數(shù)勢科技譚李：企業(yè)級AI應用不止ChatBI，拿到數(shù)據(jù)不等于拿到洞見 | 中國AIGC產業(yè)峰會

明敏 2025-04-22 17:19:59 來源：量子位

編輯部 整理自 凹非寺

量子位 | 公眾號 QbitAI

當大模型改變人類信息交互方式、算力成本不斷降低，一個關鍵問題浮現(xiàn)在每一位企業(yè)決策者面前：

如何讓AI真正成為企業(yè)的“智慧大腦”，驅動業(yè)務決策全面升級？

大模型來了，萬物皆可Chat，但企業(yè)級AI應用的規(guī)范復雜得多，不是簡單的Excel+Chat就能完成。

在第三屆AIGC產業(yè)峰會上，數(shù)勢科技聯(lián)合創(chuàng)始人譚李，指出了當下行業(yè)面臨的挑戰(zhàn)。

而AI Agent的出現(xiàn)為這一難題提供了解決性方案。

數(shù)勢科技就是代表之一，他們通過SwiftAgent平臺，為企業(yè)打造隨時在線的“數(shù)據(jù)分析與決策平臺”，讓每一位業(yè)務人員都能像與專業(yè)分析師對話一樣，輕松獲取數(shù)據(jù)洞見，做出更明智的業(yè)務決策。

為了完整體現(xiàn)譚李的思考，在不改變原意的基礎上，量子位對演講內容進行了編輯整理，希望能給你帶來更多啟發(fā)。

中國AIGC產業(yè)峰會是由量子位主辦的AI領域前沿峰會，20余位產業(yè)代表與會討論。線下參會觀眾超千人，線上直播觀眾320萬+，累計曝光2000萬+。

話題要點

• 拿到數(shù)據(jù)不等于拿到洞見。要讓數(shù)據(jù)觸手可得，隨時隨地支撐決策分析。
• 三大趨勢加速新數(shù)據(jù)消費范式：數(shù)據(jù)右移、決策下移、管理后移。
• 要讓不懂代碼的業(yè)務人員能夠以最快的速度，以即需即給的方式獲取數(shù)據(jù)和事實。
• 基礎模型成本的顯著下降(如DeepSeek)為企業(yè)級AI應用創(chuàng)造了可能性，預期還會進一步降低。

以下是演講全文：

供需側都在迎來新范式

感謝主持人，各位來賓，大家上午好！

我是數(shù)勢科技的譚李，今天非常榮幸和大家做分享和交流，今天大會前面幾位嘉賓做了很好的分享，我印象比較深刻的是微軟劉煒清老師跟大家分享了科研助手，今天我給大家分享讓每一個打工人今后都能夠有一個數(shù)據(jù)分析與決策助手。

在正式分享前，請允許我簡要介紹數(shù)勢科技。作為中國企業(yè)級數(shù)據(jù)分析與智能決策領域的AI Agent先行者，我們于2023年推出了SwiftAgent產品平臺，目前已服務數(shù)十家行業(yè)頭部企業(yè)，包括多家世界500強和中國500強領軍企業(yè)。

過去幾年，我們全程參與并見證了眾多企業(yè)的數(shù)字化轉型歷程。大模型技術的出現(xiàn)為整個Agent行業(yè)帶來了前所未有的發(fā)展機遇和增長速度。今天，我將重點與各位分享一個關鍵領域的創(chuàng)新：如何通過AI Agent技術推動企業(yè)數(shù)據(jù)分析與智能決策能力的全面升級。

我將從三個方面展開討論，首先讓我們從行業(yè)宏觀視角審視數(shù)據(jù)分析與應用領域的過去、現(xiàn)在與未來。

從這張圖表可以清晰看出，即使在數(shù)字化程度領先的互聯(lián)網公司或相對傳統(tǒng)的實體企業(yè)中，最優(yōu)秀的企業(yè)也僅處于“當前”所示的水平：企業(yè)內10%的非技術人員在BI分析師和業(yè)務分析師的支持下，能夠實時獲取所需數(shù)據(jù)并進行日常分析決策。

然而，對絕大多數(shù)業(yè)務人員而言，經常遇到的問題依然是數(shù)據(jù)分析面臨大量的排隊，沒有辦法即時滿足數(shù)據(jù)消費需求。同時在應用場景價值方面，目前我們主要用于對過去事實進行陳述和原因性分析。

但是我們發(fā)現(xiàn)這遠遠滿足不了企業(yè)數(shù)字化經營的需要。面向未來，不止是老板要用數(shù)據(jù)，不止是業(yè)務人員要用數(shù)據(jù)，還會有大量的Agents是數(shù)據(jù)消費的主體，這勢必會誕生一種新的數(shù)據(jù)建設或者數(shù)據(jù)消費的形態(tài)。

