De chatbox was nooit het echte probleem: BI-native AI vs. horizontale data-agents

Turner · 2026/06/12

BI Strategie & GenAI

De eerlijke blik van een beoefenaar op horizontale AI-gegevensagenten - Snowflake Cortex, Databricks Genie, Microsoft Fabric - en waar een BI-native assistente zoals JAS daadwerkelijk haar waarde bewijst. Spoiler: de chatbox was nooit het moeilijke deel.

Als u het afgelopen jaar een demo van een data-agent hebt bijgewoond, kent u het verloop. Iemand typt "laat me inkomsten per regio zien vorig kwartaal" in een chatbox, een schone SQL-query schrijft zichzelf, een tabel verschijnt, misschien een grafiek en de aanwezigen knikken. Het is een goede demo. Het is verondersteld een goede demo te zijn.

Dan ga u terug naar uw eigen omgeving - degene met 3.000 rapporten, veertig jaar van verzamelde tabelnamen die logisch waren voor iemand in 2009, een financieel team dat "actieve klant" anders definieert dan de verkoop, en een compliance officer die u persoonlijk uw carrière zal beëindigen als patiëntgegevens het gebouw verlaten - en de demomagie wordt stiller.

We hebben een groot deel van 2026 gekeken naar de horizontale gegevensagenten die volwassen zijn: Snowflake Cortex, Databricks Genie, Microsoft Fabric's data agents en Copilot, en de systemen die mensen zelf samenstellen met ClickHouse, LibreChat, een vectoropslag en een weekend. Ze zijn echt indrukwekkend en we willen ze echt krediet geven voordat we u vertellen waar ze volgens ons tekortschieten - omdat de eerlijke versie van deze vergelijking nuttiger is dan de brochureversie, en het is toevallig toch vleiender voor de BI-native benadering.

Hier is de eerlijke versie.

Waar de horizontale agenten eigenlijk goed in zijn

Deze tools zitten dicht bij uw ruwe gegevens. Dat is hun hele uitgangspunt, en het is een goede. Wanneer een vraag nooit eerder is gesteld - een werkelijk nieuwe invalshoek dat geen analist had verwacht - kan een agent die rechtstreeks in het magazijn is aangesloten, de ruwe tabellen analyseren en proberen het te beantwoorden. Voor open verkenning, voor data-science werk, voor de “Ik weet nog niet eens wat ik zoek” fase, is die nabijheid van het lakehouse een echt voordeel is. Ze schalen met uw rekenkracht. Het kan ze niet schelen dat uw vraag raar is.

Als u een organisatie bent die vooral Snowflake gebruikt of in Fabric werkt, is het integratieverhaal ook schoon: de agent loopt in het platform waarvoor u al betaalt, onder de toegangsbesturingselementen die u al hebt geconfigureerd. Het bestuur op magazijnniveau is echt - het rijtoegangsbeleid van Snowflake, de Unity Catalog-machtigingen van Databricks en Microsoft Purview in Fabric dragen allemaal door naar de agent. Iedereen die u vertelt dat deze agenten “uw beveiliging negeren”, probeert u iets te verkopen. Ze doen het niet. Gebruikers zien de rijen die ze mogen zien.

Dus: krachtig, goed bestuurd bij de datalaag, geweldig voor verkenning. Dat is het eerlijke uitgangspunt.

Het ding dat nooit op de dia is

Dit is wat de demo u niet laat zien en waar de leveranciers verrassend openhartig over zijn als u eenmaal voorbij de marketing hebt gelezen.

Geen van deze agenten is magisch op een rauw schema. Ze zijn pas betrouwbaar nadat iemand het lastige, weinig opvallende werk heeft gedaan om een semantische laag bovenop de gegevens te bouwen.

Sneeuw
vlok

Snowflake Cortex

“Het semantische model maakt Cortex Analyst accuraat.”

Snowflake zegt dit bijna woord voor woord in hun eigen documentatie: een generiek model heeft moeite als het alleen een databaseschema krijgt, omdat schema's geen bedrijfsdefinities of metrische logica bevatten. Hun antwoord is het semantische model - een YAML-bestand (of nu een semantische weergave) waar een mens codeert wat de tabellen betekenen, welke joins geldig zijn, hoe elke metriek wordt berekend, waar “CUST_ID” eigenlijk naar verwijst. Zonder dat ben u terug bij een slimme autocomplete die uw joinpaden raadt. En Cortex zelf wordt geleverd als een API; er is geen gebundelde interface die uw zakelijke gebruikers zomaar kunnen openen.

Gegevens
bakstenen

Databricks Genie

Hetzelfde verhaal in verschillende kleding.

Een Genie Space is een omgeving die een data-analist configureert: registreer de tabellen in Unity Catalog, beperk het aantal tot dertig per ruimte, voeg voorbeeld SQL-query's toe, schrijf instructies, definieer "vertrouwde activa" - vooraf geverifieerde, geparametriseerde query's voor de vragen die u verwacht. Genie doet het het beste op de vragen die u hebt voorzien en voorbereid. Het antwoord komt terug als een tabel met resultaten en Databricks merkt duidelijk op dat een niet-technische gebruiker de gegenereerde SQL vaak niet goed genoeg kan lezen om te weten of het juist is.

