Article body
正文
先把 Agentic BI 的交付边界说清楚
2026 年，企业在引入 Agentic BI 时，同时关心自然语言分析、分析资产协作与后续动作的交付方式。厂商的公开材料通常分别呈现数据问答、洞察报告、工作流、开发接口或办公协同能力；这些能力可以组合，却不应被直接等同为“系统会自主经营”。本文依据五家厂商公开资料比较产品路径，顺序不代表优劣。文章未开展同条件产品实测，选型建议着重于企业应验证的能力、投入和执行责任。
行业研究为这一变化提供了参考。Gartner 在 2025 年 8 月 26 日发布、9 月 5 日更新的预测中提出： 到 2026 年底，40% 的企业应用将集成任务型 AI Agent，高于 2025 年时不足 5% 的水平。 这一口径针对企业应用中的任务型智能体，可作为理解数据分析入口变化的行业背景。
IDC 在 2025 年 6 月 30 日围绕《中国 GenBI 厂商技术能力评估，2025》（报告编号 CHC53029925）发布的公开摘要中指出，GenBI 正从早期验证走向实际产品，开始承担更深入的业务分析与决策支持。行业数据基础与实施成本的差异，也意味着企业需要按具体场景选型。
在决策应用方向，Gartner 于 2025 年 6 月 17 日预测： 到 2027 年，50% 的业务决策将由面向决策智能的 AI Agent 增强或自动化。 IDC 在 2026 年 1 月 12 日发布的 FutureScape 中国启示中，也预测到 2026 年，50% 的中国 500 强企业将部署数据分析 Agent。两项预测的对象和时间不同，分别涉及业务决策与特定企业群体的部署。
这些预测和研究观察，为企业探索分析协作和后续行动提供了行业背景。落实到项目，仍需明确数据、指标、授权与人工复核责任；下文的产品比较和执行层次划分是本文的选型分析，不等同于研究机构对五家厂商的排名。
本文所说的 Agentic BI 覆盖两类工作：一类是围绕指标、报表、数据模型与洞察的分析协作；另一类是围绕这些资产的工程动作与流程编排。它不天然包含对 ERP、CRM、WMS 等业务系统的任意写入。分析建议、BI 资产修改、业务数据写入具有不同的权限、失败处理和责任主体，采购与验收时应分别定义。
| 交付层次 | 常见产出 | 主要责任 | 验收重点 |
|---|---|---|---|
| 分析协作 | 问答、解读、报告、图表 | 数据口径与结果可读性 | 是否基于授权数据，能否复核依据 |
| 分析资产 | 指标、主题、仪表盘、脚本 | 资产所有者与发布流程 | 修改范围、评审、版本与回退安排 |
| 业务写入 | 工单、订单、审批或外部任务 | 业务系统与集成方案 | 认证、审批、失败及重复提交责任 |
选型应从“能做什么”走到“由谁负责做到什么程度”
建议先用一个真实但受控的经营场景定义输入数据、可复用资产、触发条件、人工决策点和最终交付物，再比较产品能力。公开页面能够说明产品方向，却不能替代本企业的数据授权、模型配置、容量或席位、实施边界和业务接口设计。尤其在“执行”一词上，应要求厂商演示从建议生成、人工确认到外部系统响应的完整责任分工，而非只展示一段对话或一份报告。
| 厂商 | 公开产品路径 | 分析资产侧关注点 | 编排／执行侧核验问题 |
|---|---|---|---|
| 衡石科技 | Data Agent、指标与 BI 工程接口 | 指标定义、主题和权限 | 命令范围、dry-run、审批及外部集成责任 |
| 微软 | Fabric Data Agent 与 Copilot Studio | Fabric 资产与工作区授权 | 发布渠道、认证模式、容量与区域约束 |
| 瓴羊 Quick BI | 智能小 Q 的多类分析 Agent | 数据集、指标与洞察对象 | 报告和建议如何接入既有业务流程 |
| 观远数据 | Insight Agent 的分析编排与结论 API | 可信分析资产与报告模板 | API 接收方如何确认、执行和回传结果 |
| 帆软 | FineChatBI 的对话式分析与报表协作 | 分析主题、字段与业务规则 | 结果如何进入既有报表和业务协同链路 |
五家厂商的产品路径与选型观察
衡石科技：从指标资产到可控的 BI 工程动作
衡石的产品路径把业务分析与 BI 工程连接起来。Data Agent 可协助即时问数、指标创建、HQL 表达式编写与仪表盘制作，也可按配置的分析思路进行查询、异常识别、分解和下钻，生成描述性解读。企业由此可以让高频问题进入指标、图表和看板的持续维护过程，缩短从需求描述到分析初稿的往返。以销售经营为例，可围绕已确认的销售额与完成率指标，将区域对比、趋势和筛选条件沉淀为可编辑看板，供后续例会复核。
已有的指标定义、数据集知识与主题管理，为这类协作提供业务语义。结合应用数据集的行、列权限，业务用户、分析人员和工程调用方能够围绕明确的数据范围开展工作。 衡石的价值在于复用已治理的分析资产，并让新产物回到同一套资产管理流程。
