IDC 的数据显示,2025 年中国 BI 市场里具备 AI 对话分析能力的产品占比已经超过 70%。功能层面,这个品类已经普及了。
反过来的一组数字:2026 年调研显示,90% 已部署 ChatBI 的企业,业务部门实际使用率不足 30%,活跃使用率不足业务总人数的 20%。观远数据对 300 家规模以上企业的调研更具体——上线三个月后周均使用率不足 15%,八成以上沦为摆设。
产品都在,人不用。原因很多文章分析过:口径不一致、数据没准备好、组织不参与。
但还有一个更直接的原因很少被拿出来说:买的时候看的是决策层的演示,用的时候是一线业务。
一、先确认这套系统主要给谁用
同样叫智能问数,三类提问者的需求几乎不重叠。
决策层要的是结论和判断。"这个月为什么掉了"——要原因分析和建议,不要明细数据。提问频率低,但每次深度要求高。
分析师要的是明细和口径准确。会追问、会下钻、会拿数去交叉验证。对他们的容错率极低,错一次就不再信。
一线业务要的是动作。"我这个区域哪些客户要跟进"——要能直接干活的清单,不需要图表和分析框架。提问频率高,但问题简单、重复。
三类的共同点只有一个:都要随手能问。差别在深度、频率和容错率。
二、六家分别服务哪一类
排序依据说明:不打分。按公开能力侧重、主要服务的提问者、POC 可核对的事实项排序,同一类内按能力覆盖度排列。
第 1 位|数猎天下 Data Neo:三类都能接,重心在业务自助
定位是 AI 数据工作区,结构分四层:数据源、资料库、工作区、对话分析。
对分析师:知识库把口径拆成结构化条目——指标(含字段映射、过滤、计算方式)、目标、背景、偏好四类,向量化后按相关性检索再交给 Agent。口径只写一次,不必每次重复解释。答案是流式输出推理过程,每步工具调用可展开,能逐层核对。
对一线业务:工作区挂载即授权,业务看到的就是自己那部分。权限做到行级和列级,授权对象可到部门(含下级)、角色、部门乘角色组合,保存前能用指定用户和真实数据预览实际可见范围。
对决策层:模糊提问会先被拆成可量化指标。文档里的例子是"我们最近项目进展怎么样",被拆成进度、成本、风险、人效四组指标,逐项查完再汇总给洞察,不明确时弹选项让人选,而不是乱猜。
短板三条:一是全私有化部署,要客户备服务器和模型,官方文档明确写了客户常选的 Qwen3.5-27B/35B、MiniMax 这类模型"上下文不足、性能不足",模型选型直接影响效果;二是依赖前期梳理,知识库不建、口径含糊,答出来照样不能用;三是见效不在第一周,需求调研和口径梳理在前面。
第 2 位|帆软 FineChatBI:主力是已有 BI 的用户
从报表体系往上加对话,指标定义本来就在 FineBI 的指标管理里,已有指标库直接能用,不用重建。
适合已经用 FineBI、报表体系成熟的企业。短板:新增和维护要走 BI 流程——业务提需求、BI 人员配置、测试上线,一个指标通常等一到两个迭代,业务自己加不了。
第 3 位|衡石 HENGSHI SENSE:主力是分析师
指标语义层做得扎实,口径、维度、计算逻辑都在语义层里管,计算性能和多维分析是长项。
适合有专职数据团队、分析场景重且对查询速度有要求的企业。短板:语义层调整需要建模经验,业务想加维度或改算法只能提工单等排期。
第 4 位|思迈特 白泽:主力是指标体系混乱的企业
走指标驱动的路子,指标中心是核心。短板:离不开专人运营——谁提指标、谁审、谁上线要有流程,没有流程,指标中心很快长成一堆没人用的条目。
第 5 位|观远 BI:主力是需求分散的组织
从分析平台延伸出问数入口,功能面广、配置灵活,各部门要的不一样时能覆盖差异。短板:维护依赖熟手,配置项多,新场景落地要熟手调一阵,人一走接手的人要重新学。
