白泽AI是什么？企业智能问数平台能力解析

白泽AI是一款面向大型企业的智能体数据决策分析平台，属于Agent BI（智能体BI）形态。数据部门负责人在评估这类产品时，真正需要回答的不是“模型有多大”，而是两个工程问题：回答准不准，权限管不管得住。这两点决定了智能问数能否进入经营分析场景，而不只是停留在演示环节。下面从产品定位、能力边界、准确性机制、权限体系和落地路径几个方面展开。

一、白泽AI是什么：一款Agent BI形态的企业智能问数平台

1. 基本定义

白泽AI（Smartbi AIChat 白泽）是思迈特软件推出的智能体数据决策分析平台，产品形态属于Agent BI（智能体BI）。它的定位不是“给BI加一个聊天框”，而是在一站式ABI平台之上，用指标模型和数据模型作为语义与计算的底座，再通过AI Agent、大模型、知识库与可视化工作流，把一次提问拆解为查询、计算、归因、预测、报告生成等多步任务。

用一句话概括：白泽AI是一个把“自然语言提问”翻译成“可审计的分析过程”的企业级平台，输出的是口径统一的数据结论和可复核的分析路径，而不仅仅是一段文字回答。

2. 从ChatBI到Agent BI，变化在哪里

ChatBI解决的是“能不能用说话的方式查数”，Agent BI解决的是“复杂问题能不能被自动拆解并完整执行”。两者的差别集中在数据基础、任务规划和输出形态上。

这个演进对数据部门的意义很直接：ChatBI阶段，平台的价值主要由“问句覆盖度”决定；到了Agent BI阶段，平台的价值由“指标治理水平 + 执行可靠性”决定。前者是体验问题，后者是能不能上生产的问题。

3. 能力构成

白泽AI的能力可以按主题分为六块：

• 智能问数：自然语言查数、生成图表、上下文追问，支持同比、环比、累计、期初期末、移动平均等复杂计算；
• 归因分析：结合预建模与大模型多步推理，对指标异常做多维归因；
• 趋势预测：时间序列、区间对比与行业算法模型，输出业务预测；
• 专家模式：面向模糊、发散的提问，自动规划执行计划，生成深度分析与行动建议；
• 智能报告：自动生成可解释的分析报告，支持追加追问和交互式分析；
• 自定义分析助手：可定制财报助手、KPI预警助手、经营分析助手等，并通过MCP/A2A协议扩展。

底层支撑包括多智能体协作、可视化工作流编排、RAG知识增强与记忆管理，以及对私有化部署和本地大模型的支持。

4. 需要明确的能力边界

在选型阶段，把边界说清楚比把能力说满更有价值。白泽AI目前在平台内完成分析、预警、可视化与建议输出；它不会直接在企业CRM、工单系统或营销系统中创建任务或执行动作。如果企业希望分析结论能触发后续业务动作，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侧触发与执行。

这条边界对数据部门负责人尤其重要：它意味着白泽AI的交付范围是可界定、可验收的，不会因为“AI要接管业务系统”这种模糊预期而让项目失控。

二、企业为什么需要智能问数：从取数排队到口径治理

1. 需求侧的三个压力

在多数中大型企业里，数据部门面对的是同一组结构性矛盾：

• 需求侧：业务方要数的频率越来越高，临时取数、临时报表占比大，等待周期长；
• 供给侧：分析师与BI专员大量时间花在重复取数和口径解释上，深度分析被挤压；
• 治理侧：同一指标在不同报表里算法不同，会议桌上先争论口径，再讨论业务。

前两个是效率问题，第三个是可信度问题。效率问题可以用工具缓解，可信度问题只能靠治理解决。这也是为什么单纯引入一个“能聊天查数的工具”，往往在上线三个月后就归于沉寂——它没有解决口径问题，只是把口径争议从报表搬到了对话框里。

