Pandangan jujur seorang praktisi pada agen data AI horisontal – Snowflake Cortex, Databricks Genie, Microsoft Fabric – dan di mana asisten BI-pribumi seperti JAS benar-benar mendapatkan simpanannya. Spoiler: kotak obrolan tidak pernah menjadi bagian yang sulit.
Jika Anda telah duduk melalui demo agen data pada tahun lalu, Anda tahu bentuknya. Seseorang tipe “menunjukkan pendapatan oleh wilayah kuartal terakhir” ke dalam kotak obrolan, permintaan SQL bersih menulis sendiri, sebuah tabel muncul, mungkin grafik, dan ruangan mengangguk. Ini demo yang bagus. Ini adalah seharusnya untuk menjadi demo yang baik.
Kemudian Anda kembali ke lingkungan Anda sendiri - yang dengan 3.000 laporan, empat puluh tahun akumulasi nama tabel yang masuk akal bagi seseorang pada tahun 2009, tim keuangan yang mendefinisikan "pelanggan aktif" berbeda dari penjualan, dan petugas kepatuhan yang secara pribadi akan mengakhiri Anda jika data pasien meninggalkan gedung - dan sihir demo semakin tenang.
Kami telah menghabiskan sebagian besar 2026 menonton agen data horizontal matang: Snowflake Cortex, Databricks Genie, agen data dan kopilot Microsoft Fabric, dan tumpukan build-it-yourself orang-orang berkumpul dari ClickHouse, LibreChat, toko vektor, dan akhir pekan. Mereka benar-benar mengesankan, dan kami ingin memberi mereka kredit nyata sebelum memberi tahu Anda di mana kami pikir mereka jatuh - karena versi jujur dari perbandingan ini lebih berguna daripada versi brosur, dan itu terjadi menjadi lebih menyanjung ke pendekatan BI-pribumi.
Berikut adalah versi yang jujur.
Apa Agen Horizontal Sebenarnya Baik di
Alat-alat ini berada di dekat data mentah Anda. Itu seluruh tesis mereka, dan itu bagus. Ketika sebuah pertanyaan belum pernah ditanyakan sebelumnya – beberapa irisan yang benar-benar baru tidak diantisipasi oleh analis – seorang agen yang terhubung langsung ke gudang dapat pergi alasan di atas meja mentah dan mencoba menjawabnya. Untuk eksplorasi terbuka, untuk pekerjaan ilmu data, untuk fase "Saya bahkan tidak tahu apa yang saya cari", kedekatan dengan rumah danau adalah keuntungan nyata. Mereka skala dengan komputasi Anda. Mereka tidak peduli bahwa pertanyaan Anda aneh.
Jika Anda adalah toko asli Snowflake atau Anda tinggal di Fabric, cerita integrasi juga bersih: agen berjalan di dalam platform yang sudah Anda bayar, di bawah kontrol akses yang sudah Anda konfigurasikan. Tata kelola tingkat gudang adalah nyata - kebijakan akses baris Snowflake, izin Catalog Unity Databricks, dan Microsoft Purview in Fabric semuanya dibawa ke agen. Siapa pun yang memberi tahu Anda agen-agen ini “mengabaikan keamanan Anda” menjual sesuatu kepada Anda. Mereka tidak. Pengguna melihat baris yang diizinkan untuk mereka lihat.
Jadi: kuat, diatur dengan baik di lapisan data, bagus untuk eksplorasi. Ini adalah titik awal yang adil.
Hal yang tidak pernah ada di slide
Inilah yang tidak ditunjukkan demo kepada Anda, dan apa yang secara mengejutkan para vendor secara mengejutkan begitu Anda membaca melalui pemasaran.
