Честный взгляд практикующего на горизонтальные агенты данных ИИ — Snowflake Cortex, Databricks Genie, Microsoft Fabric — и где BI-местный помощник, такой как JAS, на самом деле зарабатывает свое содержание. Спойлер: коробка чата никогда не была самой сложной частью.
Если вы просматривали демонстрацию агента данных в прошлом году, вы знаете ее форму. Кто-то набирает «покажите мне доход по региону в прошлом квартале» в чат-бокс, чистый запрос SQL записывает себя, появляется таблица, может быть, диаграмма, и комната кивает. Это хорошая демонстрация. Это Предполагаемый Чтобы быть хорошей демо.
Затем вы возвращаетесь в свою собственную среду — с 3,000 отчетов, сорок лет накопленных названий столов, которые имели смысл для кого-то в 2009 году, финансовая команда, которая определяет «активного клиента» иначе, чем продажи, и сотрудник по соответствию, который лично покончит с вами, если данные о пациентах покинут здание, и демо-магия становится тише.
Мы провели хорошую часть 2026 года, наблюдая, как горизонтальные агенты данных созревают: Snowflake Cortex, Databricks Genie, агенты данных Microsoft Fabric и Copilot, а также склады сборки самостоятельно людей собираются из ClickHouse, LibreChat, векторного магазина и выходных. Они действительно впечатляют, и мы хотим отдать им должное, прежде чем сказать вам, где, по нашему мнению, они падают, потому что честная версия этого сравнения более полезна, чем версия брошюры, и это в любом случае более лестно для подхода BI-родного.
А вот и честная версия.
В чем на самом деле хороши горизонтальные агенты
Эти инструменты находятся рядом с вашими необработанными данными. Это их тезис, и он хороший. Когда вопрос никогда не задавался раньше — какой-то действительно новый срез, который не ожидал аналитика — агент, подключенный прямо к складу, может пойти на необработанные столы и попытаться ответить на него. Для открытого исследования, для работы в области науки о данных, для фазы «я еще даже не знаю, что я ищу», эта близость к озерному дому является реальным преимуществом. Они масштабируются с вашей вычислительностью. Им все равно, что ваш вопрос странный.
Если вы являетесь магазином Snowflake или живете в Fabric, история интеграции также чиста: агент работает внутри платформы, за которую вы уже платите, под контроль доступа, который вы уже настроили. Управление на складском уровне реально - политика доступа Snowflake, разрешения Databricks Unity Catalog и Microsoft Purview в Fabric - все это доходит до агента. Любой, кто говорит вам, что эти агенты «игнорируют вашу безопасность», продает вам что-то. Они не делают. Пользователи видят ряды, которые им разрешено видеть.
Итак: мощный, хорошо управляемый на уровне данных, отлично подходит для исследования. Это – справедливая отправная точка.
То, что никогда не бывает на скольжении
Вот что демо не показывает вам, и о чем продавцы удивительно откровенны, когда вы читаете мимо маркетинга.
Ни один из этих агентов не является магией в сырой схеме. Они только надежны после кто-то сделал тяжелую, негламурную работу по созданию семантического слоя поверх данных.
хлопья
Кора Snowflake
«Семантическая модель — это то, что делает Cortex Analyst точным».Snowflakeа говорит это почти слово в слово в их собственной документации: дженерик модели не вручал ничего, кроме схемы базы данных, потому что схемы не содержат бизнес-определений или метрической логики. Их ответом является семантическая модель — файл YAML (или теперь семантический взгляд), где человек кодирует то, что стоит средний, которые присоединяются действительны, как рассчитывается каждая метрика, к чему на самом деле ссылается «CUST_ID». Без этого вы возвращаетесь к умному автозаполнению, угадывая свои пути. И сама Cortex поставляется в качестве API; нет связного интерфейса, который ваши бизнес-пользователи могут просто открыть.
кирпичи
Джинные Databricks
Такая же история в разных одеждах.Пространство Джинна - это то, что аналитик данных Конфигурации: зарегистрируйте таблицы в Unity Catalog, украсьте его на тридцать за пространство, добавьте примеры SQL-запросов, напишите инструкции, определите «доверенные активы» — предварительно проверенные, параметризованные запросы по тем вопросам, которые вы ожидаете. Джинни лучше всего справляется с вопросами, которые вы видели и для которых курировали. Ответ возвращается в качестве таблицы результатов, и Databricks прямо отмечает, что нетехнический пользователь часто не может прочитать сгенерированный SQL достаточно хорошо, чтобы знать, правильно ли это.