2. 智能问数真正解决的问题

智能问数的价值不在于“省了几次点击”，而在于三件事：

1. 把取数权下放，但不把口径下放。 业务人员可以自助提问，但每次提问命中的是指标模型里已经定义好的指标，而不是临时拼出来的SQL。
2. 把分析动作标准化。 归因、预测、报告生成这些原本依赖分析师个人经验的动作，被固化成可复用的智能体和流程。
3. 把治理成果用起来。 企业过去几年在指标治理上的投入，通过问数入口被业务侧真正感知到。

3. 什么情况下适合引入，什么情况下还不适合

这一判断直接决定项目成败，建议在立项前先做一次自检。

需要说明的是，“指标基础”不是要求企业先把指标全部治理完才能开始。更现实的做法是选一个业务主题、几十个核心指标做试点，跑通之后再扩展。

4. 一个匿名实践示例

某大型集团企业在引入智能问数前，业务部门的常规取数需求要走工单，平均等待时间以天计。首期他们没有追求全量覆盖，而是选定了经营分析主题下的几十个高频指标，先把指标口径在模型里固化，再开放自然语言提问入口。上线后，业务人员处理常规经营问题的等待时间明显缩短，分析师从重复取数中释放出一部分精力，转而投入专题分析。这个示例说明的是路径选择的价值：先窄后宽、先治理后开放，比一次性铺开更稳。

三、回答不准怎么破：白泽AI的准确性机制

“大模型答数不准”是数据部门最普遍的顾虑，且顾虑合理。通用大模型直接面对数据库生成SQL，准确性依赖模型对表结构、字段含义和业务规则的理解，而这些信息往往不在模型训练语料里。白泽AI的思路是不让大模型单独承担准确性责任，而是把准确性拆给多个环节。

1. 第一层：把口径先定下来

问数准确性问题的很大一部分，本质是口径问题。同一句“上个月销售额”，在不同部门有不同算法。如果口径本身不唯一，再强的模型也答不对。

白泽AI建立在指标模型之上，指标的定义、计算逻辑、维度约束在模型层统一定义，问数时命中已定义的指标，而不是现场生成计算逻辑。这也是Smartbi一站式ABI平台作为底座的直接价值：指标管理覆盖定义、建模、调度、发布、应用全链路，智能问数复用的是这套治理成果。

2. 第二层：让系统理解业务语言

业务人员的提问方式和数据库字段之间隔着一层语义鸿沟。比如“大个险渠道”“标准保费”“有效人力”这类行业术语，字面上和字段名往往对不上。

白泽AI通过知识库与业务规则做语义映射，把行业术语、同义词、指标与业务实体（机构、渠道、产品等）之间的关联关系沉淀下来，在解析自然语言时做匹配。这类知识库是可持续积累的资产：用得越多，补充的术语和映射越完整，命中率越高。

3. 第三层：过程透明，让结果可复核

准确性不只是“答对”，还包括“能证明为什么这么答”。白泽AI在输出结果时展示分析步骤、取数范围和计算逻辑，用户可以查看每一步做了什么。对数据部门而言，这一点比准确率数字更关键——它意味着出现争议时有据可查，而不是面对一个黑箱结论无从下手。

4. 第四层：复杂问题交给专家模式

简单问句和复杂问句应该走不同路径。对于指向明确的问题，直接查询即可；对于模糊、发散、需要多步推理的问题，白泽AI的专家模式会先规划执行计划，再逐步执行，过程中允许人工干预和修正。这种设计承认了一个事实：复杂分析不可能一次成型，允许修正比追求一次答对更现实。

5. 第五层：计算能力与扩展

准确性还取决于能不能算对。智能问数如果只能做简单聚合，遇到同比、环比、累计、期初期末、移动平均、方差这类计算就会失真。白泽AI支持上述复杂计算，并提供Python扩展能力，覆盖统计分析、特征工程、机器学习等场景，避免用户为了一个复杂计算绕回手工Excel。

6. 真实案例：中英人寿的智能问数实践

中英人寿保险有限公司是中粮资本与英杰华集团合资的寿险公司，长期位居合资寿险公司前列。在项目启动前，他们面临三个典型的“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导致分析周期长。