Tak satu pun dari agen-agen ini adalah sihir pada skema mentah. Mereka hanya dapat diandalkan setelah Seseorang telah melakukan pekerjaan yang keras dan tidak menarik untuk membangun lapisan semantik di atas data.
serpihan
Snowflake Cortex
“Model semantik adalah apa yang membuat Cortex Analyst akurat.”Snowflake mengatakan ini hampir kata demi kata dalam dokumentasi mereka sendiri: model generik tidak memberikan apa pun kecuali skema basis data berjuang, karena skema tidak mengandung definisi bisnis atau logika metrik. Jawaban mereka adalah model semantik – file YAML (atau sekarang pandangan semantik) di mana manusia mengkodekan apa yang dioleskan tabel berarti, yang bergabung valid, bagaimana setiap metrik dihitung, apa yang sebenarnya dimaksud dengan “CUST_ID”. Tanpa itu, Anda kembali ke tebakan autocomplete yang cerdas di jalur gabungan Anda. Dan Cortex sendiri kapal sebagai API; tidak ada antarmuka yang dibundel pengguna bisnis Anda hanya dapat membuka.
batu bata
Databrick Genie
Cerita yang sama dalam pakaian yang berbeda.Genie Space adalah sesuatu yang menjadi analis data mengkonfigurasiDaftar tabel di Unity Catalog, tutup pada tiga puluh per ruang, tambahkan contoh kueri SQL, tulis instruksi, definisikan "aset tepercaya" - kueri yang diverifikasi dan parameter untuk pertanyaan yang Anda antisipasi. Genie melakukan yang terbaik pada pertanyaan yang Anda lihat datang dan dikuratori untuk. Jawabannya kembali sebagai tabel hasil, dan Databricks mencatat dengan jelas bahwa pengguna non-teknis sering tidak dapat membaca SQL yang dihasilkan dengan cukup baik untuk mengetahui apakah itu benar.
Kain
Kain Microsoft
Pekerjaan rumah yang sama, ditambah catatan kaki kepatuhan.Microsoft Fabric memberitahu Anda untuk melakukan pekerjaan rumah yang sama: membangun model semantik Power BI yang dikuratori dengan hubungan dan langkah-langkah yang ditentukan dengan tangan, kemudian menunjuk agen data di itu. Dan jika Anda memunculkan agen itu melalui Copilot Studio atau M365, tanggapan dapat melakukan perjalanan di luar batas kepatuhan dan geografi Fabric sendiri - detail yang ingin diketahui oleh tim keamanan Anda sebelumnya, bukan setelahnya.
Kotak obrolan adalah bagian yang mudah. Lapisan semantik adalah produk yang sebenarnya.Setiap agen horizontal adalah shell percakapan tipis dan brilian yang melilit proyek pemodelan yang harus Anda bangun dan pertahankan. Kecerdasan tidak ada di LLM. Ini dalam deskripsi yang dikuratori dari bisnis Anda yang Anda beri makan LLM.
Yang membingkai ulang seluruh pertanyaan pembelian. Ini bukan "apakah alat ini memiliki AI?" Semuanya memiliki AI sekarang. Pertanyaan sebenarnya adalah: Di mana logika bisnis Anda hidup, siapa yang mempertahankannya, dan berapa banyak tempat yang harus Anda pertahankan?
Mengapa “AI-pribumi” adalah jawaban yang berbeda
Di sinilah JAS TURBOARD masuk, dan argumen untuk itu hampir memalukan sederhana setelah framing di atas ada di atas.
Jika Anda sudah menjalankan analisis Anda di platform BI, Anda sudah membangun lapisan semantik. Tampilan yang Anda lenggarakan, node, tabel, dan deskripsi lapangan, ukuran yang Anda hitung, dasbor Anda, filter Anda, model izin Anda - yang adalah konteks bisnis yang dikuratori agen horizontal meminta Anda untuk membangun dari awal di YAML. JAS adalah asisten yang membaca aset yang sudah Anda bayar dan pertahankan, alih-alih meminta Anda untuk membangun salinan kedua di tempat lain.
Fakta tunggal itu mengalir ke beberapa hal yang lebih penting daripada kedengarannya:
Satu Sumber Kebenaran, Bukan Dua
Bolt agen data terpisah ke gudang dan Anda sekarang memiliki dua sistem yang menjawab pertanyaan yang sama - dashboard bersertifikat dan kotak obrolan - dengan tidak ada yang menjamin mereka setuju. Ketika asisten itu hidup di dalam Lapisan BI dan alasan melalui model yang diatur yang sama yang digunakan dasbor, jawaban dalam obrolan dan jawaban di dasbor adalah jawaban yang sama. Tata kelola tidak menduplikasi, hanyut, lalu diam-diam tidak setuju.