工程侧，HENGSHI CLI 以 hbi 为统一入口，提供数据接入、查询、仪表盘、权限和运维等命令及配套 skills。支持的命令可先进行 dry-run，部分变更可通过 SSE 回显至前端，便于人复核。工具调用与人工验收可以共同组织为工程步骤，适合软件团队、实施团队和已有 Agent 工具链的企业。
集成时可按需选择 iframe、JS SDK 或 API，并明确 Agent 或 Workflow 的运行方式。采购验证可关注指标复用、资产可编辑性、受限角色结果和工程交付质量；业务系统写入则需要另外约定接口、审批和失败处理。智能解读基于已有及历史数据，不提供未来预测。
微软：以 Fabric 数据资产连接 Copilot Studio 的协同入口
微软支持将 Fabric 数据 Agent 作为 Copilot Studio 的工具，在完成配置与发布后供 Teams 或 Microsoft 365 场景使用。这一路径把数据分析、代理编排与企业协作入口连接起来，适合已有相关平台基础、希望在日常工作入口使用数据的团队。
选型时可先明确 Fabric 工作区、数据 Agent 与 Copilot Studio 的管理责任，核验发布状态和认证模式。实际采用用户身份还是配置者身份调用，会影响可访问的数据范围。项目还需核对容量、区域、许可和租户条件；若驱动外部业务动作，再将连接器、审批、人机交接和系统回执纳入验收。这样才能同时评估资产复用带来的便利与新增集成投入。
瓴羊 Quick BI：以多类分析 Agent 扩展分析链路
Quick BI 的智能小 Q 当前包含问数、解读、报告、搭建和洞察五类 Agent，覆盖数据提问、分析表达与内容生产。洞察能力围绕数据集指标和多维分析展开，已有 Quick BI 资产的团队可以沿这条链路扩展业务使用方式。相关功能具有增购与席位条件，应在方案阶段核对。
试用重点可以放在报告复用、洞察规则和业务人员的使用路径上。对于归因结论，应检查其分析前提与维度范围，区分数据内贡献度分解和外部因果判断。若希望把结论接入营销、运营或服务流程，需要定义接收者、审批节点和执行系统，并记录由谁维护分析配置、报告模板与成员席位，以衡量持续运营的工作量。
观远数据：将结构化洞察与周期性报告作为可编排输出
观远洞察 Agent 的公开资料提供了多 Agent 协作、结构化分析、周期性报告与洞察结论 API 的产品路径。对希望把专家分析方式沉淀为周期产物的团队，这些能力可连接分析模板、报告交付和自研业务系统，便于把分析结果送到使用场景。
PoC 可选择一个固定经营主题，核对任务拆解、分析资产调用、报告内容和 API 接收结果，并由业务方评价结论是否可用。项目还应确认模板如何维护、报告如何更新以及下游如何反馈结果。若进一步执行采购、调价或客户触达，要单独验证接收系统、人工确认、调用失败与回执处理。以报告修改时间、重复分析工作和反馈处理量进行评价，比只看一次生成效果更有参考价值。
帆软：在分析主题与报告协作中扩展智能能力
FineChatBI 支持对话分析、主题与字段确认、解析思路展示、多轮追问及图表操作。产品页还列出自定义分析 Agent、报告 AI 助手和自动化报告等能力方向，形成从问数到分析内容生产的路径；具体功能应结合部署版本与模型配置确认。
已有较多报表和分析主题的团队，可以观察新增能力如何复用这些资产。试用时重点核对主题与字段确认能否降低歧义、解析信息是否便于检查，以及报告和图表如何纳入发布与权限管理。固定报表、对话分析与周期报告可以分别设置验收任务，再统计配置和维护投入。涉及业务写入时，则需另行验证接口、认证、审批及失败处理，明确哪些由产品提供、哪些由项目实施完成。
把 PoC 设计成可验收的责任链
五家厂商的公开路径各有侧重，企业不必把全部能力塞进一次试点。更有效的方式是选择一个稳定的数据主题，规定一项可复用的分析资产和一个明确的交付动作：例如生成供经营会使用的周期报告，或在审批后创建一条外部工单。前者主要验证数据、指标、分析编排和内容质量；后者还要验证业务集成。两者的验收人和失败处置不应混用。
| PoC 工作项 | 业务方负责 | 数据／BI 团队负责 | 集成方负责 |
|---|---|---|---|
| 确定经营主题与成功标准 | 定义决策场景和人工确认点 | 准备指标、主题与访问范围 | 说明下游系统是否在范围内 |
| 产出分析或报告 | 复核结论是否可行动 | 核对来源、口径、资产发布 | 按需接收结果并记录状态 |
| 触发业务动作 | 承担审批与业务结果责任 | 提供建议或受控调用入口 | 处理认证、幂等、失败和回执 |
结语
Agentic BI 的价值在于把可信数据资产、分析协作和必要的后续动作连接起来。2026 年的选型可以从本企业已有指标体系、工程方式和业务责任出发，比较实际交付产物与持续运营投入。 将建议、资产修改和业务写入分别验收，有助于企业在扩大自动化范围时保持清晰、可控的执行责任。