Szczere spojrzenie praktyka na poziomych agentów danych AI - Snowflake Cortex, Databricks Genie, Microsoft Fabric - i gdzie asystentka zintegrowana z BI, taka jak JAS, rzeczywiście wnosi wartość. Spoiler: okno czatu nigdy nie było najtrudniejsze.
Jeśli w ostatnim roku przesiedziałeś demo agenta danych, znasz jego kształt. Ktoś wpisuje „pokaż mi przychody według regionu w zeszłym kwartale” do pola czatu, czyste zapytanie SQL pisze się, pojawia się tabela, może wykres, a obecni kiwają głowami. To dobre demo. Jest pomyślane jako dobre demo.
Potem wracasz do własnego środowiska: 3000 raportów, nazwy tabel gromadzone przez czterdzieści lat i zrozumiałe dla kogoś w 2009 roku, zespół finansowy definiujący „aktywnego klienta” inaczej niż sprzedaż oraz specjalista ds. zgodności, który osobiście zakończy twoją karierę, jeśli dane pacjentów opuszczą budynek. Wtedy magia demonstracji zaczyna słabnąć.
Spędziliśmy dobry kawałek 2026 roku, obserwując, jak poziome agenty danych dojrzewają: Snowflake Cortex, Databricks Genie, agenci danych Microsoft Fabric i Copilot, a także rozwiązania, które ludzie samodzielnie składają z ClickHouse, LibreChat i magazynu wektorowego w ciągu weekendu. Są naprawdę imponujące i chcemy dać im prawdziwy kredyt, zanim powiemy, gdzie naszym zdaniem zawodzą - ponieważ uczciwa wersja tego porównania jest bardziej przydatna niż wersja broszury, a tak czy inaczej jest bardziej pochlebna dla podejścia BI-native.
Oto szczera wersja.
Te narzędzia znajdują się blisko Twoich surowych danych. To cała ich teza i jest dobra. Kiedy nigdy wcześniej nie zadano pytania - jakiś naprawdę nowatorski kawałek, którego nie przewidział żaden analityk - agent podłączony bezpośrednio do magazynu może analizować surowe tabele i spróbować na nie odpowiedzieć. Dla otwartej eksploracji, dla pracy z data-science, dla fazy „nawet nie wiem, czego jeszcze szukam”, ta bliskość lakehouse jest prawdziwą zaletą. Skalują się z twoimi komputerami. Nie obchodzi ich, że twoje pytanie jest dziwne.
Jeśli działasz głównie w Snowflake lub korzystasz z Fabric, historia integracji jest również czysta: agent działa wewnątrz platformy, za którą już płacisz, pod konfigurowanymi już kontrolami dostępu. Zarządzanie na poziomie magazynu jest prawdziwe - zasady dostępu do wiersza Snowflake, uprawnienia Databricks' Unity Catalog i Microsoft Purview w Fabric przenoszą się do agenta. Każdy, kto mówi ci, że ci agenci „zignorują twoje bezpieczeństwo”, coś ci sprzedaje. Nie ignorują bezpieczeństwa. Użytkownicy widzą wiersze, które mogą zobaczyć.
Tak więc: potężny, dobrze rządzony w warstwie danych, świetny do eksploracji. To jest sprawiedliwy punkt wyjścia.
Oto, czego nie pokazuje ci demo i o czym dostawcy są zaskakująco szczerzy po przeczytaniu marketingu.
Żaden z tych agentów nie jest magiczny na surowym schemacie. Są niezawodne dopiero po wykonaniu przez kogoś trudnej, mało efektownej pracy polegającej na zbudowaniu warstwy semantycznej na górze danych.
Snowflake mówi to prawie słowo w słowo w ich własnej dokumentacji: ogólny model ma trudności, gdy otrzymuje tylko schemat bazy danych, ponieważ schematy nie zawierają definicji biznesowych ani logiki metrycznej. Ich odpowiedzią jest model semantyczny — plik YAML (lub teraz widok semantyczny), w którym człowiek opisuje, co oznaczają tabele, które złączenia są prawidłowe, jak obliczana jest każda metryka, do czego faktycznie odnosi się „CUST_ID”. Bez tego wracasz do sprytnego autouzupełniania zgadywania na swoich ścieżkach połączenia. A Cortex sam jest dostarczany jako API; nie ma połączonego interfejsu, który użytkownicy biznesowi mogą po prostu otworzyć.
Genie Space to przestrzeń, którą analityk danych konfiguruje: zarejestruj tabele w Unity Catalog, ogranicz go do trzydziestu na miejsce, dodaj przykładowe zapytania SQL, napisz instrukcje, zdefiniuj „zaufane zasoby” — wstępnie zweryfikowane, sparametryzowane zapytania dla pytań, które przewidujesz. Genie najlepiej radzi sobie z pytaniami, które przewidziałeś i przygotowałeś. Odpowiedź powraca jako tabela wyników, a Databricks zauważa wyraźnie, że nietechniczny użytkownik często nie może dobrze odczytać wygenerowanego SQL, aby wiedzieć, czy jest to właściwe.
