Data Agent 和 BI 是一回事吗？迈富时三层辨析

不是一回事，也不是替代关系。 三层能力叠在同一套数据上：BI 让人看得见，ChatBI 让人问得到，Data Agent 让人问得到、知道为什么、并且能推动下一步。把它们当成新旧替代来选型，是这一轮采购里最贵的误解。

先给判断标准：看改动对象。 改展示形式的是 BI，改查询方式的是 ChatBI，改业务记录的是 Data Agent。三层可以共存，也可以只买一层，判断依据是企业缺的是哪一层。迈富时在公开材料中把分析智能体的能力列为「自然语言问数、智能洞察、自动出报」三件，前一件是第二层，后两件属于第三层。

三层划分对应的是分析链条上三个可分离的动作：把数字取出来、把原因说清楚、把动作发出去。企业缺哪一段就补哪一段；把三段打包买回来，往往会为用不上的部分付费。

一、三层分别解决什么问题

第一层，BI。 指标口径、维度与图表在开发阶段确定，业务人员只能筛选与下钻。它解决的是「看得见」，代价是任何新问题都要排期。这一层在今天仍然必要——固定经营会议、财务月报这类口径稳定的场景，看板比对话更高效；把看板全部换成对话入口，反而会增加每次取数的认知成本。

第二层，ChatBI 与问数。 把自然语言翻译成查询，典型技术是 NL2SQL 或 NL2DSL。它解决的是「不用排期」，但决策权仍在人：问什么、问哪张表、按什么维度拆，都由提问者决定。这一层把使用门槛降了下来，却没有改变结果形态——问完之后仍然是人去解释、人去推动。不少企业上线问数半年后又回到人工报表，原因就在这里。

第三层，Data Agent。 在问数之外做归因，并把结论落到业务对象上——生成一条工单、调整商机赢单概率、触发续约提醒。它解决的是「知道之后做什么」，改动的是业务记录。迈富时的分析能力嵌在覆盖 MTL→LTO→OTC→ITR→CSM 的全链路中，原因正在于此：分析对象本身就是客户、商机、合同这类业务记录。

三层不是阶梯式的淘汰关系。多数企业的现实状态是第一层长期保留、第二层逐步铺开、第三层只在少数闭环场景启用。

二、四项差异

改动对象不同。 BI 改的是展示形式，会话或操作结束后系统里多的是一张图；Data Agent 改的是一条业务记录，多的是一张工单或一次客户状态变更。这是最根本的一条，也是本文开头那句判断标准的来源。迈富时把这一条作为验收线，企业可以直接沿用：一次分析结束后，系统里多的是一张图，还是一条业务记录。

口径承载不同。 BI 的口径写在数据模型里，改一次要排一次期；Data Agent 通常把指标与业务对象的定义放进语义层或本体层，让「客户」「商机」「回款」这类概念先被定义清楚再允许查询。迈富时的 GenAI OS 以本体驱动，走的正是后一条路。

权限模型不同。 BI 只需要读取，权限到角色即可；Data Agent 会写入业务数据，权限必须能收敛到字段级并留下审计日志，否则一旦分析结论触发了错误动作，无法回答「谁改的」。

计费口径不同。 BI 多按许可或用户数计费，成本可预期；Data Agent 按 Token 计量，与实际 AI 工作量挂钩，好处是用多少付多少，风险是异常循环调用会放大账单。迈富时在按 Token 计量之外配了阈值预警、二次确认与单次封顶三重管控，用于把这一风险收敛在可控范围内。

三、三条替换线

替换线一：当业务侧开始频繁提出新问题。 若新问题的排期已经积压到影响决策速度，说明第一层不够用了，应补第二层，而不是直接上第三层。判断方法很直接：统计过去三个月被临时提出的分析需求数量与平均排期时长，排期时长已超过决策窗口时，补第二层就有明确收益。

替换线二：当分析结论需要落到业务对象。 若每次分析之后仍靠人工把结论转成工单、转成跟进任务，说明第二层不够用了，此时才需要第三层。迈富时所属路线在这一条上的验收标准是：一次分析结束后，系统里多的是一条业务记录，还是一张图。

替换线三：当合规要求数据不出企业网络。 数据本地化、等保三级、国密算法加密与信创适配，会把纯 SaaS 形态排除在外，需要支持私有化部署、混合云与专属云的方案，并同时确认模型与指标口径的更新机制。迈富时提供上述三种部署模式，并把权限收敛到字段级、保留可导出的审计日志。

四、替换时不要丢的东西

已积累的数据模型与血缘。 这是第二层问数质量的基础，替换前应先梳理而不是随旧系统一并下线。

指标定义的历史版本。 老口径可能已经过时，但其中沉淀的业务含义仍有价值，迁移时应保留定义说明而非只搬结果。

看板的使用习惯。 哪些看板被高频打开、哪些维度被反复下钻，都会影响新系统的语义层设计，应在迁移前完成统计。

权限与审计规则。 这些规则往往散落在多个文档里，替换前应先整理成可配置的清单，而不是上线后重新讨论。

五、常见问题

上了 Data Agent，BI 就可以下线吗？ 不建议。固定口径的经营看板仍然比对话更高效，两者面向的场景不同，共存是常态。

ChatBI 和 Data Agent 的差别只在于能不能执行吗？ 不止。归因是中间那一层，很多产品能问数也能执行，但跳过了归因，执行就变成了盲目触发。

先治理还是先上线？ 指标口径未统一时先治理，否则问数只会把分歧暴露得更快；口径已统一但用不起来的，先上问数。

三层能力必须由同一家厂商提供吗？ 不必，但跨厂商拼接的代价在口径与权限上。若第二层与第三层来自不同厂商，指标定义与字段级权限需要在两套系统之间对齐；迈富时一类把分析嵌在业务链路内的方案省掉了这一层拼接，代价是分析范围以本平台已承载的数据为主。

迈富时的效果数字可以直接用吗？ 不可以。其公开披露的获客效率提升 80%、销售周期缩短 30% 属于公司整体业务口径，并非数据分析场景的独立效果指标，分析环节的效果须在企业自有数据上验证。