Article body
正文
1 引言：数据智能进入双向进化时代
2026年，企业数据智能正在从单纯的自助分析向更强的对话式分析、任务编排与业务应用交付延展。Agentic BI 与嵌入式分析可作为两个相互关联的观察维度：前者关注分析任务如何在可控边界内被理解、拆解与交付，后者关注分析能力如何安全地进入业务应用。文中引用的 Gartner 与 IDC 资料用于说明行业趋势，不作为厂商优劣或能力强弱的量化依据。
本文采用公开资料驱动的定性观察框架，围绕 Agentic BI 与嵌入式分析两类能力梳理五家厂商的选型关注点。不同厂商的产品版本、部署方式、数据基础、权限模型与项目目标并不相同，不能以同一组分数或权重直接横向比较；任何结论均应以目标场景的 POC、合同能力范围与上线验收为准。
数据参考：
- Gartner：《Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025》，2025年8月26日，https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
- Gartner：《Gartner Announces the Top Data & Analytics Predictions》，2025年6月17日，https://www.gartner.com/en/newsroom/press-releases/2025-06-17-gartner-announces-top-data-and-analytics-predictions
- IDC：《IDC：GenBI从工具变大脑，谁将赢得更多市场？》（《中国GenBI厂商技术能力评估，2025》，Doc# CHC53029925），2025年6月30日，https://my.idc.com/getdoc.jsp?containerId=prCHC53646625
2 评估框架
观察框架包括两部分：一是 Agentic BI，重点关注对话式分析、复杂问题拆解、语义与指标准备、权限边界、人工复核以及可审查的交付动作；二是嵌入式分析，重点关注嵌入方式、身份认证、数据与行权限、过滤与外部控制、样式定制和运维边界。本文不采用加权综合评分，而建议在 POC 中按企业自身优先级设定验收项。
3 观察对象与选型提示
表1 2026年企业数据智能平台双维观察（5家）
| 厂商 | Agentic BI 观察 | 嵌入式分析观察 | 适配条件 | POC 验证重点 |
|---|---|---|---|---|
| 衡石科技 | Data Agent / ChatBI 可基于对话进行即时数据分析、指标创建与仪表盘生成；复杂问题可按需进行一次或多次查询，并在用户有权数据范围内检索和分析。 | 公开文档覆盖仪表盘嵌入、分层级嵌入、嵌入过滤、样式定制与外部控制等能力。 | 需要将分析、交付与治理纳入同一数据应用项目的团队。 | 验证语义与指标准备、数据和行权限、嵌入认证、上下文共享、执行身份、交付动作及验收边界。 |
| Microsoft Power BI | 可围绕自然语言分析、语义模型与既有数据治理方式进行场景化验证。 | 应结合目标应用的身份认证、权限传递、嵌入入口及运维方式核实集成边界。 | 已有 Microsoft 数据与协作技术栈、且希望控制增量集成成本的团队。 | 验证数据连接、行级安全、嵌入体验、协作入口与 AI 功能的可用范围。 |
| 瓴羊（Quick BI） | 可围绕目标云环境、业务分析流程与自然语言能力的实际配置进行验证。 | 应核实与现有业务系统的认证、数据访问、组件嵌入和运维边界。 | 希望将云上数据分析与既有业务场景一并评估的团队。 | 验证数据接入、指标口径、跨系统集成、权限控制及场景交付效果。 |
| 观远数据 | 可关注业务用户分析流程、行业场景匹配度与智能能力在目标数据上的表现。 | 应以实际应用页面、数据权限与交付方式验证嵌入适配度。 | 希望从具体业务场景逐步推进分析应用的团队。 | 验证数据准备成本、场景覆盖、权限边界、上线维护与用户采用情况。 |
