De eerlijke blik van een beoefenaar op horizontale AI-gegevensagenten - Snowflake Cortex, Databricks Genie, Microsoft Fabric - en waar een BI-native assistent zoals JAS daadwerkelijk zijn keep verdient. Spoiler: de chatbox was nooit het moeilijke deel.
Als je het afgelopen jaar door een data-agent demo hebt gezeten, weet je de vorm ervan. 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 kamer knikt. Het is een goede demo. Het is verondersteld een goede demo te zijn.
Dan ga je terug naar je eigen omgeving - degene met 3.000 rapporten, veertig jaar van verzamelde tafelnamen die logisch waren voor iemand in 2009, een financieel team dat "actieve klant" anders definieert dan de verkoop, en een compliance officer die je persoonlijk 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 build-it-yourself stapelt mensen samen uit ClickHouse, LibreChat, een vectorwinkel en een weekend. Ze zijn echt indrukwekkend en we willen ze echt krediet geven voordat we je vertellen waar we denken dat ze vallen - 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 scriptie, en het is een goede. Wanneer een vraag nooit eerder is gesteld - een echt nieuw plakje dat geen analist had verwacht - kan een agent die rechtstreeks in het magazijn is aangesloten, reden over de ruwe tafels gaan en proberen het te beantwoorden. Voor open verkenning, voor data-science werk, voor de “Ik weet nog niet eens wat ik zoek” fase, dat de nabijheid van het meerhuis een echt voordeel is. Ze schalen met je rekenwerk. Het kan ze niet schelen dat je vraag raar is.
Als u een Snowflake-native winkel bent of in Fabric woont, 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 je deze agenten vertelt “negeer je veiligheid” verkoopt je iets. 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 je niet laat zien en waar de leveranciers verrassend openhartig over zijn als je eenmaal voorbij de marketing hebt gelezen.
Geen van deze agenten is magisch op een rauw schema. Ze zijn alleen betrouwbaar na iemand heeft het harde, niet glamoureuze werk gedaan om een semantische laag bovenop de gegevens te bouwen.
vlok
Snowflake Cortex
“Het semantische model maakt Cortex Analyst accuraat.”Snowflake zegt dit bijna woord voor woord in hun eigen documentatie: een generiek model overhandigde niets anders dan een databaseschema worstelt, 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 gemiddelde, die joins zijn geldig, hoe elke metriek wordt berekend, waar “CUST_ID” eigenlijk naar verwijst. Zonder dat ben je terug bij een slimme autocomplete die naar je paden gaat. En Cortex zelf wordt geleverd als een API; er is geen gebundelde interface die uw zakelijke gebruikers zomaar kunnen openen.
bakstenen
Databricks Genie
Hetzelfde verhaal in verschillende kleding.Een Genie Space is iets wat een data-analist is configureert: registreer de tabellen in Unity Catalog, dep deze op 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 je zag komen en samengesteld voor. 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.
Stof
Microsoft-stof
Zelfde huiswerk, plus een compliance voetnoot.Microsoft Fabric vertelt je om hetzelfde huiswerk te doen: bouw een samengesteld Power BI semantisch model met relaties en maatregelen die met de hand worden gedefinieerd, dan een dataagent erop wijzen. En als u die agent opduikt 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 je moet bouwen en onderhouden. De intelligentie zit niet in de LLM. Het staat in de samengestelde beschrijving van uw bedrijf dat u de LLM voedt.
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, Je hebt de semantische laag al gebouwd. Uw beheerste weergaven, uw knooppunt, tabel en veldbeschrijvingen, uw berekende maatregelen, uw dashboards, uw filters, uw machtigingsmodel — dat is de samengestelde zakelijke context de horizontale agenten vragen u om te gaan bouwen van nul in YAML. JAS is een assistent die het actief leest dat je al hebt betaald en onderhouden, in plaats van je te vragen om er ergens anders een tweede kopie van te bouwen.
Dat ene feit valt in een paar dingen die er meer toe doen dan dat ze klinken:
Een bron van waarheid, niet twee
Vergrendel een aparte data-agent in een magazijn en je hebt nu twee systemen die dezelfde vraag beantwoorden - het gecertificeerde dashboard en de chatbox - zonder dat ze het eens zijn. Wanneer de assistent woont binnen de BI-laag en redenen door hetzelfde geregiseerde model dat de dashboards gebruiken, het antwoord in de chat en het antwoord op het dashboard zijn hetzelfde antwoord. Bestuur dupliceert niet, drift, dan rustig oneens.