Output adalah Aset, Bukan Tanda Terima
Agen horizontal memberi Anda meja. Sudah hilang saat Anda menutup tab. JAS menghasilkan dashlets dan dasbor asli – hal-hal interaktif yang dapat Anda bor ke dalam, filter, dan pin. Jawabannya tidak berhenti di "inilah nomornya"; itu menjadi bagian dari permukaan analitik yang sudah digunakan organisasi Anda besok.
Pemerintahan Anda Tidak Harus Dibangun Kembali
Agen gudang memang menegakkan keamanan tingkat baris – kredit jika jatuh tempo. Tepi BI-pribumi bukanlah “kita memiliki keamanan dan tidak.” Anda tidak mempertahankan logika akses Anda di dua tempat dan berdoa mereka tetap sinkron - dan bahwa untuk pekerjaan yang diatur, JAS dapat berjalan pada Model Bahasa Kecil di tempat sehingga permintaan dan data tidak pernah meninggalkan infrastruktur Anda sama sekali.
Disanalah Orang Sudah Bekerja
"Portal data" yang terpisah terdengar bagus dalam demo dan mati dalam penggunaan sehari-hari, karena menggunakannya berarti meninggalkan dasbor Anda, menggambarkan kembali apa yang Anda lihat, dan kembali. JAS muncul pada titik konsumsi - di dasbor, di samping dambat, di panel global - sehingga pertanyaan dan data hidup di tempat yang sama.
Poin terakhir adalah di mana dua potongan terbaru dari JAS membuat abstraksi beton.
JASlet & Jas Pane: Bagian yang Sulit disalin
Widget JAS Anda jatuh langsung ke dashboard. Ini membaca keadaan dashboard saat ini - atau satu dashlet tertentu - dan merangkumnya, menjelaskannya, atau mengambil pertanyaan tindak lanjut tentang apa yang ada di layar. Detail yang kami sukai: Anda mengatur persona per widget. Dasbor penjualan yang sama dapat dijelaskan salah satu cara bagi auditor keuangan yang menginginkan angka ketat dan dikesampingkan, dan cara lain untuk manajer operasi yang menginginkan tren dan "jadi apa." Penjelasan dasbor berhenti menjadi paragraf AI generik dan menjadi sadar peran.
Ini membahas masalah kerumunan agen horizontal yang sebagian besar diabaikan, karena seluruh pandangan dunia mereka adalah “menghasilkan jawaban dari data mentah.” Di toko yang matang, jawabannya biasanya Sudah ada. Seseorang sudah membangun dasbor bersertifikat. Masalah sebenarnya bukan generasi – itu penemuanMenemukan satu pandangan yang dapat dipercaya di antara ribuan laporan.
Panel JAS memungkinkan Anda mengajukan pertanyaan dari mana saja di platform. Menggunakan generasi yang diambil dari gambar, tabel, dan deskripsi bidang ditambah pola penggunaan nyata, ia menemukan yang paling relevan, paling banyak digunakan atau dasbor, menerapkan filter yang tepat, dan menempatkan jawabannya di depan Anda dalam hitungan detik. Ini tidak meregenerasi jawaban dari awal dan berharap itu cocok dengan yang resmi - itu routing Anda ke aset terpercaya dan menyaring ke pertanyaan Anda. Agen text-to-SQL akan dengan riang menulis ulang permintaan yang sudah disempurnakan dan disertifikasi oleh seorang analis beberapa bulan yang lalu, mungkin berbeda. Panel JAS mengarahkan Anda pada yang bersertifikat. Dalam lingkungan yang ramai, itulah perbedaan antara asisten dan kewajiban.
