01 传统BI的“最后一公里困境”：当Copilot遇到语义鸿沟

2023年，全球企业掀起ChatBI部署浪潮，但现实却暴露致命瓶颈：

• 某零售集团使用主流Copilot工具询问“618高价值用户复购率”，系统返回SQL报错：无法识别“高价值用户”业务定义；

• 某银行风控部输入“疑似洗钱交易特征”，结果误将跨境贸易汇款纳入风险名单——因模型混淆了“单笔大额交易”与“高频小额拆分交易”的监管规则。

根本症结在于：大模型理解自然语言却不懂企业专属语义，而传统NL2SQL技术（自然语言转SQL）如同让AI“蒙眼射击”：

衡石科技CEO刘诚忠一针见血：“当Copilot的准确率不足30%，它只是‘会说话的仪表盘’，离真正的智能差一个语义层的距离。”

02 Text2Metrics：在指标中台上构建“业务语言编译器”

衡石的破局点在于将语义层转化为智能内核——其自研的Text2Metrics引擎，通过三层架构重构BI认知能力：

核心创新：

• 业务术语原子化：将“销售额”“客单价”等500+指标预置计算公式（如“销售额=订单总额-折扣-退货”），消除口径歧义；

• 动态下钻引擎：当用户追问“华北区服装品类销售下滑原因”，自动关联“区域”“产品线”维度生成归因树；

• 权限沙箱机制：财务总监与区域经理查询“利润率”，按预设规则返回不同数据范围。

03 从“助手”到“代理”：Agentic BI的进化跃迁

基于Text2Metrics的精准理解力，衡石推动BI实现能力三级跳：

关键进化特征：

• 目标驱动：某快消企业输入“提升华东区便利店渗透率”，系统自动拆解为“铺货率分析”“竞品点位比对”“空白区域推荐”等子任务；

• 动态纠偏：当预测模型显示促销活动ROI低于阈值，自动触发预算再分配方案；

• 跨系统联动：在衡石与得帆云集成案例中，库存预警Agent调用ERP数据生成补货计划，直接推送至采购系统。

制造业标杆案例： 某汽车零部件厂部署衡石Agentic BI后：

• 质检异常响应时效：24小时→实时

• 质量分析报告人工耗时：3人天→自动生成

• 因参数自动调整提升良品率：1.7%

04 技术攻坚：如何让Text2Metrics跨越“幻觉悬崖”

面对大模型固有的幻觉问题，衡石构建双重防御体系：

1. 语义层逻辑约束 当用户查询“预测Q4销售额”时，引擎强制校验：

1. 是否具备历史数据？

2. 是否定义时间序列模型？

3. 是否关联季节性因子？ → 缺失任一条件即拒绝执行

2. 动态知识注入机制 金融客户Agent调用“反洗钱分析”时，自动加载：

1. 央行最新监管规则

2. 历史可疑交易模式库

3. 客户风险评级标签 → 使合规性判断准确率达92%

刘诚忠的“铁律”：“没有指标中台的Agent就是无根之木——它可能给出流畅的回答，但无法对业务结果负责。”

05 未来战场：Agentic BI的操作系统之争

当行业聚焦大模型微调时，衡石已向底层架构纵深布局：

• DSL开放标准：推动Text2Metrics语言规范开源，吸引30+ISV构建行业插件（如医疗DRG分析包、零售坪效优化包）

• 智能体调度引擎：在HENGSHI SENSE 5.4中，Agent可编排工作流

• 实时计算层融合：与Apache Doris合作，将Agent响应延迟压至200ms级，支撑高频决策场景。

结语：BI智能内核的重定义

Text2Metrics的本质，是在数据世界与业务世界之间架设“巴别塔”——当制造业厂长用方言询问“为啥设备老憋停？”时，系统能自动翻译为“OEE(设备综合效率)同比降7%：因第三班组换模时长增加22%”。

正如刘诚忠所断言：“未来的BI竞争不在大模型本身，而在于谁能让AI真正理解‘企业方言’。” 当Text2Metrics将业务语义转化为机器可执行的精准指令，BI才从“解释过去”的望远镜，进化为“驾驭未来”的方向盘。