基于收集、管理和分析数据的商业智能领域，如何看待 AIGC 这股浪潮？

在12月1-3日钛媒体集团举办的 2023T-EDGE 全球创新大会上，衡石科技创始人、CEO 刘诚忠分享了关于人工智能时代下，商业智能（Business Intelligence）领域的变化与启示。

刘诚忠认为，数据的本质，是拉通每个人理解业务的标准视图，我们用数据语言沟通，是因为它可以对齐不同协作方心中对同一个商业场景的理解。相对来说，商业分析中的指标口径的计算逻辑，是能够且需要被精准定义的。

举例来说，通过 BI 分析，我们可以了解，在不同渠道投放广告给公司收入带来的影响，进而找到最优的投放比，去精准地调控营销手段。

在人工智能奇点降临的时代下，刘诚忠认为，BI 和 AI 必须结合在一起才可以实现相对理想的效果，AI的作用是让整个数据分析非常专业的门槛下降，变成所有业务场景都可以自由结合的基础能力。BI 的作用是当 AI “胡说八道”的时候，BI 的建模过程能够有效地收束问题域，让结果得到更精准的控制。

感谢尊敬的各位来宾朋友，很高兴可以在这里分享。

今天正好是 ChatGPT 上线一周年，这一年，整个行业，特别是软件高科技行业掀起了血雨腥风。我们在的行业叫做商业智能，已经是在企业软件比较主流的赛道，大家熟知的报表、看板、商业分析场景、供应链分析、营销分析，都是广义上商业智能的范畴。

我想用我在行业中看到的真实案例，让大家客观地看一下 AI 的巨大威力，及其局限性。

技术的进化并非一蹴而就，而是循序渐进。AI 的进化经历了非常长的时间，我们不太可能在短期内面临180度调转的局面。所以我想给大家分享的第一个信是：没有必要恐慌，这个过程还非常长。为什么说 AI 技术进化需要很长时间？对于比较简单的软件产品而言，如果你的资源足够多，你可以加速完成研发工程。而对于复杂的软件产品而言，每一年研发投入都建立在过去很多年的研发投入基础之上，是不能并行加速的，没有办法用资源来逃脱这个过程，你需要一层一层地设计、抽象、进化，最后做到非常高的工程的复杂度。

在过去五十年，或者过去半个世纪，AI 发展的真实情况是非常漫长曲折的，艰辛程度超过大家的想象。这个过程类似我们找到了一片地基，我们修了一栋大厦，我们修到20层的时候发现这个地基有问题，我们就把楼给废掉了重新建，这是 AI 发展史上几次进入理论研究死胡同时真实发生的情况。于是我们重新用另外的技术路线开始 AI 研究和设计工作，我们又修到50层，发现又废掉了。最近这几年才在大语言模型上面找到一片目前看上去很坚实的地基，我们修到一百层，逼近了我们所说的 AGI 的通用人工智能的高度，但是目前没有任何证据表明这个确定性，严谨地讲还有很长距离，同时也不是没有可能再出现一次推倒重建的过程。

从全球来看，关于 AI 主流观点还是明显地分为两派，一派是非常乐观，认为这个事情会在1—3年内为大家生活带来翻天覆地的变化，另外一派是比较保守，我自己本人偏向保守的，作为计算机科班学生和在实际行业从业人员来说。我认为理解熟悉计算机发展史的人都不会轻易乐观，在创新研发的狂热面前我们永远要保持冷静。

我们看一下我的行业——商业智能，这包括各个领域里面越来越多采用的报表、看板、驾驶舱各种供应链分析，AI 出来后，我很多好朋友给我发来安慰的电话：数据加上 AI，不需要分析了，你们被折叠了，我对你表示慰问。

我当时也有一点小紧张，理论上，data 加上 AI，大家可以自由问答的话，每个人都会很喜欢这样的助手，确实不太需要 BI 建模和分析的过程，即问即答都可以，还分析啥呢？

从第三季度开始，这些尝试都不是很顺利，纷纷受阻，大家重新打来电话说，我发现数据上面加 AI 跟 BI 结合是特别好的场景，恭喜你找到很好的机会。人生大起大落真是太刺激了，突然之间所有伙伴回来说 AI 加上 BI（可能是）能够达到智能问答非常灵活的最佳方式。

数据的本质，是每个人理解业务的一种视图，我们用数据语言沟通，是因为它可以对齐不同协作方心中对同一个商业场景的理解。相对来说，指标口径的计算逻辑是能够并且需要被精准定义的。

这个情况下，为什么说商业智能的事情很重要？我们回头来看一下，所谓商业智能最直观体现是如下图这样的看板，表现的是我在不同渠道投放广告给自己收入带来的量的变化。这样的话，我可以找一个最优的投放比，去精准地调控我的营销手段。这样的图生成看上去不是很难对不对，到底是什么问题需要整个产业投入数百亿美金的长期研发创新来解决呢？答案是这个过程如何才能（持续）做到（足够的）实时精确和灵活应变。

为什么 AI 可以在商业智能领域做到加速？在过去三四十年，从 Excel 开始我们已经开始做商业智能的努力。我们把数据合到一起存到某个地方，最后给我们业务部门看。这个过程看上去是平铺的，实际上从投入和成本来说，数据的清理加工和建模准备工作占到整个过程的90%。真正做报表和分析的工作，在实际过程中只占到10%，这是过去很多年真实的现状。