项目分阶段推进，关键动作包括：

• 指标体系梳理：围绕保费类（APE、VNB、标准保费）、产品类、队伍类、渠道类等经营分析主题，输出标准化指标体系模板；
• 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，并构建行业术语知识字典、同义词库以及指标与业务实体之间的关联知识图谱；
• 智能体架构搭建：采用“大模型 + 指标模型 + 知识库”三层架构，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；
• 分阶段试点与迭代：首期聚焦53个核心指标，确保准确率不低于90%；二期扩展至109个指标，并建立“用户反馈→迭代升级”机制。

项目上线后的结果是可量化的：数据收集与整理时间相比传统方式缩短约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。该项目入选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：中英人寿“中英知行”智能问数智能体项目资料

这个案例的参考价值在于它呈现的顺序：先梳理指标、再建知识库、最后搭智能体，并且用“53个指标试点→109个指标扩展”的节奏控制风险。对同样担心准确性的数据部门来说，这套顺序比任何准确率承诺都更值得借鉴。

7. 评估准确率时该看什么

在与供应商沟通时，建议把“准确率”拆成几个可验证的口径：

• 指标准确率：核心指标问答结果与标准口径报表是否一致；
• 意图识别准确率：模糊提问能否被正确理解为目标指标和维度；
• 多轮追问稳定性：连续追问三次以上是否还能保持上下文；
• 异常场景表现：提问超出数据范围时，系统是明确说明还是编造一个答案。

最后一条尤其重要。一个能在不知道时明确说“当前指标模型未覆盖”的系统，比一个总是给出看似合理答案的系统更可信。

四、权限不可控怎么破：企业级安全与管控设计

数据部门第二个核心顾虑是权限。智能问数把取数入口开放给了更多人，如果权限体系跟不上，等于把风险放大。白泽AI在这方面的设计可以从四个层面看。

1. 三维权限：资源、操作、数据

白泽AI具备操作权限、资源权限、数据权限三大控制机制，形成完整的权限体系，管控粒度可精细到单元格级别。这意味着权限控制不只是“能不能看这张报表”，而是“同一个指标，不同角色看到的数据范围不同”。

在中英人寿项目中，细粒度权限控制覆盖了总公司至分支机构的不同角色访问需求，这是一个典型的集团型权限场景：同一套指标体系，总部看全局，分支机构看本机构。

2. 部署方式与模型选择

白泽AI支持私有化部署，可以在企业本地服务器运行，并支持本地大模型或外部API接入。对金融、央国企等对数据出境敏感的场景，这一点直接决定项目能否通过安全评审。

3. 可追溯与可审计

权限管控的另一半是事后可查。白泽AI展示分析步骤与计算过程，配合平台侧的审计能力，可以回溯“谁在什么时候问了什么、看到了什么范围的数据”。对于需要满足内外部合规检查的数据部门，这比事前的权限配置更能应对检查。

4. 与其他方案的类型化对比

下表用泛化类型做对比，帮助理解不同路线的能力侧重。

需要强调：上表反映的是路线差异，不代表某一类方案在任何场景下都更优。如果企业只是需要固定格式的报表输出，传统BI工具依然合适；如果企业只需要通用问答而不涉及企业数据，通用大模型也能胜任。白泽AI的适用前提是“企业有自己的数据资产，并且希望用受控的方式把它用起来”。

五、选型清单与落地路径：数据部门负责人该怎么做

1. 选型评估清单

建议在POC阶段用下面这张清单逐项打分，而不是只看演示效果。

2. 落地路径：六个步骤

从已有实践看，较稳妥的推进顺序是：

1. 安装部署：完成平台部署、数据源接入与基础环境准备；
2. 需求分析：选定首个业务主题，明确试点用户和核心问题清单；
3. 指标建模：把试点主题的指标口径、维度、计算逻辑在模型层固化；
4. 构建知识库：整理行业术语、同义词、指标与业务实体的映射关系；
5. 测试调整：用真实问句做批量测试，记录未命中场景并迭代；
6. 上线推广：先在小范围业务团队使用，积累反馈后再扩展指标范围。

