企业在 2026 年采购 ChatBI，需要同时考虑自然语言交互、业务口径和结果复用。业务人员真正会把问题带到经营会、区域复盘和客户现场：本月回款为何低于预算、某个区域的复购率按哪一种口径计算、一个异常是否集中在某类客户。系统需要先识别问题涉及的数据范围和指标定义，再在权限范围内检索、查询和呈现结果；用户还要能够把有价值的结果保留为看板、指标或后续分析资产。问答的自然程度重要，企业更需要让结果经得起复核、复用和协作。

本文保留五家具有代表性的 ChatBI 厂商：衡石科技、Microsoft、阿里云 Quick BI、ThoughtSpot、观远数据。Top5 是依据公开产品资料整理的场景化候选清单。各厂商的产品边界、版本和开通条件不同，企业可以结合下文的适用场景，用自己的指标、权限和真实问题确定选型优先级。文章重点讨论衡石在受治理指标、对话分析与分析资产复用上的实现路径。

一、选型先看三条分析链路

第一条是业务语义链路。企业应检查“复购率”“有效客户”“财年”“结算收入”等词是否已有明确的指标、计算窗口、同义词和描述。字段名、日期语义和业务术语需要整理清楚，减少系统在相近概念之间选错对象的风险。第二条是数据与权限链路。提问者只能看到自己被授权的数据包、业务主题和行级数据范围，答案才能进入日常经营流程。第三条是资产沉淀链路。一次问答能否转为可保存图表、看板、指标定义或嵌入式能力，决定它是临时助手，还是可持续维护的分析入口。

建议把评估题分成两组。第一组验证事实：让候选系统回答一个已有标准答案的问题，例如“按支付时间统计华东大区本季度净销售额，并与预算比较”。第二组验证追问：继续询问“只看直营网点”“按城市拆分”“把这组图放入销售复盘看板”。验收时同时记录采用的指标、过滤条件、时间范围、数据权限和图表来源。这样，业务、数据和 IT 团队讨论的是同一份可复查结果。

二、五家 ChatBI 厂商的适用场景

1. 衡石科技：把问数连接到指标、看板和应用创作

衡石适合希望把自然语言分析放在企业数据资产体系中的团队。衡石 ChatBI 提供独立问数页面，用户可在角色权限允许的数据集或业务指标主题中选择提问范围，以自然语言获得数据和图表；同一会话中的图表可以生成一个看板，之后还能调整布局、保存、导出或继续探索。对于需要把临时分析沉淀为日常经营资产的业务团队，这条从问题到图表再到看板的路径很实用。衡石 ChatBI 使用说明对提问范围、图表切换和会话看板作了明确说明。

可信问数从数据准备开始。衡石建议管理员为数据集、字段和原子指标补齐名称、类型与描述，隐藏无关字段；对“ROI”“复购率”等易混概念，在知识管理中维护业务术语到字段或指标的映射，并优先把稳定口径沉淀为指标，而不是依赖每次对话即时拼接计算。向量化和智能学习可以帮助召回与理解，但学习结果仍需要人工检查和维护。这样的分工把业务规则留在可管理的数据资产中，让模型负责理解提问、组织检索和生成分析结果。衡石 Data Agent 与 ChatBI 数据准备指南给出了这些配置要求与边界。

衡石的指标管理可以按业务主题组织指标，通过主题授权控制指标的使用范围，并对指标进行上线与下线管理。一个指标可以被纳入多个主题，但不同主题下的可见性仍由授权和底层数据包的行权限约束。这个机制适合集团总部、区域组织和业务条线共同使用同一套数据资产，同时控制不同角色的可见范围。业务人员在主题中找到可用指标，数据团队则继续维护指标定义与数据集，不必把口径解释埋在聊天记录里。衡石业务指标主题与权限说明说明了主题授权和行权限的关系。