Ткань
Microsoft Fabric
То же домашнее задание, плюс сноска соответствия.Microsoft Fabric говорит вам сделать то же самое домашнее задание: построить кураторскую семантическую модель Power BI с отношениями и мерами, определенными вручную, затем Направьте на него агент данных. И если вы всплывете этот агент через Copilot Studio или M365, ответы могут выйти за пределы собственной границы и географии соответствия Fabric - деталь, которую ваша команда безопасности захочет знать раньше, а не после.
Чат-бокс - самая легкая часть. Семантический слой – это фактический продукт.Каждый горизонтальный агент - это тонкая, блестящая разговорная оболочка, обернутая вокруг модельного проекта, который вы должны построить и поддерживать. Разведки не в LLM. Именно в кураторском описании вашего бизнеса вы кормите LLM.
Что переосмысливает весь вопрос о покупке. Это не «есть ли у этого инструмента ИИ?» Сейчас у всего есть Ии. Реальный вопрос: где живет ваша бизнес-логика, кто ее поддерживает, и в каком количестве мест вы должны поддерживать ее?
Почему «Bi-Native» — это другой ответ
Именно здесь появляется JAS TURBOARD, и аргумент в пользу этого почти смущающе прост, как только вышеприведенная обрамление находится на столе.
Если вы уже используете свою аналитику на платформе BI, Вы уже построили семантический слой. Ваши управляемые взгляды, ваш узел, стол и полевые описания, ваши расчетные меры, ваши приборные панели, ваши фильтры, модель вашего разрешения - что Является ли кураторский бизнес-контекст, который горизонтальные агенты просят вас построить с нуля в YAML. JAS - это помощник, который читает актив, за который вы уже заплатили и поддерживаете, вместо того, чтобы просить вас построить вторую его копию в другом месте.
Этот единственный факт каскадирует в несколько вещей, которые имеют большее значение, чем они звучат:
Один источник истины, а не два
Установите отдельного агента данных на складе, и теперь у вас есть две системы, отвечающие на один и тот же вопрос — сертифицированная панель инструментов и окно чата — без каких-либо гарантий, что они согласны. Когда ассистент живет Внутри BI слой и причины через ту же управляемую модель, которую используют панели управления, ответ в чате и ответ на приборной панели - один и тот же ответ. Управление не дублирует, не дрейфует, а потом тихо не соглашается.
Выход - это актив, а не квитанция
Горизонтальный агент протягивает вам стол. Он исчез, когда вы закрываете вкладку. JAS производит нативные пушистые и приборные панели — интерактивные вещи, которые вы можете сверлить, фильтровать и пин-код. Ответ не останавливается на «вот номер»; он становится частью аналитической поверхности, которую ваша организация уже использует завтра.
Управление, которое вам не нужно восстанавливать
Агенты склада обеспечивают безопасность на уровне ряда — кредит там, где это необходимо. Край BI-родного - это не "у нас есть безопасность, а они нет". Это то, что вы не поддерживаете свою логику доступа в двух местах и молитесь, чтобы они оставались в синхронизации - и что для регулируемой работы JAS может работать на небольших языковых моделях, поэтому подсказки и данные никогда не покидают вашу инфраструктуру вообще.
Это Место, Где Люди Уже Работают
Отдельный «портал данных» звучит великолепно в демо и умирает в ежедневном использовании, потому что его использование означает оставление вашей приборной панели, повторное описание того, на что вы смотрели, и возвращение. JAS появляется в точке потребления — в приборной панели, рядом с перемычкой, в глобальной панели — поэтому вопрос и данные живут в одном и том же месте.
В этом последнем пункте два новейших кусочка JAS делают абстракцию конкретной.
JASlet и JAS Pane: часть, которую трудно скопировать
Виджет JAS вы бросаете прямо в приборную панель. Он читает текущее состояние этой приборной панели — или один конкретный пунктир — и обобщает ее, объясняет или берет последующие вопросы о том, что именно на экране. Деталь, которая нам нравится: Вы устанавливаете персона Виджет. Та же панель продаж может быть объяснена одним из способов для финансового аудитора, который хочет, чтобы цифры были жесткими и предостерегаемыми, и другой путь для менеджера по операциям, который хочет тренда и «что так». Объяснение Dashboard перестает быть общим абзацем ИИ и становится осознаваемым ролями.