從數(shù)據(jù)分析角度來看很容易理解，拿到數(shù)據(jù)并不等于拿到洞見，而且速度是最關鍵的，當我們做分析的時候，不能接受排隊等待，而是要讓數(shù)據(jù)觸手可得，隨時隨地支撐決策分析。

現(xiàn)在有三個關鍵趨勢會從需求側加速新數(shù)據(jù)消費范式的到來。

第一個“數(shù)據(jù)右移”。在數(shù)據(jù)的采集、存儲、加工、建模、消費整個鏈條上，隨著技術進步，數(shù)據(jù)工作的重心越來越往右移，以消費促治理、以消費驅動數(shù)據(jù)生產是當前主旋律。

第二個“決策下移”。以往企業(yè)每年每個季度做關鍵決策都是集中式的，現(xiàn)在分散式決策已經成為了必然，尤其在烏卡時代下，關稅戰(zhàn)、貿易戰(zhàn)每天在打著，我們服務了一些出海的企業(yè)，他們每天都在及時吸收和消化大量信息，每天各個部門和業(yè)務單元都要做出非常敏捷的決策。

最后是“管理后移”?，F(xiàn)在我們看到一些科技型企業(yè)以及數(shù)字化企業(yè)，他們不再給員工設置非常詳細的各種業(yè)務規(guī)則，而是說我招到優(yōu)秀的人給他好的命題讓他自主發(fā)揮，管理的動作往往擺在后面。這樣三種趨勢進一步加劇大家對于數(shù)據(jù)及時、準確、敏捷的需求。

下面我們聊一聊供給側現(xiàn)狀。

我這畫了一個簡單的曲線，過去供給側成本下不來，大模型智能大家消費不起，我們看到第一個突破點是DeepSeek的爆火給大模型基座帶來數(shù)十倍的成本降低，在OpenAI等領先企業(yè)的技術推動下，加之開源模型生態(tài)的蓬勃發(fā)展，我們相信指數(shù)級成本降低是必然的事情。我們期待到明年再開這個會的時候，我們把這個數(shù)拉的更低、百萬tokens成本降下來兩個量級。

企業(yè)級分析智能體正在崛起

下面我們從產業(yè)視角打開看一下。我們用兩個維度衡量各種AI Agent應用：

• 容錯率，低容錯高精準的和偏創(chuàng)意、相對寬容的；
• 對于現(xiàn)有工作流的革新程度，是基于原來的工作流還是打造一個新范式。

在這兩個維度下，很容易畫出這樣一張類似的圖，我們發(fā)現(xiàn)每個領域都有不同的創(chuàng)業(yè)公司競相追逐。我們數(shù)勢科技所在數(shù)據(jù)分析和決策的領域，相對而言是需要突破原來的傳統(tǒng)的數(shù)據(jù)分析和數(shù)據(jù)消費的范式，同時是有高精準度要求的領域。

我們都知道大模型的幻覺問題是需要大家花很多精力去解決的，這對于企業(yè)級分析決策落地非常關鍵。從2023年開始，我們花了大量時間和精力專注新一代以AI Agent數(shù)據(jù)分析和決策的智能體，我們把它叫做SwiftAgent，這個平臺核心解決四個層面問題：

第一個我們給到不懂代碼的業(yè)務人員，讓他們能夠以最快的速度、即需即給的方式獲取數(shù)據(jù)和事實；

在此基礎上，SwiftAgent還能基于數(shù)據(jù)事實生成智能歸因和深度洞察，告訴業(yè)務人員為什么數(shù)據(jù)會呈現(xiàn)當下的情況，過去一個季度甚至過去一天訂單量抖動的情況到底發(fā)生在哪樣的業(yè)務單元、哪樣的商品類型，哪樣的一些渠道類型；

第三個層面是決策建議，因為對于業(yè)務人員來說未來要做數(shù)據(jù)分析的目的不是為了做分析本身，是為了要么做出一個決策，要么傳遞一個決策，載體是一個報告，可能寫成PPT、word或者其他文檔的方式，要用數(shù)據(jù)證實為什么做出這樣的決策，智能報告的生成尤其加上行業(yè)化知識的智能報告就成為一個關鍵；

最后，我們關聯(lián)決策動作，大家知道Agent有一個很重要能力是自主的長距離的復雜任務規(guī)劃和執(zhí)行能力，要把Action關聯(lián)起來，這是我們說新一代面向企業(yè)做分析和決策的智能體應該有的四個非常核心的能力。