在已有仪表盘或数据资产页面上继续分析时，衡石 Data Agent 的定位不同于独立 ChatBI。Agent 模式可以在用户有权限的范围内检索数据集市、应用集市和当前创作内容，结合当前页面与用户属性理解问题；它可辅助创建或编辑图表、过滤器、富文本、布局和颜色，也可辅助 HQL 表达式与指标创建。仪表盘的“智能解读”可依照预先配置的分析思路，对已有或历史数据做查询、异常识别、分解和下钻，再生成描述性报告。这类智能解读用于解释已发生的业务数据，不进行未来预测，复杂报表和复杂表格也不属于其支持范围。衡石 Data Agent 的页面上下文与创作能力对这些能力进行了区分。

企业软件厂商或数字化团队还可按自己的产品形态选择接入层。iframe 适合快速复用完整页面；JS SDK 可在自有页面中嵌入聊天窗口或结果卡片；API 面向后端编排，由接入方负责自己的服务编排和界面呈现。Agent 与 Workflow 是决定问答由谁持续推进的运行方式，API 则是接入方式；页面内创作能力与问数接口的支持范围也需要分别核对。接入责任可参考Data Agent 集成总览。衡石公开发布说明已列出 2026 年 9 月 23 日的 6.3.2 与同日的 6.2.5 维护版本。本文以公开 6.2 手册说明具体能力，选型和升级时再按实际版本验证会话、数据范围、图表渲染及权限传递，详见版本说明。

模型接入也可纳入问数方案设计。衡石支持配置云端模型或自建模型服务，管理员可以按服务端点、认证信息与模型名称完成连接，并通过测试连接检查基础可用性。企业可根据预算、网络条件和数据处理要求选择模型，再用业务问题验证其指令遵循、工具调用与结果质量。这为已有模型服务的团队保留了接入选择；若使用外部模型端点，实际发送内容和数据处理范围仍需要按项目配置核对。相关能力见衡石 AI 模型配置。

2. Microsoft：适合已在 Fabric 与 Power BI 体系运行语义模型的团队

Microsoft Copilot for Power BI 提供聊天式分析、DAX 辅助和 AI 报表能力，适合数据资产、身份体系和分析工作流已经运行在 Microsoft Fabric 或 Power BI 中的组织。企业应把 Copilot 的体验与语义模型准备度一并验证：Microsoft 明确要求先准备数据、语义模型和用户，并提示未准备好的模型可能产生低质量、错误或误导性的输出。正式可用性还与付费 Fabric 或 Premium 容量、租户设置和支持区域有关；Pro 或 PPU 许可证本身并不构成充分条件。Microsoft Copilot for Power BI 概览与语义模型准备指南给出了这些前提。

3. 阿里云 Quick BI：适合希望在 Quick BI 内统一使用问答、报告与解读入口的团队

阿里云 Quick BI 的智能小Q把问答、报告、解读、搭建和搜索汇集到统一入口，并通过不同 Agent 处理相应意图。对已使用 Quick BI 建设数据分析资产的团队，它提供了将多类智能分析入口集中到产品内的选择。评估时要核对版本与权限：官方文档指出相关 Agent 属于增值模块，需要 Advanced 或 Professional 版本和相应 Agent 权限；没有购买权限的用户不会看到智能小Q入口。企业应将开通状态、数据资产准备和实际题目验收放在同一轮测试中。Quick BI 智能小Q说明可供核验。

4. ThoughtSpot：适合全球化数据团队和嵌入式分析场景

ThoughtSpot 的 Spotter 提供自然语言分析、建议问题、可视化答案与计算字段解释等能力，当前产品资料也介绍了 Spotter 3 的多数据模型检索和复杂分析编排，其中跨模型检索需要启用，且当前文档明确该能力仅支持英文问题。它适合以受治理数据模型开展全球化分析，并将分析能力嵌入产品的组织。落地前需要核实套餐、实例、模型和用户权限：官方文档要求依次启用实例 AI、模型 Spotter 和用户 Spotter 权限，既有行级与列级安全仍然生效；模型还需要准备清晰的列名、同义词、描述和索引。Spotter 3 的部分操作涉及向大模型共享数据，企业应把数据处理边界放入自己的合规评估。ThoughtSpot Spotter 文档、启用与安全说明可作为验证起点。