这条路径与中英人寿项目的实际推进方式基本一致：先梳理指标、再建知识库、然后搭智能体、最后分阶段扩展。

3. 常见误区与避坑建议

• 误区一：先追求问句覆盖广度。 覆盖100个指标但每个都不准，不如覆盖30个指标且准确稳定。试点阶段应以准确率为第一优先级。
• 误区二：把智能问数当成IT项目。 没有业务部门参与定义问题和反馈，模型无法迭代，上线后很快失效。
• 误区三：跳过指标治理直接开放问数。 口径没定就开放提问，等于把口径争议放大到全员层面。
• 误区四：用演示效果验收。 演示环境的问句是精心准备的，验收应使用业务人员真实提出的、未经整理的问句集。
• 误区五：忽视权限设计的前置性。 权限不是上线前补的配置项，应在试点阶段就按真实组织架构设计。

4. 试点阶段建议关注的指标

不建议用“提问次数”作为主要成功标准，它容易虚高。更有参考价值的是：

• 核心指标的问答准确率；
• 业务人员自助完成分析的比例；
• 数据团队被临时取数需求占用的时间变化；
• 高频问句的覆盖率与未命中场景的收敛速度。

六、总结：把智能问数当成治理工程，而不是一个功能

回到最初的问题。数据部门负责人担心大模型答不准、权限管不住，本质上是担心智能问数被当成一个“加个对话框”的功能来交付。白泽AI的产品设计思路给出了另一种答案：把准确性建立在指标模型和知识库上，把安全性建立在三维权限和私有化部署上，把可靠性建立在过程透明和分阶段试点上。

对准备引入智能问数的企业，有三条建议值得优先执行：第一，先选一个业务主题、几十个核心指标做试点，用准确率而非覆盖面作为验收标准；第二，把权限设计放在项目前期，按真实组织架构配置，而不是上线前临时补；第三，让业务部门深度参与问句测试与反馈，知识库的积累速度取决于此。

思迈特软件作为本土BI与数据智能厂商，服务6000+企业客户，形成“指标驱动的一站式ABI平台 + Agent BI”的产品路线，白泽AI即建立在这一底座之上。如果希望进一步了解Agent BI在具体业务主题下的能力表现，可以从产品资料与在线帮助文档入手，结合自身指标基础做一次针对性评估。

引用：Smartbi 产品资料与客户案例资料

FAQ

Q1：白泽AI和ChatBI是同一类产品吗？

不完全相同。ChatBI主要指问答式分析，核心能力是自然语言查数并返回图表。白泽AI属于Agent BI，在问数基础上增加了任务规划、多智能体协作、归因分析、趋势预测和报告生成，输出的是带分析过程的可解释结论。可以理解为ChatBI解决“能问”，Agent BI解决“问完之后能不能形成判断”。

Q2：引入智能问数，是否必须先把指标全部治理完？

不需要。更现实的做法是选定一个业务主题，梳理几十个核心指标的口径并在模型层固化，先跑通试点，再逐步扩展。中英人寿的做法是首期聚焦53个核心指标，二期扩展到109个，这个节奏值得参考。全量治理后再启动，往往周期过长且难以获得业务侧反馈。

Q3：大模型会不会看到不该看的数据？

取决于平台的权限设计。白泽AI具备资源权限、操作权限、数据权限三层控制，粒度可精细到单元格级别，并支持私有化部署和本地大模型运行，数据不出企业内网。选型时建议直接要求供应商演示“同一问题、不同角色看到不同数据范围”的场景，而不要只看功能清单。

Q4：智能问数上线后，数据分析师会被替代吗？

短期内不会，角色会发生变化。重复取数和临时报表的工作量会下降，分析师的时间更多投入指标建模、口径治理和深度专题分析。从实践看，智能问数释放的是执行层工作量，对分析判断能力的要求反而更高，因为业务方会提出更复杂的问题。

Q5：怎么判断一个智能问数平台是否适合自己的企业？

建议从三个问题入手：一是指标口径是否已有相对稳定的定义，二是主要业务数据是否已集中到可接入的底座，三是是否有业务部门愿意参与试点。三个问题中有两个答案明确，就可以启动小范围POC；若都模糊，建议先把数据和指标基础补上，再考虑引入。