Microsoft Fabric mówi, aby odrabiać te same zadania domowe: zbuduj wybrany model semantyczny Power BI z relacjami i miarami zdefiniowanymi ręcznie, następnie podłącz do niego agenta danych. A jeśli udostępnisz tego agenta przez Copilot Studio lub M365, odpowiedzi mogą wyjść poza własną granicę zgodności i geografię Fabric - szczegół, który Twój zespół bezpieczeństwa będzie chciał wiedzieć wcześniej, a nie po.
Pole czatu jest łatwą częścią. Warstwa semantyczna jest rzeczywistym produktem.Każdy poziomy agent to cienka, genialna skorupa konwersacyjna owinięta wokół projektu modelowania, który musisz zbudować i utrzymać. Inteligencji nie ma w LLM. Tkwi ona w starannie przygotowanym opisie twojej firmy, który przekazujesz LLM.
Co przeformułowuje całe pytanie o zakup. To nie jest „czy to narzędzie ma AI?” Teraz wszystko ma AI. Prawdziwe pytanie brzmi: gdzie żyje twoja logika biznesowa, kto ją utrzymuje i w ilu miejscach musisz ją utrzymać?
W tym miejscu pojawia się JAS TURBOARD, a argument za nią jest prawie żenująco prosty, gdy powyższe kadrowanie jest na stole.
Jeśli już prowadzisz swoją analitykę w platformie BI, zbudowałeś już warstwę semantyczną. Twoje regulowane widoki, węzeł, opisy tabel i pól, obliczone miary, pulpity nawigacyjne, filtry, model uprawnień — to jest przygotowany kontekst biznesowy, który poziomi agenci każą zbudować od podstaw w YAML. JAS to asystentka, która odczytuje zasoby, za które już zapłaciłeś i które utrzymujesz, zamiast prosić o zbudowanie ich drugiej kopii w innym miejscu.
Z tego jednego faktu wynika kilka konsekwencji ważniejszych, niż mogłoby się wydawać:
Podłącz do hurtowni oddzielnego agenta danych, a teraz masz dwa systemy, które odpowiadają na to samo pytanie - certyfikowany pulpit nawigacyjny i okno czatu - bez gwarancji zgodności odpowiedzi. Kiedy asystentka działa wewnątrz warstwy BI i korzysta z tego samego zarządzanego modelu co pulpity nawigacyjne, odpowiedź na czacie i odpowiedź na pulpicie nawigacyjnym są tą samą odpowiedzią. Reguły zarządzania nie są powielane, nie rozchodzą się z czasem i nie zaczynają po cichu sobie przeczyć.
Agent poziomy przekazuje ci tabelę. Znika ona po zamknięciu karty. JAS produkuje natywne dashlety i pulpity nawigacyjne - interaktywne rzeczy, w które możesz wwiercić, filtrować i przypinać. Odpowiedź nie kończy się na „oto liczba”; staje się częścią powierzchni analitycznej, z której Twoja organizacja już korzysta jutro.
Agenci magazynowi egzekwują bezpieczeństwo na poziomie wierszy - kredyt tam, gdzie jest to należne. BI-natywna przewaga nie polega na tym, że „mamy bezpieczeństwo, a oni nie”. Chodzi o to, że nie utrzymujesz swojej logiki dostępu w dwóch miejscach i modlisz się, aby pozostali zsynchronizowani - i że w przypadku pracy regulowanej, JAS może działać na lokalnych modelach Small Language, więc monity i dane nigdy nie opuszczają Twojej infrastruktury.
Oddzielny „portal danych” brzmi świetnie w demo i umiera w codziennym użyciu, ponieważ korzystanie z niego oznacza opuszczenie pulpitu nawigacyjnego, ponowne opisanie tego, na co patrzyłeś i powrót. JAS pojawia się w punkcie konsumpcji — na pulpicie nawigacyjnym, obok dashletu, w globalnym okienku — więc pytanie i dane żyją w tym samym miejscu.
Ostatni punkt to miejsce, w którym dwa najnowsze elementy JAS sprawiają, że abstrakcja jest konkretna.
Widget JAS umieszczasz bezpośrednio na pulpicie nawigacyjnym. Odczytuje stan pulpitu lub konkretnego dashletu, podsumowuje go, wyjaśnia i odpowiada na pytania uzupełniające o treść ekranu. Przydatny szczegół: dla każdego widgetu ustawiasz personę. Ten sam pulpit sprzedaży można wyjaśnić inaczej audytorowi finansowemu, który potrzebuje precyzyjnych liczb z niezbędnymi zastrzeżeniami, a inaczej kierownikowi operacyjnemu, który chce poznać trend i jego praktyczne znaczenie. Wyjaśnienie przestaje być ogólnym akapitem AI i uwzględnia rolę użytkownika.
Rozwiązuje problem, który tłum agentów poziomych w większości ignoruje, ponieważ cały ich światopogląd to „wygenerowanie odpowiedzi z surowych danych”. W dojrzałej organizacji odpowiedź zazwyczaj już istnieje. Ktoś już zbudował certyfikowany pulpit. Prawdziwym problemem nie jest generowanie odpowiedzi – to odkrycie: znalezienie jednego godnego zaufania widoku wśród tysięcy raportów.
