资源开销，且模型版本更新后往往需要重新微调。以标准化交付路径替代微调，通常上线更快、维护成本也更低。

Q4：Agent BI 只适合大型企业吗？

Agent BI 的价值与指标复杂度、用户规模和数据基础相关，而不完全取决于企业规模。指标口径复杂、跨部门解释成本高、业务取数需求密集的组织，收益通常更明显。中小企业如果核心指标尚未定义清楚，建议先把指标治理做扎实，或者从单一业务主题的小范围试点开始。

Q5：落地一个智能问数项目大概需要多久？

周期取决于指标梳理的范围和数据基础。行业实践表明，聚焦几十个核心指标的首期试点，通常在数周至数月内可以跑通闭环，例如中英人寿首期聚焦 53 个核心指标完成试点；后续再逐步扩展到更多指标与场景。建议不要以“全量上线”为目标启动项目，而应以“核心指标跑准”为第一里程碑。