Он решает проблему, которую толпа с горизонтальным агентом в основном игнорирует, потому что все их мировоззрение «генерирует ответ из необработанных данных». В зрелом магазине, ответ обычно Он уже существует. Кто-то уже построил сертифицированную приборную панель. Реальная проблема не в поколении — это Находка: найти один заслуживающий доверия взгляд среди тысяч докладов.
Панель JAS позволяет задать вопрос из любой точки платформы. Используя дополненное поколение поверх узлов, таблиц и полевых описаний, а также реальные шаблоны использования, он находит наиболее релевантную, наиболее используемую витрину или приборную панель, применяет правильный фильтр и ставит ответ перед вами за считанные секунды. Он не восстанавливает ответ с нуля и надеется, что он соответствует официальному - он направляет вас к доверенному активу и фильтрует его к вашему вопросу. Агент по тексту SQL будет весело переписывать запрос, который аналитик уже усовершенствовал и сертировал несколько месяцев назад, возможно, по-другому. Стекло JAS указывает вам на сертифицированную. В переполненной среде в этом разница между ассистентом и пассивом.
Когда горизонтальный агент является правильным вызовом
Мы сказали, что будем честными, поэтому: есть реальные случаи, когда мы будем обращаться к Cortex или Genie или агенту Fabric по сравнению с BI-местным помощником.
| Если ваша ситуация... | Чем лучше подгонять... |
|---|---|
| Данные, еще не смоделированные в инструменте BI - он живет в озерном доме, пользователи - это ученые данных, выполняющие открытую разведку против необработанных таблиц в масштабе | Складско-уроженский агент, сидящий прямо на вычислении |
| Ценность, которая вам нужна, заключается в том, чтобы «задать любой вопрос о необработанных данных, включая вопросы, которые никто не ожидал» | Близость к складу выигрывает |
| Вы находитесь в общей экосистеме одной облачной платформы и никогда не планируете уходить | Интеграция на родном уровне действительно удобна |
| Ваша аналитика уже живет в управляемой платформе BI, используемой ежедневно лицами, принимающими бизнес-решения | BI-местный помощник, такой как JAS, повторно использует слой, который вы уже построили |
И JAS тоже не колдовство. Это точно так же хорошо, как и семантическое моделирование под ним — взгляды, описания, меры. Если они будут небрежными, JAS будет небрежным. Честная симметрия заключается в следующем: оба подходы зависят от хорошо построенного семантического слоя. Разница в том, что с платформой BI вы, скорее всего, уже построили и поддерживали ее, и помощник BI-родителя повторно использует его, в то время как горизонтальный агент просит вас построить (или перестроить) этот слой в качестве отдельного артефакта, а затем сохранить его параллельно навсегда.
Нижняя линия
Самый чистый способ, который мы нашли, чтобы выразить это: горизонтальные агенты данных позволяют вам Поговорите со своими данными. Это очень ценно. Но бизнес-интеллект никогда не был просто столами и запросами. Это управляемые модели, приборные панели, фильтры, визуальные соглашения, разрешения, персоны и десятилетняя институциональная память о том, какому отчету вы действительно доверяете.
BI-уроженский помощник позволяет вам Поговорите со своим BI — вся управляемая среда, а не только база данных под ней.
Если ваша аналитика уже живет на платформе BI, семантическая работа, которая делает любого помощника ИИ заслуживающим доверия, - это работа, которую вы уже выполнили. Вопрос, который стоит задать продавцу, не в том, добавили ли они чат-бокс. У всех есть. Это вопрос, понимает ли их ИИ бизнес, который вы уже смоделировали, уважает управление, которое вы уже установили, и отвечает ли в рабочем процессе, который ваши люди уже используют, или это еще одно место для восстановления всего этого и еще один источник истины, чтобы примириться.
Чат-бокс никогда не был самой сложной частью. Знать, что это говорит вам правду, есть.
Посмотреть JAS на своем собственном BI
Если ваша аналитика уже живет в управляемой среде BI, JAS не просит вас перестроить его - он читает семантический слой, в который вы уже инвестировали, и отвечает внутри приборных щитов, которые ваши люди уже используют.
Забронируйте прохождение с нашей командой и посмотрите JAS, JASlet и глобальную панель JAS, работающую против управляемой модели - с локальной поддержкой SLM для регулируемых сред.
Вы также можете исследовать наши Полное Сравнение BI чтобы увидеть, как TURBOARD складывается в более корпоративных сценариях.
Блоги
Принесите один реальный бизнес-вопрос. Посмотрите, как на него ответит TURBOARD.
Мы демонстрируем JAS на ваших отчётах, ваших определениях и вашем контексте безопасности — а не на типовой демонстрационной базе.