我标题里的智能商业这个词是阿里的曾鸣教授讲到的，他以电商推荐和搜索引擎等典型互联网场景举例，未来商业体是实时被数据驱动的，被算法所决策的，在他的描述里面，商业智能相对来说是静态孤立的报表。

这里面存在一点误解，其实整个商业智能也是在往更加实时，更加智能和更加灵活的方向发展，并且在无缝整合进各种业务场景。我们过去三十年技术发展，都在把分析的工作往下图右边赶。这个图想表达的核心问题在于，当我是最右侧的报表和数据分析的消费者时，比如我作为运营主管，对数据指标有任何疑问的时候，数据是给左边数据工程师。我希望业务方被真正赋能，分析压力不要给到数据研发团队，工具越来越自动化，让业务方更自主地做这个事情。原因很简单，数据分析归根结底是一个业务运营动作，不是 IT 动作。

业务指标层的增加是 BI 产品在过去几年最大的一个进步。这个进步是说明，我们通过业务指标这一层沉淀商业领域的行业 konw-how 知识，用指标体系这样的一个可以管理的实体概念来承接和沉淀每一个商业场景的领域模型。通过在 BI 过程中引入明确的指标管理动作让分析工作真正回到业务，而不是停留在技术和数据工程师的环节，这是它的一个主要价值。

后来我们发现，这个地方的进化，恰好就是 BI+AI 最佳的场景，我们都希望在商业分析的时候有这样的助手，这个助手能够实时响应面对数据看板的任何问题，能马上回应我的追问。这个地方核心价值在于，在有数据信息的基础上，我可以方便地去发现和追问一些连带问题，真正的开始进行业务探索。

从十年前开始，在整个 BI 商业智能领域，我们都希望能够支持问答。提出正确的问题，并得到精准的回答是这个领域一直追求的目标，ChatGPT 出现之前这个问题没有得到很好的解决，那么现在这个问题，也还是没有得到完全的解决。(laugh)虽然大模型技术已经往前迈了很大一步，但是只有前面 NLP 的革命性进步，还是不足以应对商业分析这个业务场景中，对于提问和回答的精准性极高的专业要求！

我们今年的工作取得了一定的进展，其实就是刚才讲的业务指标管理这一层，即指标体系对领域建模的约束定义，加上 AI 语义分析能力，两者结合起来能够基本实现商业分析的问答自由，不夸张地说，这的确是行业内有 AI 加持后的最接近理想形态的商业智能：语言表达的灵活性在 BI 的模型约束下，在某个垂直领域场景下实现相对灵活的探索式问答和分析。

衡石成立于2016年，我们一直在引领着行业在往更加开放、更加智能的架构上去创新和合作。我们工作主要有三个方面：第一，我们产品整个架构是开放式的，面向 ToB 的生态伙伴。这个让衡石成为国内唯一一家，专注于把产品作为基础能力引擎提供给所有企业服务厂商的企业。所有 SaaS/ISV 厂商都能通过衡石在场景里实现智能的分析和问答的功能。这里有一个衡石独创性提出的重要假设：我们认为整个商业智能后面可能不是一个孤立的产业，或者是独立的工具，应该是基础能力服务化的嵌入到所有业务场景里。

第二，我们做了指标中心化管理，在 AI 出现之前，我们希望可以做领域建模的知识沉淀，也就是说我们希望，如果伙伴是 CRM 厂商，可以在业务指标构建的地方落地自己的方法论，达到有咨询高度的产品化方案，这相当于利用衡石作为数据类产品或者分析场景类产品的零代码平台了。

我们的指标板块的功能增强已经开展了两三年了，基于这部分工作，我们打造了第三个重要功能领域 AI copilot ——分析的时候能够给到数据分析的助手，通过智能问答的方式给运营人员、报表的消费者比较及时的反应，他们的一些洞见、探索可以跟助手配合实现。

这个地方的关键场景是可以支持探索，支持发现式的提问，来得到我在商业分析的时候，我沉浸式地体验，跟着自己的思路完成探索的过程。目前最新进展的成果跟微软推出的 BI Copilot 比较类似，大家在刚才的 demo 中可以看到，AI+BI copilot 最关键的是当 AI 不理解专有名词的时候，可以通过指标平台的方式来准确地定义这个地方的概念上下文和计算逻辑，这里用提示词工程的方式是无法做到产品化准确落地的。

今天我们在会场的讯飞语音的帮助下可以看到，语音的识别准确度已经非常高了，但是我们还无法让通识模型 AI 在精准提问的商业分析里面做到比较满意。因为一个商业分析的专家在数据分析的过程中，对每一个 KPI 如何计算，这地方是非常精确的定义。

BI 和 AI 必须结合在一起才可以实现相对理想的效果，AI 的作用是让整个数据分析从非常专业的门槛掉下来，变成所有业务场景都可以自由结合的基础能力。BI 的作用是当 AI “胡说八道”的时候，BI 能够有效地约束问题域，确保对话的上下文场景，让这个事情得到精准地控制。

最后是我们衡石的愿景，可视化报表、BI 数据分析和智能的数据问答探索这些能力已经越来越重要，这对所有 to B 软件厂商都是非常重要的功能增强方向。我们觉得 to B 创业已经非常苦了，我们的工作就是在这些需要高密度研发投入的地方做好标准产品，大家不用重复造轮子，至少这些方面的苦可以少受一点。这就是我们的愿景。

谢谢大家。