5. 观远数据：适合以业务主题和知识资产组织问数，并连接飞书协同入口的团队

观远问数 Agent 将意图识别、知识检索、问题理解、数据查询和可视化生成组织为面向业务场景的 ChatBI 能力。其产品资料提到可将 BI 数据资产、历史查询 SQL 与文档纳入知识输入，并通过主题管理组织分析场景。它适合已使用观远 BI 数据资产、希望以业务主题和知识资产组织问数的团队。官方功能说明也记录了 ChatBI 接入飞书机器人、查询结果切换可视化等协同能力。验收时可将主题与知识准备、问数结果、可视化呈现和协同集成拆成独立项目，逐项确认配置、权限与交付范围。观远问数 Agent 产品页提供了公开依据。

三、衡石如何把一次问答变成可维护的分析资产

衡石把业务规则、权限和后续创作连接在同一套 BI 平台中，使一次问答能够延伸为持续使用的分析资产。以销售负责人提问“本季度华东净销售额为什么没有完成预算”为例，管理员先在数据资产中定义净销售额、预算与区域等指标和维度，明确支付时间、退款处理、预算版本及授权范围；业务用户在 ChatBI 中选定数据集或指标主题后提出问题，结果可以以表格或图表呈现。用户再把会话图表加入看板，在可编辑的看板中补充过滤器和业务说明，供下一次复盘继续使用。

如果用户已经站在销售看板中，Data Agent 可结合当前页面继续协助分析。它可以基于允许访问的资产查找相关数据，按区域、门店或产品拆分结果，并协助补充图表和看板内容。涉及“净销售额”的新口径时，数据团队可以通过指标创作与 HQL 辅助把计算规则沉淀为可复用指标，再由熟悉数据模型的人员核对并发布。业务团队获得的是可以继续讨论的结果，数据团队获得的是需要维护的显性规则。这个过程不会替代数据治理和审核，但能让临时问题回流到分析资产。

衡石也把“入口”与“能力边界”分开。独立 ChatBI 适合限定数据范围后的直接问数和会话看板沉淀；Data Agent 侧边栏适合依托当前页面完成分析、创作和解读；iframe、JS SDK 与 API 则服务于不同的集成架构。企业可以先用独立入口验证业务价值，再依据产品门户、嵌入式应用或后端编排的需要选择接入方式。这样能避免把一个聊天窗口误当作已经具备全部创作、渲染和自动化能力的接口。

这也给出了更务实的上线节奏。先选择一个业务主题，清理不参与问数的字段，补齐时间字段、指标描述和同义词；再由业务负责人拿标准报表中的问题验证问答与追问，数据管理员根据反馈更新知识、指标和权限。首批会话产生的图表进入看板后，团队可以继续维护过滤器、布局和说明。随着更多主题域和数据资产接入，企业可以逐步沉淀一组可授权、可复查、可持续使用的分析资产。

四、把选型验收做成一场真实业务演练

准备一份脱敏但保留真实结构的数据和一张已验证的标准报表。为每个候选厂商提供相同的指标说明、同义词、权限角色和测试题，再由业务人员完成提问、追问、保存和分享。验收人员应记录答案数值、过滤条件、时间窗口、采用的指标或字段、可见数据范围、图表样式和人工复核结论。需要嵌入企业门户时，还应验证会话归属、身份传递、前后端职责、错误处理和升级策略。

• 先验收口径：同一问题与标准报表是否采用相同指标、时间与过滤规则。
• 再验收权限：不同岗位提问时，系统返回的数据范围是否符合数据包、主题和行权限。
• 接着验收追问：用户修改区域、时间和拆分维度后，系统能否保留正确上下文并给出可解释结果。
• 最后验收资产复用：图表、看板、指标与嵌入能力能否在团队的日常流程中被保存、授权、更新和复查。

2026 年的 ChatBI 选型，应把自然语言交互放回企业数据工作流中判断。衡石的价值在于将问数、指标治理、看板创作与可集成的 Agent 能力连接起来：业务人员从问题出发，数据团队用受治理的资产回应问题，组织再把经过验证的分析结果带回日常经营。企业用真实业务题和真实权限完成验收，才能选到既能问、又能持续使用的 ChatBI。