对话帆软陈炎：用AI重新定义BI

文/品牌之声

“帆软的愿景始终是‘让数据成为生产力’，但在AI 时代，帆软想要成为企业经营分析与决策能力建设的伙伴。”帆软CEO陈炎说。

“AI确实能增加数据价值，而且不把AI喊出来，连和客户交流的机会都没有。不过我们不想夸大它在企业场景的效果，AI不是一夜之间效率倍增的神话。”

作为联合创始人之一，陈炎已经带领帆软走过20年历程，见证了中国BI（Business Intelligence，商业智能）市场的发展。2006年帆软成立时，中国企业的数字化转型刚刚起步，ERP、财务、供应链等业务系统陆续上线，市场期望将不同系统中的数据汇总、加工，再以符合中国企业管理习惯的报表形式展现出来，帆软抓住这个需求推出FineReport，以此站稳脚跟。随着中国企业对数据处理的要求从“看见”延伸至“分析”，以及“去技术化、自助式”引发的低代码和零代码热潮，帆软相继推出FineBI（数据分析平台）、FineVis（可视化开发平台）、简道云（数据应用搭建平台）等产品，让更多业务人员能够自主挖掘数据价值。

AI的爆发把BI用户的自主性又向前推了一步。过去的自助式BI降低的是工具操作门槛，用户仍需手动编辑数据、通过“拖拉拽”搭建功能。加入AI模型后，用户可以专注于用自然语言提出业务问题，并根据与AI的对话辅助决策。与此同时，BI厂商也在尝试训练更优秀的Agent，让系统能够主动发现异常、开展归因分析和趋势预测，并进一步参与后续执行。

这些能力的实现对三个关键要素——场景清晰度、数据治理能力、AI模型可靠性——提出了很高的要求。即便帆软连续多年稳居中国BI市场份额前列，且在多个重点行业与超4万家大中型企业客户积累了合作经验，陈炎对“AI+BI”的业务前景依然保持谨慎。他把产品比作“一杯啤酒”，起决定性作用的是“酒体风味”（产品性能），“酒体”表层不免有一些泡沫。“如果客人第一次尝试就觉得不好喝，那他可能不会再来消费了。”

因此，帆软对Al产品的开发和推广采取了渐进式步调。2019年前后，国内外BI厂商推出“对话式BI”，帆软也组建了专项团队进行小范围验证。由于当时技术主要依赖规则解析和小型预训练模型，“对话式BI"的意图识别与查询精度有限，跨场景泛化能力不足。若针对具体业务持续补充语料、重新训练，则会显著推高实施成本，加上客户反馈“对话式BI”使用率不高，帆软便暂停了产品化。及至确认大模型技术在BI落地的可行性之后，帆软于2024年重点投入并打造了FineChatBI，在接下来的一年里推出全新Al系列产品，包括垂直业务层面的智能体Moss和帆倍，分析层面的FineBI Next和Dora(聚焦数据分析的DataAgent平台)，以及企业流程Agent平台悟帆AI。

目前，帆软正通过“智数先锋AI创新大赛”向企业一线从业者征集案例，以便把新产品快速推向财务、制造、运营等真实业务场景。已经涌现的案例中可以看到，某家居公司借助AI产品把数据平台的故障定位从90分钟缩短至15分钟，月度故障次数下降75%，年度节约数十万元。还有一家制造公司的车间月度断线率平均下降3.3%，部分车间最高降幅达7.3%，带来的年化经济效益达上千万元。

陈炎认为：“目前的阶段，重点是找AI场景，有了场景才有信任。市面上各种厂商AI的demo还是太多了，看起来漂亮，落地往往不尽如人意。”

让AI从对话到行动

过去几年，帆软为了让AI落地“尽如人意”，答案改了不止一次。最初，FineChatBI把自然语言转成查询指令，用聊天框替代拖字段、做筛选。但产品进入企业后，问题很快显现：模型能读懂一句问题，却未必理解问题背后的企业规则。相同的指标，在不同部门、不同流程和不同时间口径下可能指向完全不同的结果；这些差异往往藏在制度、系统和老员工的经验里。