這張圖展示了我們怎么從產品邏輯構建它，這應該是我們第一次對外發(fā)布，相信過幾個月大家會看到市面上各種各樣的廠商發(fā)布類似的圖。我們核心第一做到零門檻用數(shù)，第二是零幻覺分析，第三是零等待決策，這里幾個關鍵點跟大家做理解的分享。

第一個我們怎么樣讓企業(yè)級數(shù)據(jù)做到數(shù)據(jù)就緒，大家經常講AI Ready Data，你如果讓大模型去到企業(yè)數(shù)倉和數(shù)據(jù)庫底表，用我們自然語言轉成SQL語句方式取數(shù)的話，60%的情況都是不準的，拿不到你要的數(shù)據(jù)的，準確是一個問題。

第二個是性能和速度，沒有辦法讓業(yè)務人員等幾分鐘回來給到你答案，所以它其實就需要專業(yè)的數(shù)據(jù)語義引擎來完成數(shù)據(jù)就緒，數(shù)勢過去五年時間，一直打造在semantic layer這一層的數(shù)據(jù)語義引擎，核心要做的是讓企業(yè)原始數(shù)據(jù)按照行業(yè)和業(yè)務邏輯轉譯成為大模型能理解的AI就緒數(shù)據(jù)。

第二個很重要的能力，行業(yè)里面聊的比較多，尤其是長距離任務過程中，會涉及到大小模型結合使用的情況。對于大模型不擅長的數(shù)據(jù)分析領域，比如說時間要素的識別：過去三個月到底包不包含本月？現(xiàn)在行業(yè)里面幾個大模型都不見得回答的準確。再比如業(yè)績分析的時候，怎么讓大模型理解“業(yè)績”這種相對模糊的自然語言精準地完成取數(shù)？這需要我們既要用到行業(yè)里面領先的大模型，同時也需要用到數(shù)據(jù)領域/分析領域決策的小模型，在這種情況下我們做到了“智能就緒”。

第三我們完成分析決策的時候涉及到非常多的技能要求?？偨Y起來有幾層，第一個智能問數(shù)，是指通過自然語言方式拿到想要的數(shù)據(jù)；第二個診斷歸因，洞悉每一個數(shù)據(jù)指標背后的各種維度、各種因子、各種關聯(lián)因素；第三個模擬預測，能夠對于未來的指標的走勢做相關的預測和模擬；第四個策略評估能力。

這四點是企業(yè)級產品做到分析決策里面非常核心的能力，除此之外，企業(yè)級的用數(shù)權限同樣重要，不能讓一線業(yè)務人員直接問到行長級別的數(shù)據(jù)。

行業(yè)里面大家經常會說ChatBI是讓大家很容易想到的事情，大模型來了萬物皆可Chat，今天聊萬物皆可AI，大家說大模型來了萬物皆可Chat，大家很容易的認為說Excel+Chat就可以完成數(shù)據(jù)分析，個人級別的應用確實沒有問題，但當我們聊企業(yè)級的應用時就會變得格外復雜。

下面是去年我們便已實現(xiàn)商業(yè)化合作的城商行項目，這也是行業(yè)最早實現(xiàn)大模型分析Agent落地的案例。在這個案例里，我們的SwiftAgent是給到行里面大幾十位分支行行長和部門主管使用，首先解決了數(shù)據(jù)洞察即時獲取難的問題，另外在關鍵的業(yè)務決策上，還能基于行業(yè)里面的分析范式為具體的業(yè)務主管提供業(yè)務處理SOP和深度決策報告。

在金融場景外，我們的產品在零售行業(yè)也有廣泛的應用。中國餐飲連鎖競爭非常激烈，如何賦能每一個經營的業(yè)務單元？我們?yōu)榈觊L以及管幾十家店的督導提供了數(shù)據(jù)分析Agent，讓他們能夠實時掌握經營動態(tài)情況，了解總部對于所有加盟商管理的制度以及推出新品時候的營銷規(guī)劃，這結合了結構化數(shù)據(jù)分析和非結構化知識問答能力，賦能每個店長隨時隨地做更科學經營決策的能力。

最后，我今天也帶來行業(yè)首發(fā)的《智能分析Agent白皮書》，深入探討了智能分析Agent的定義、分類、技術架構及創(chuàng)新能力，并通過實際案例展示了這一技術在各行業(yè)的應用，揭示了智能分析Agent如何在企業(yè)中解決決策痛點，提升分析與決策效率。

在這個數(shù)據(jù)和AI成為新生產力的時代，我們希望通過AI Agent讓每一個打工人獲得即時、迅捷、準確的數(shù)據(jù)，讓數(shù)據(jù)賦能企業(yè)運營，謝謝！