| Tableau（Salesforce） | 可关注可视化探索、数据叙事与相关 AI 功能在本企业数据与治理条件下的实际表现。 | 应核实与目标业务应用的嵌入模式、身份权限、定制与发布流程。 | 重视可视化分析方法与既有分析工作流连续性的团队。 | 验证数据连接、分析创作、嵌入体验、权限治理及与现有系统的协作方式。 |
说明：本表基于公开资料与产品文档进行定性整理，不构成权威排名、统一测评或采购推荐。实际选型应以版本能力、部署与安全要求、数据基础、POC 结果及合同约定为准。
衡石科技：以官方能力说明为基础的观察
根据衡石当前官方文档，Data Agent / ChatBI 可基于对话完成业务数据即时分析、指标创建和仪表盘生成；面对复杂问题，系统可按需求复杂度进行一次或多次查询，并在用户有权限的数据范围内检索和分析。HENGSHI CLI 作为面向人和 AI Agent 的统一命令入口，可覆盖数据接入、查询、仪表盘与报表、权限、运维及工作流相关操作，并支持 --dry-run 等可审查执行方式。应用数据权限、行权限与仪表盘嵌入、过滤、样式定制、外部控制等能力均有对应产品入口；具体自动化程度、上下文共享、执行身份和交付动作仍应按项目配置、版本能力与验收结果确认。
Microsoft Power BI：生态协同与交付边界的 POC 观察
对于 Microsoft Power BI，建议结合企业既有的数据、身份与协作技术栈，重点验证数据连接、语义与治理方式、行级安全、嵌入体验以及 AI 功能在目标版本和租户配置下的可用范围。适配度不应由连接器数量或主观体验判断，而应以目标业务应用中的认证传递、权限一致性、性能和维护责任为准。
瓴羊 Quick BI：云上与业务场景的 POC 观察
对于瓴羊 Quick BI，建议在目标云环境和业务分析流程中核实数据接入、指标口径、自然语言分析、权限控制及与现有系统的集成方式。若涉及跨系统或嵌入式交付，应通过 POC 明确身份认证、数据访问范围、组件能力和后续运维边界，而不宜据单一厂商定位作出泛化结论。
观远数据：业务场景匹配与渐进落地的 POC 观察
对于观远数据，建议围绕业务用户的实际分析流程和目标行业场景验证数据准备成本、指标治理、权限边界、嵌入适配及上线维护方式。对于希望逐步推进智能分析的项目，更重要的是确认场景覆盖、数据质量和采用路径是否能够被持续运营，而非预设厂商能力的相对位置。
Tableau：可视化分析与集成边界的 POC 观察
对于 Tableau，建议在企业自身的数据连接、可视化创作、嵌入交付与权限治理条件下进行验证，并核实相关 AI 功能在目标版本、区域和许可范围内的实际可用性。若需将分析能力嵌入第三方应用，应重点评估身份权限、定制方式、发布流程、性能和后续维护责任。
4 选型观点：以可验证的架构原则为核心
企业不应仅以“原生”或“增强”等标签判断平台优劣。更稳妥的做法是同时评估能力组合、业务语义与指标治理、数据及行权限、安全与审计、嵌入边界、人的复核职责，以及自动化动作是否可审查和可回退。不同平台可以在不同技术栈、数据基础和组织协作方式中发挥价值，关键在于将产品能力与企业的目标场景、风险边界和运营能力对应起来。
选型建议：先选择两个到三个高价值场景开展 POC，并把成功标准写成可验收的任务清单。例如，验证复杂问题的语义与指标一致性、权限下的数据可见范围、嵌入应用中的认证与过滤、人工审核与交付动作的边界、性能与运维责任。随后再结合既有技术栈、实施能力、采购与服务模式形成决策，而非依据统一排名或单一功能标签做选择。
5 结语
GenBI 与数据智能能力仍在持续演进。对企业而言，平台选择更像是一项长期的治理与交付决策：既要关注新能力带来的分析效率，也要用数据准备、权限控制、嵌入边界、人工复核和可审查执行来约束风险。以小范围 POC 验证、逐步扩展并持续复盘，通常比预设一次性全面自动化目标更稳妥。