De output is een asset, geen ontvangstbewijs
Een horizontale agent geeft je een tafel. Het is weg als je het tabblad sluit. JAS produceert native dashlets en dashboards - interactieve dingen waar je in kunt boren, 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 je 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 dashboard, in een wereldwijd 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
Een JAS widget die je direct in een dashboard laat vallen. Het leest de huidige staat van dat dashboard - of een specifiek dashboard - en vat het samen, legt het uit of neemt vervolgvragen over wat er precies op het scherm staat. Het detail dat we leuk vinden: je stelt een persona per widget. Hetzelfde verkoopdashboard kan op één manier worden uitgelegd voor een financiële auditor die de cijfers strak en kant-en-kant, en een andere manier voor een operations manager die de trend wil en de “so what.” Dashboard uitleg stopt met een generieke AI-paragraaf te zijn en wordt role-aware.
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 winkel, het antwoord meestal bestaat 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 de vertrouwde troef 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. De JAS-ruit wijst je op de gecertificeerde. In een drukke omgeving is dat het verschil tussen een assistent en een aansprakelijkheid.
Wanneer de horizontale agent de juiste oproep is
We zeiden dat we eerlijk zouden zijn, dus: er zijn echte gevallen waarin we naar Cortex of Genie of een Fabric-agent zouden reiken via een BI-native assistent.
| Als je situatie is... | De betere pasvorm is... |
|---|---|
| Gegevens die nog niet zijn gemodelleerd in een BI-tool - het leeft in een meerhuis, gebruikers zijn gegevenswetenschappers die open verkenning doen tegen ruwe tabellen op schaal | Een magazijn-inheems agent die precies op de rekenkamer zit |
| De waarde die je nodig hebt is “stel elke vraag van de ruwe gegevens, inclusief vragen die niemand had verwacht” | Nabijheid van het magazijn wint |
| Je 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 assistent zoals JAS hergebruikt de laag die je al hebt gebouwd |
En JAS is ook geen tovenarij. Het is precies zo goed als de semantische modellering eronder - de weergaven, de beschrijvingen, de maatregelen. 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 je met een BI-platform er waarschijnlijk al een hebt gebouwd en onderhouden, en een BI-native assistent hergebruikt het - terwijl een horizontale agent je vraagt om die laag als een afzonderlijk artefact te bouwen (of opnieuw op te bouwen) en deze vervolgens voor altijd parallel te houden.
De onderste lijn
De schoonste manier die we hebben gevonden om het te zeggen: horizontale gegevensagenten laten u Praat met je gegevens. Dat is waardevol. Maar business intelligence was nooit alleen tabellen en vragen. Het is bestuurde modellen, dashboards, filters, visuele conventies, machtigingen, persona's en een decennium van institutioneel geheugen over welk rapport u daadwerkelijk vertrouwt.
Een BI-native assistent laat je Praat met je BI — 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. Iedereen heeft. Het is of hun AI het bedrijf begrijpt dat je al hebt gemodelleerd, respecteert het bestuur dat je al hebt ingesteld en antwoorden in de workflow die je mensen al gebruiken - of dat het nog een plek is om dat allemaal opnieuw op te bouwen en nog een bron van waarheid om je te verzoenen.
De chatbox was nooit het moeilijke deel. Weten dat het je de waarheid vertelt is.
Zie JAS op je eigen BI
Als uw analyses al in een bestuurde BI-omgeving leven, vraagt JAS u niet om deze opnieuw op te bouwen - het leest de semantische laag waarin u al hebt geïnvesteerd en antwoorden in de dashboards die uw mensen al gebruiken.
Boek een walkthrough met ons team en zie JAS, de JASlet en het wereldwijde JAS-deelvenster werken tegen een bestuurd model - met on-premise SLM-ondersteuning voor gereguleerde omgevingen.
U kunt ook onze verkennen Volledige BI-vergelijking om te zien hoe TURBOARD zich opstapelt in meer bedrijfsscenario's.
Blogs
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.