“聊天框解决的是人怎么告诉AI自己想做什么，真正难的是AI应该相信什么。”陈炎说。为此，帆软利用多年来的BI行业解决方案经验，将数据模型、指标、明细、血缘关系和业务口径组织成统一语义层，再交给Dora（DataAgent平台）调用。

有了可信的数据和语义，AI还要能够接住任务。FineBI Next把查询、计算、归因、可视化等能力拆成Agent可以调用的工具。Agent不再只把人话翻译成查询指令，而会判断要调用哪些能力、先做什么、下一步做什么。BI也由供人操作的分析工具，逐渐成为支撑人机协同的业务基础设施。

但能演示的Agent，与能在企业持续运行的Agent，是两回事。谁能创建Agent、谁能接入外部工具、哪些人只能看汇总数据、回答调用了什么信息，都会从技术细节变成管理问题。陈炎说：“AI应用的制造成本在下降，治理成本不会自动消失。做出来越来越容易，真正可贵的是长期保证它还能用。”

大型企业不会因一场演示就推倒原有管理方式：经营会照常召开，月底仍要关账，IT部门也仍然关心私有化、身份、权限和审计。因此，Dora不仅要会分析，还要融入定时报表、即时通信和权限体系。报表能否准时送达、销售能否严格按权限查看数据、每次调用能否被追溯，往往比模型得分更决定产品能否进入日常经营。

“中国企业怎样才敢把AI放进经营体系，可能才是帆软真正擅长的题目。”陈炎说。AI不能绕开业务系统另起炉灶。企业积累的指标、权限、流程、数据血缘和组织规则，需要被整理成机器可读、可以调用、能够追溯的基础；模型和Agent可以更换，底层始终要回答什么是真实、谁有权做什么。

回头看，帆软先用聊天框降低交互门槛，发现企业语义才是瓶颈后，补上指标中心和语义层；随后又把BI能力工具化，并补充权限、监管、定时任务和开放接口。陈炎说：“这不是给旧产品接上一个模型，而是被真实客户的问题一层层推着往前走。方向基本是对的，但远远没有赢。”

过去，BI主要解决人如何理解企业数据；AI进入企业后，还要回答机器可以相信什么、查看什么、计算什么和执行什么。帆软要提供的，不只是会聊天、会分析的Agent，而是一套让AI安全进入生产环境的秩序。只有数据可信、权限清楚、过程可追溯、责任有人承担，企业才会说：这个AI，可以真的干活。

答案越来越便宜，信任越来越贵

包括帆软在内的BI厂商正在证明，AI将参与越来越多原本由人工完成的工作。但越深入决策和执行环节，企业对AI的信任要求就越高。换句话说，获取答案的成本越来越低，判断答案能不能用、愿不愿意用的成本却越来越高。

陈炎说：“曾经有客户向我们的AI产品询问竞争对手的产能，很容易就得到了一些数字，继续问这些数字的来源时，AI说是根据竞争对手公布的信息和行业平均开工率推算得出。虽然这些数字不完全精确，但至少人们知道了计算依据，也知道是估算。这就是‘敢不敢用’。”

还有“愿不愿用”的问题。比如，一个看似简单的“销售额”词条，生产、销售、财务部门可能分别理解为生产额、出货额和已经回款的金额。如果企业没有统一口径，AI就无法提供所有人都认可的答案，人们也就不愿意用了。说到底，决定AI上限的不只是模型能力，还有企业对自身数据和业务规则的治理程度。

在这方面，帆软有着深耕20年的底气。借鉴“三权分立”的概念，帆软将数据治理的思维框架归纳为立法（制定数据标准和制度）、司法（建立判例库来解决数据争议）和执法（通过流程确保制度执行），并把相关经验整合为FineDataLink。

FineDataLink把散落在ERP、CRM、MES、数据库、Excel和API中的数据连接起来，完成同步、转换和加工，并通过质量规则、数据血缘和问题追溯，为上层分析提供可信的数据基础。它解决的并不只是“把字段整理干净”，而是让企业知道一个数据从哪里来、经过了什么处理，以及能否支撑经营判断。