MS
Stof

Microsoft Fabric

Zelfde huiswerk, plus een compliance voetnoot.

Microsoft Fabric vertelt u om hetzelfde huiswerk te doen: bouw een samengesteld Power BI semantisch model met relaties en meetwaarden die met de hand worden gedefinieerd, daarna koppelt u er een data-agent aan. En als u die agent beschikbaar stelt via Copilot Studio of M365, kunnen de reacties buiten de eigen nalevingsgrens en geografie van Fabric reizen - een detail dat uw beveiligingsteam eerder wil weten, niet daarna.

De chatbox is het makkelijke gedeelte. De semantische laag is het eigenlijke product.Elke horizontale agent is een dunne, briljante conversationele shell gewikkeld rond een modelleringsproject dat u moet bouwen en onderhouden. De intelligentie zit niet in de LLM. Ze zit in de zorgvuldig samengestelde beschrijving van uw bedrijf die u aan de LLM geeft.

Wat de hele koopvraag herkadert. Het is niet “heeft deze tool AI?” Alles heeft nu AI. De echte vraag is: waar woont uw bedrijfslogica, wie onderhoudt het, en in hoeveel plaatsen moet u het onderhouden?

Waarom “BI-Native” een ander antwoord is

Dit is waar TURBOARD's JAS binnenkomt, en het argument ervoor is bijna gênant eenvoudig zodra de framing hierboven op tafel ligt.

Als u uw analyses al in een BI-platform uitvoert, hebt u de semantische laag al gebouwd. Uw beheerste weergaven, uw knooppunt, tabel en veldbeschrijvingen, uw berekende meetwaarden, uw dashboards, uw filters, uw machtigingsmodel — dat is de samengestelde bedrijfscontext die horizontale agenten u vragen vanaf nul op te bouwen in YAML. JAS is een assistente die het analyseobject leest waarvoor u al hebt betaald en dat u onderhoudt, in plaats van u te vragen om er ergens anders een tweede kopie van te bouwen.

Uit dat ene feit volgen enkele gevolgen die belangrijker zijn dan ze klinken:

Een bron van waarheid, niet twee

Koppel een afzonderlijke data-agent aan een datawarehouse en u hebt nu twee systemen die dezelfde vraag beantwoorden - het gecertificeerde dashboard en de chatbox - zonder garantie dat hun antwoorden overeenkomen. Wanneer de assistente binnen de BI-laag werkt en hetzelfde beheerde model gebruikt als de dashboards, zijn het antwoord in de chat en het antwoord op het dashboard gelijk. Governanceregels worden niet gedupliceerd, groeien niet uit elkaar en spreken elkaar niet ongemerkt tegen.

De output is een asset, geen ontvangstbewijs

Een horizontale agent geeft u een tabel. Het is weg als u het tabblad sluit. JAS produceert native dashlets en dashboards - interactieve dingen waarin u details kunt onderzoeken, filteren en pinnen. Het antwoord stopt niet bij “hier is het nummer”; het wordt onderdeel van het analyseoppervlak dat uw organisatie morgen al gebruikt.

Governance die u niet hoeft te herbouwen

De magazijnagenten dwingen beveiliging op rijniveau af - krediet waar verschuldigd. De BI-native edge is niet “we hebben veiligheid en zij niet.” Het is dat u uw toegangslogica niet op twee plaatsen onderhoudt en bidt dat ze synchroon blijven - en dat voor gereguleerd werk, JAS op on-premise kleine taalmodellen kan draaien, zodat prompts en gegevens uw infrastructuur helemaal nooit verlaten.

Het Is Waar Mensen Al Werken

Een apart "dataportaal" klinkt geweldig in een demo en sterft in dagelijks gebruik, omdat het gebruik ervan betekent dat u uw dashboard verlaat, opnieuw beschrijft waar u naar keek en terugkomt. JAS verschijnt op het punt van consumptie - in het dashboard, naast het dashlet, in een algemeen deelvenster - zodat de vraag en de gegevens op dezelfde plaats leven.

Dat laatste punt is waar de twee nieuwste stukken van JAS de abstractie concreet maken.

JASlet & het JAS-deelvenster: het deel dat moeilijk te kopiëren is

De JASlet

Een JAS-widget die u rechtstreeks in een dashboard plaatst. Die leest de huidige staat van het dashboard of een specifiek dashlet, vat de inhoud samen, legt deze uit en beantwoordt vervolgvragen over wat er op het scherm staat. Een nuttig detail: u stelt per widget een persona in. Hetzelfde verkoopdashboard kan anders worden uitgelegd aan een financiële auditor die precieze cijfers met de nodige kanttekeningen wil dan aan een operationsmanager die de trend en de praktische betekenis wil begrijpen. Dashboarduitleg wordt zo afgestemd op de rol van de gebruiker in plaats van een generieke AI-alinea te blijven.