Ketika Agen Horizontal Adalah Panggilan yang Tepat
Kami mengatakan kami akan jujur, jadi: ada kasus nyata di mana kami akan meraih Cortex atau Genie atau agen Fabric atas asisten BI-pribumi.
| Jika situasi Anda adalah ... | Yang lebih baik adalah ... |
|---|---|
| Data yang belum dimodelkan dalam alat BI - ia tinggal di sebuah rumah danau, pengguna adalah ilmuwan data yang melakukan eksplorasi terbuka terhadap tabel mentah dalam skala besar. | Seorang agen gudang-pribumi duduk tepat di comput |
| Nilai yang Anda butuhkan adalah "tanyakan setiap pertanyaan tentang data mentah, termasuk pertanyaan yang tidak diantisipasi siapa pun" | Kedekatan dengan gudang menang |
| Anda all-in pada ekosistem satu platform cloud dan tidak pernah berencana untuk pergi | Integrasi asli benar-benar nyaman |
| Analisis Anda sudah hidup di platform BI yang diatur, digunakan setiap hari oleh pengambil keputusan bisnis | Asisten BI-pribumi seperti JAS menggunakan kembali lapisan yang sudah Anda bangun |
Dan JAS juga bukan sihir. Ini persis sama baiknya dengan pemodelan semantik di bawahnya - pandangan, deskripsi, ukuran. Jika mereka ceroboh, JAS akan ceroboh. Simetri yang jujur adalah ini: keduanya Pendekatan tergantung pada lapisan semantik yang dibangun dengan baik. Perbedaannya adalah bahwa dengan platform BI Anda kemungkinan besar sudah membangun dan memeliharanya, dan asisten BI-pribumi menggunakannya kembali – sementara agen horizontal meminta Anda untuk membangun (atau membangun kembali) lapisan itu sebagai artefak terpisah, dan kemudian mempertahankannya secara paralel selamanya.
Garis Bawah
Cara terbersih yang kami temukan untuk meletakkannya: agen data horizontal memungkinkan Anda Bicaralah dengan data Anda. Itu sangat berharga. Tetapi intelijen bisnis tidak pernah hanya tabel dan pertanyaan. Ini diatur model, dashboard, filter, konvensi visual, izin, persona, dan satu dekade memori kelembagaan tentang laporan yang benar-benar Anda percayai.
Asisten BI-pribumi Memungkinkan Anda Bicaralah dengan BI Anda - seluruh lingkungan yang diatur, bukan hanya database di bawahnya.
Jika analitik Anda sudah hidup di platform BI, dasar semantik yang membuat asisten AI dapat dipercaya adalah pekerjaan yang sudah Anda lakukan. Pertanyaan yang layak ditanyakan kepada vendor bukanlah apakah mereka telah menambahkan kotak obrolan. Semua orang punya. Apakah AI mereka memahami bisnis yang sudah Anda modelkan, menghormati tata kelola yang sudah Anda tetapkan, dan jawaban di dalam alur kerja yang sudah digunakan orang Anda - atau apakah itu satu tempat lagi untuk membangun kembali semua itu dan satu lagi sumber kebenaran untuk didamaikan.
Kotak obrolan tidak pernah menjadi bagian yang sulit. Mengetahui hal itu mengatakan yang sebenarnya.
Lihat JAS di BI Anda sendiri
Jika analitik Anda sudah hidup di lingkungan BI yang diatur, JAS tidak meminta Anda untuk membangunnya kembali - itu membaca lapisan semantik yang telah Anda investasikan dan jawaban di dalam dasbor yang sudah digunakan orang Anda.
Pesan walkthrough dengan tim kami dan lihat JAS, JASlet, dan panel JAS global yang bekerja melawan model yang diatur - dengan dukungan SLM lokal untuk lingkungan yang diatur.
Anda juga dapat menjelajahi kami Perbandingan BI Penuh untuk melihat bagaimana TURBOARD menumpuk di lebih banyak skenario perusahaan.
Blog
Bawa satu pertanyaan bisnis yang nyata. Lihat bagaimana TURBOARD menjawabnya.
Kami mendemonstrasikan JAS pada laporan Anda, definisi Anda, dan konteks keamanan Anda — bukan pada basis data contoh yang generik.