帆软还发现，仅仅把数据库里的字段整理干净依然不够，于是它采用了名为“拉式策略”的数据治理方式。与传统的“先治理，再使用”路径不同，拉式策略从具体业务场景倒推——业务人员先提出自己要解决的问题，再去梳理其中涉及哪些指标、指标来自哪些系统，数据在哪里出现差异，最后追溯到产生这些数据的业务流程。帆软把这套方法整合进最新的FineDataLink 版本中，新版本同时强化了数据连接、数据实时计算、数据安全调用等功能。

除此之外，帆软也提供覆盖AI、数据治理等全方位的数据交付和人才培养的服务。用陈炎的话说，“成长可以借力，能力必须内生。“干完活就走的是供应商，帆软想做的是陪伴企业自身能力成长的‘伙伴’。”

AI重写人才与组织

如果说数据治理决定AI能否给出可信的答案，那么人才和组织则决定这些答案能否真正改变业务。AI产品形态已经获得初步验证，但要持续推进“AI+BI”，帆软还需要同步改变人才标准、激励方式和组织管理。

变革的核心是定向激励、建立氛围、降低门槛。比如，管理创新奖只发给AI相关项目，举办AI主题、奖金总额上百万元的黑客马拉松（帆软向所有员工开放的创新比赛），员工提出好的AI想法免费领咖啡，为有价值的AI实践报销Token等。

在这个过程中，陈炎和管理层带头学习和使用AI。他把自己平时积累的关于企业战略、业务经营、人员培训的文字想法和讲话录音交给AI，让其整理成初稿后再人工修改，然后发布到公司内网，希望统一全员思想和行动。在他看来，让年轻员工接受AI并不难，真正难的是让“公司里钱拿得最多的人”先成为AI高手。管理者自己都不用AI，就很难判断哪些业务流程值得被AI重新改造。

帆软也在增加对AI人才的招募。公司单独设置AI中心，招聘高级大模型应用算法工程师，校招岗位中也出现了Agent研发工程师，业务端则招聘专门面向AI产品的销售工程师。AI不再只是研发部门的一项技术能力，而开始贯穿产品研发、客户服务和商业化过程。

“和人类历史上的技术革命类似，AI让所有事物在短时间内加速改变，特别是优秀人才的心态需要调整。”陈炎说，“我们把产品团队分成AI改造和AI原生两种，两边都有老员工和新员工。AI改造团队的人会想：我怎么没被分到AI原生团队？这时要安抚他们，因为这个团队负责守住业务基本盘。AI原生团队的人会想：万一做出成果了，我是不是能出去创业？如果能拿到投资或者翻好几倍的工资，我留在帆软干什么？”

帆软的解法有三：“永不上市，利润共享”的企业文化，相对公平的激励机制，和“轮岗”制——在上一个产品变革时，你负责留守老产品，我负责做新产品，下一次互换，让每个人都能得到尊重和自我突破的机会。

对于很早就展现出AI能力的年轻人，帆软愿意给他们一个相对独立的“战场”，让他们尽情发挥，对结果直接负责。陈炎说，这就像霍去病用自己擅长的闪电战和“斩首”行动，与卫青稳扎稳打的战术形成配合，最终会令整体受益。

与此同时，AI重新定义了“优秀”。帆软一些绩效长期较差的员工，在使用AI工具后反而成了明星员工。他们不是不懂业务，只是不擅长靠大量重复劳动。有了AI，他们得以将这些工作转包出去。理解工作、拆解流程，人的价值被重新看见。

“帆软如今的状态只能说‘上了AI的牌桌’。公司没有因为AI浪潮流失太多核心人才，客户对产品的认可也在积累。不过，未来还有很多不确定性，我们只能敏捷迭代。”陈炎保持了一贯的审慎。对帆软而言，AI时代并不是告别BI，而是重新定义BI的边界：它不再只帮助人看懂数据，还要为机器理解企业、参与决策和安全行动提供基础。

声明：品牌之声相关资讯均来自于品牌方，属于商业合作内容，非福布斯编辑内容，相关数据、观点、结论不作任何投资指引和参考。