Het algemene JAS-deelvenster

Het pakt een probleem aan dat de horizontale-agent menigte meestal negeert, omdat hun hele wereldbeeld “het antwoord genereert uit ruwe gegevens”. In een volwassen organisatie bestaat het antwoord meestal al. Iemand heeft het gecertificeerde dashboard al gebouwd. Het eigenlijke probleem is niet generatie - het is ontdekking: het vinden van de ene betrouwbare kijk onder duizenden rapporten.

Met het JAS-deelvenster kunt u een vraag stellen van overal in het platform. Met behulp van retrieval-augmented generatie over knooppunt, tabel en veldbeschrijvingen plus echte gebruikspatronen, vindt het de meest relevante, meest gebruikte showcase of dashboard, past het juiste filter toe en plaatst het antwoord in enkele seconden voor u. Het regenereert geen antwoord vanaf nul en hoopt dat het overeenkomt met de officiële - het leidt u naar het vertrouwde analyseobject en filtert het op uw vraag. Een tekst-naar-SQL-agent zal vrolijk een vraag herschrijven die een analist al maanden geleden heeft geperfectioneerd en gecertificeerd, mogelijk anders. Het JAS-deelvenster verwijst u naar het gecertificeerde analyseobject. In een drukke omgeving is dat het verschil tussen een assistente en een risico.

Wanneer de horizontale agent de juiste keuze is

We zeiden dat we eerlijk zouden zijn, dus: er zijn echte gevallen waarin we Cortex, Genie of een Fabric-agent zouden verkiezen boven een BI-native assistent.

Als uw situatie is... De beste keuze is...
Gegevens die nog niet zijn gemodelleerd in een BI-tool - ze staan in een lakehouse, gebruikers zijn gegevenswetenschappers die open verkenning doen tegen ruwe tabellen op schaal Een datawarehouse-agent die direct bij de rekenresources werkt
De waarde die u nodig hebt is “stel elke vraag van de ruwe gegevens, inclusief vragen die niemand had verwacht” Nabijheid van het magazijn wint
U bent all-in op het ecosysteem van één cloudplatform en bent nooit van plan om te vertrekken De native integratie is echt handig
Uw analyses leven al in een bestuurd BI-platform, dagelijks gebruikt door zakelijke besluitvormers Een BI-native assistente zoals JAS hergebruikt de laag die u al hebt gebouwd

En JAS is ook geen tovenarij. Haar kwaliteit hangt af van de onderliggende semantische modellering - de weergaven, de beschrijvingen, de meetwaarden. Als die slordig zijn, zal JAS slordig zijn. De eerlijke symmetrie is dit: beide benaderingen zijn afhankelijk van een goed gebouwde semantische laag. Het verschil is dat u met een BI-platform er waarschijnlijk al een hebt gebouwd en onderhouden, en een BI-native assistent hergebruikt het - terwijl een horizontale agent u vraagt om die laag als een afzonderlijk artefact te bouwen (of opnieuw op te bouwen) en deze vervolgens voor altijd parallel te houden.

Conclusie

De schoonste manier die we hebben gevonden om het te zeggen: horizontale gegevensagenten laten u met uw gegevens praten. Dat is waardevol. Maar business intelligence was nooit alleen tabellen en vragen. Het omvat beheerde modellen, dashboards, filters, visuele conventies, machtigingen, persona's en een decennium van institutioneel geheugen over welk rapport u daadwerkelijk vertrouwt.

Een BI-native assistente laat u met uw BI-omgeving praten — de gehele bestuurde omgeving, niet alleen de gegevensbank onder haar.

Als uw analyses al in een BI-platform leven, is het semantische grondwerk dat elke AI-assistent betrouwbaar maakt, werk dat u al hebt gedaan. De vraag die de moeite waard is om een leverancier te stellen, is niet of ze een chatbox hebben toegevoegd. Dat heeft iedereen gedaan. Het gaat erom of hun AI het bedrijf begrijpt dat u al hebt gemodelleerd, het ingestelde governancebeleid respecteert en antwoordt in de workflow die uw medewerkers al gebruiken - of dat het nog een plek is om dat allemaal opnieuw op te bouwen en nog een bron van waarheid die u moet afstemmen.

De chatbox was nooit het moeilijke deel. Het moeilijke is weten dat het antwoord klopt.

Zie JAS op uw eigen BI

Als uw analyses al in een bestuurde BI-omgeving leven, vraagt JAS u niet om deze opnieuw op te bouwen - zij leest de semantische laag waarin u al hebt geïnvesteerd en antwoordt in de dashboards die uw mensen al gebruiken.

Boek een walkthrough met ons team en zie JAS, de JASlet en het algemene JAS-deelvenster werken met een bestuurd model - met on-premise SLM-ondersteuning voor gereguleerde omgevingen.

U kunt ook onze Volledige BI-vergelijking bekijken om te zien hoe TURBOARD zich verhoudt in meer bedrijfsscenario's.

Breng één echte bedrijfsvraag mee. Zie hoe TURBOARD die beantwoordt.

We demonstreren JAS op uw rapporten, uw definities en uw beveiligingscontext — niet op een generieke voorbeelddatabase.

Are you curious?