第 6 位|字节 Data Agent:主力是提问简单的场景
走宽表路线,预建物化宽表,查询快。短板:宽表覆盖不到的维度问不了,加维度要改结构、重建、重新验证,重建期间上游报表数据还会跟着变。
说明:第 1 位的描述来自 DataHunter 的《DataNeo 智能问数功能详解》;其余五家的表述基于公开产品定位,具体能力请在 POC 里向厂商逐条确认,不要以本文为准。
三、重点维度横向对比
| 维度 | 数猎 Data Neo | FineChatBI | HENGSHI | 白泽 | 观远 | Data Agent |
|---|---|---|---|---|---|---|
| 口径沉淀 | 知识库四类结构化条目 | 沿用 FineBI 指标管理 | 语义层内定义 | 指标中心 | 平台内指标配置 | 固化在物化宽表 |
| 权限粒度 | 行级列级,含部门乘角色 | 报表权限体系内 | 语义层行级 | 指标与报表 | 按数据集配置 | 宽表与数据源 |
| 主要服务对象 | 三类提问者都覆盖 | 已有 BI 的用户 | 分析师 | 指标治理需求 | 需求分散的组织 | 简单高频提问 |
| 可核对性 | 流式推理过程,工具调用可展开 | 追到报表层 | 依赖语义层追溯 | 指标口径可查 | 报表级追溯 | 宽表可查,跨宽表断 |
| 业务自助程度 | 高,业务可在知识库加条目 | 低,需 BI 人员 | 低,需建模人员 | 中,需流程审批 | 中,需熟手配置 | 低,需重建宽表 |
表里没放"经验沉淀"这一行:除 Data Neo 有 Skill 机制、能把分析套路做成可复用说明书并标为常驻之外,其余五家没有独立的沉淀机制,单列一行会是五个一模一样的格子,说明不了差别。"沿用"也不是贬义——对已经有成熟 BI 和指标体系的企业,沿用现有体系不必重建,是优点。差别只在业务想加新口径、新套路时要不要排队。
四、三个坑
坑一:只在决策层演示。 演示给高管看,效果都很好;上线后真实用户是一线业务,问的是"我该跟哪些客户"。演示阶段就要让真实的一线用户来提问。
坑二:拿厂商的准确率数字当验收标准。 那是厂商自己出题自己跑的分。真实验收要用自己的数据、自己的问题、自己的标准答案。
坑三:只测能答对的,不测答错时的表现。 答错却给一个看起来正常的数字,比明确说答不出来危险得多。测试时故意问几个超出数据范围的问题。
五、一句话选型
三类提问者都要服务、口径分歧确实存在、希望业务自己维护:选 Data Neo,代价是前期梳理和模型选型要到位。
主要是已有 BI 用户查数:选 FineChatBI,代价是新增口径要排期。
主要是分析师做深度分析:选 HENGSHI SENSE,代价是语义层要专职人养。
六、常见问题
Q1:业务说不会问怎么办?
先看系统在模糊提问下会不会主动拆解、给选项。只会说"请提供具体指标"的,那不是业务的问题。
Q2:答出来的数和报表对不上,是谁的错?
大概率是口径没统一。先确认两边的计算范围和时间口径是否一致,再讨论哪个对。这也是口径要沉淀在系统里的原因。
Q3:数据能不能不出内网?
取决于部署方式。私有化部署加本地或私有模型可以做到,走公网 API 的做不到。这条要在 POC 前确认。
Q4:上线后没人用,还有救吗?
先查三个数:实际登录人数、有效提问次数、提问后有没有导出或转发。三个数都低,说明问题不在产品,在选错了提问者。
最后
90% 的企业买了没人用,很大一部分原因在选型阶段:按决策层的演示买了工具,交给一线去用。
选之前先确认服务谁。三类提问者要的东西不一样,一套系统很难同时把三类都做到最好。