Okienko JAS pozwala zadać pytanie z dowolnego miejsca na platformie. Korzystając z generowania wspomaganego wyszukiwaniem w opisach węzłów, tabel i pól oraz rzeczywistych wzorców użytkowania, znajduje najbardziej odpowiednią, najczęściej używaną prezentację lub pulpit nawigacyjny, stosuje odpowiedni filtr i umieszcza odpowiedź przed tobą w ciągu kilku sekund. Nie generuje odpowiedzi od podstaw w nadziei, że będzie zgodna z oficjalną - kieruje cię do zaufanego zasobu i filtruje go do twojego pytania. Agent tekst-sqL z radością przepisze zapytanie, które analityk już udoskonalił i certyfikował miesiące temu, być może inaczej. Okienko JAS kieruje cię do certyfikowanego zasobu. W zatłoczonym środowisku jest to różnica między asystentką a źródłem ryzyka.
Powiedzieliśmy, że będziemy szczerzy, więc: są prawdziwe przypadki, w których sięgniemy po Cortex lub Genie lub agenta Fabric zamiast po asystenta zintegrowanego z BI.
| Jeśli twoja sytuacja jest... | Lepsze dopasowanie to... |
|---|---|
| Dane nie są jeszcze modelowane w narzędziu BI - znajdują się w lakehouse, użytkownicy są naukowcami zajmującymi się danymi, którzy prowadzą otwarte badania na podstawie surowych tabel na dużą skalę | Agent zintegrowany z hurtownią, działający bezpośrednio przy zasobach obliczeniowych |
| Wartość, której potrzebujesz, to „zadaj dowolne pytanie o surowe dane, w tym pytania, których nikt nie przewidział” | Bliskość magazynu wygrywa |
| Jesteś all-in na ekosystemie jednej platformy chmurowej i nigdy nie planujesz odejść | Natywna integracja jest naprawdę wygodna |
| Twoja analityka żyje już na zarządzanej platformie BI, używanej codziennie przez decydentów biznesowych | Asystentka zintegrowana z BI, taka jak JAS, ponownie używa warstwy, którą już zbudowałeś |
JAS też nie jest czarem. Jej jakość zależy od modelowania semantycznego, na którym się opiera - widoki, opisy, miary. Jeśli są niechlujne, JAS będzie niedokładna. Szczera symetria jest taka: Oba podejścia zależą od dobrze zbudowanej warstwy semantycznej. Różnica polega na tym, że z platformą BI najprawdopodobniej już ją zbudowałeś i utrzymałeś, a BI-natywny asystent ponownie ją wykorzystuje - podczas gdy agent poziomy prosi o zbudowanie (lub odbudowa) tej warstwy jako oddzielny artefakt, a następnie utrzymanie jej równolegle na zawsze.
Najczystszy sposób, w jaki to umieściliśmy: poziome agenty danych pozwalają rozmawiać ze swoimi danymi. To jest cenne. Ale inteligencja biznesowa nigdy nie była tylko tabelami i zapytaniami. To zarządzane modele, pulpity nawigacyjne, filtry, konwencje wizualne, uprawnienia, persony i dekada pamięci instytucjonalnej o tym, któremu raportowi faktycznie ufasz.
Bi-natywny asystent pozwala ci rozmawiać ze swoim BI — z całym zarządzanym środowiskiem, a nie tylko z bazą danych pod nim.
Jeśli Twoja analityka już żyje na platformie BI, semantyczną podstawą, która sprawia, że każdy asystent AI jest godny zaufania, jest praca, którą już wykonałeś. Pytanie, które warto zadać sprzedawcy, nie brzmi, czy dodał okno czatu. Każdy ma. Chodzi o to, czy ich sztuczna inteligencja rozumie biznes, który już modelujesz, szanuje zarządzanie, które już ustalasz, i odpowiada na przepływ pracy, z którego korzystają już Twoi ludzie - lub czy jest to jeszcze jedno miejsce, w którym można to wszystko odbudować i jeszcze jedno źródło prawdy do pogodzenia.
Skrzynka na czat nigdy nie była najtrudniejsza. Trudne jest ustalenie, czy mówi ci prawdę.
Jeśli Twoja analityka już żyje w zarządzanym środowisku BI, JAS nie prosi Cię o jego odbudowę - odczytuje warstwę semantyczną, w którą już zainwestowałeś, i odpowiada w pulpitach nawigacyjnych, z których korzystają już Twoi ludzie.
Umów prezentację z naszym zespołem i zobacz JAS, JASlet i globalne okienko JAS działające na zarządzanym modelu - z lokalną obsługą SLM dla środowisk regulowanych.
Możesz również poznać nasze Pełne porównanie BI aby zobaczyć, jak TURBOARD wypada w większej liczbie scenariuszy przedsiębiorstwa.
Demonstrujemy JAS na Twoich raportach, definicjach i kontekście bezpieczeństwa — nie na ogólnej, przykładowej bazie.