聊天框从来不是难点:BI 原生 AI 与横向数据代理

Turner · 2026/06/12

商业战略与GenAI

一位从业者对横向人工智能数据代理——Snowflake Cortex、Databricks Genie、Microsoft Fabric——以及像JAS这样的BI原生助手实际发挥价值的坦诚观察。 剧透:聊天框从来都不是难的部分。

如果你在过去一年里参加过一个数据代理演示,你就会熟悉它的流程。 有人在聊天框中输入“按区域显示收入”,一个简洁的SQL查询自行生成,一张表格出现,或者一张图表,在场的人点头认可。 这是个不错的演示。 它本来就应该是一场精彩的演示。

然后你回到自己的环境:3000 份报告,积累了四十年的表名,其中一些在 2009 年曾对某人有意义;财务团队对“活跃客户”的定义与销售团队不同;一旦患者数据离开大楼,合规负责人就会亲自终结你的职业生涯。在这里,演示的魔力开始消退。

我们花了大量时间观察2026年水平数据代理的成熟:Snowflake Cortex、Databricks Genie、Microsoft Fabric 的数据代理和 Copilot,以及人们用 ClickHouse、LibreChat 和一个周末自行搭建的技术栈。 它们确实令人印象深刻,我们希望在告诉你我们认为它们有哪些不足之前给予他们真正的赞誉——因为这种对比的坦诚版本比宣传册版本更有用,而且它恰好更贴切地采用了BI原生方法。

所以这是诚实的版本。

横向代理真正擅长什么

这些工具紧贴着你的原始数据。 这就是他们的全部论点,而且很好。 当一个问题从未被提出过——某个真正新颖的切片,而没有分析师预料到——一个直接连接数据仓库的代理可以分析原始表,试图回答这个问题。 对于开放式探索、数据科学工作而言,对于“我甚至还不知道自己在寻找什么”阶段而言,靠近lakehouse确实是一个优势。 它们随计算资源扩展。 他们不在乎你的问题很奇怪。

如果你是一家主要使用 Snowflake 的组织,或者你在 Fabric 中工作,整合情况也十分清晰:代理会在你已付费的平台内运行,而你已配置了访问控制。 仓库级治理是真实存在的——Snowflake 的行访问策略、Databricks 的 Unity Catalog 权限以及 Microsoft Purview 的 Fabric 功能都会应用于代理。 任何告诉你这些代理“无视你的安全”的人,都是在向你推销某样东西。 它们并不会忽视安全规则。 用户看到它们被允许看到的行。

如此:在数据层中功能强大且治理良好,非常适合探索。 这就是公平的起点。

幻灯片上从未展示的部分

以下是演示没有显示的内容,以及当你阅读到营销内容后,供应商们出人意料地坦率地谈论的内容。

这些代理在原始模式上都没有魔法。 只有在有人完成了构建语义层这项艰难而不显眼的工作之后,它们才可靠。

雪
片状

Snowflake Cortex

语义模型正是使Cortex分析师准确化的原因。

Snowflake 在他们自己的文档中几乎逐字逐句地表示:通用模型在只获得数据库模式时会遇到困难,因为模式不包含商业定义或度量逻辑。 他们的答案是语义模型——一个YAML文件(或现在的语义视图),即人工编码说明表的含义、哪些连接有效,每个指标的计算方式,以及“CUST_ID”实际指的是什么。 没有它,你就会回到对连接路径进行巧妙的自动完成猜测。 而Cortex本身则作为API发布;企业用户无法直接打开任何捆绑界面。

数据
砖块

Databricks Genie

穿着不同衣服的同一个故事。

Genie Space 由数据分析师配置:在 Unity Catalog 中注册表,将每个空间限制为三十张表,添加示例SQL查询,编写说明,定义“可信资产”——针对您预期的问题进行预先验证的参数化查询。 Genie 在你预先想到并准备好的问题上表现最出色。 答案以结果表的形式出现,Databricks 清楚地指出,非技术用户通常无法充分读取生成的 SQL,无法判断其是否正确。

多发性硬化症
面料

Microsoft Fabric

同样的作业,再加上一个合规的脚注。

Microsoft Fabric 告诉你要完成同样的功课:建立一个手动定义关系和度量的精选 Power BI 语义模型。 然后将数据代理连接到该模型。 如果你通过 Copilot Studio 或 M365 提供对该代理的访问,这些回复可能会超出Fabric自身的合规范围和地理位置——这是安保团队之前需要了解的细节,而不是之后。

聊天框是简单的部分。 语义层是实际产物。每个水平的代理都是一个细小而出色的对话壳,围绕着一个你需要构建和维护的建模项目。 智力不在LLM中。 你在精心策划的企业简介中,才为LLM提供素材。

这重新定义了整个购买问题。 不是“这个工具有人工智能吗?” 现在一切都有人工智能了。 真正的问题是: 业务逻辑存在哪里,由谁维护,需要在多少个地方维护?

为什么“BI-Native”是一个不同的答案

这就是TURBOARD的JAS出现的地方,而当上面的框架摆在桌面上时,其论点几乎就显得令人尴尬地简单了。

如果你已经在商业智能平台中运行你的数据分析, 你已经构建了语义层。 受治理的视图、节点、表和字段描述、计算度量、仪表板、筛选器、权限模型—— 是 横向代理要求您在YAML中从零开始构建的精心策划的商业环境。 JAS 是一个助手,用来读取你已付费并维护的资产,而不是要求你在别处再制作一份。

那个单一事实会逐渐变成比听起来更重要的几个方面:

真理的源泉,而非两个

将一个独立的数据代理转移到仓库,现在你有两个系统在回答同一个问题——经过认证的仪表板和聊天框——却无法保证答案一致。 当助手在 BI 层内部工作,并使用与仪表板相同的受治理模型进行推理时,聊天中的答案以及仪表板上的答案都是相同的答案。 治理规则不会重复、偏离,也不会悄然产生分歧。

产出是一种资产,而非收纳

横向代理给你一张表格。 关闭标签页时就消失了。 JAS 可生成原生图表组件和仪表板——可以下钻、筛选和固定的交互式资产。 答案不会止步于“数字”;它已成为你组织明天已经使用的分析表层的一部分。

治理你无需重建

仓库代理确实会执行行级安全控制——这一点应当认可。 商业智能(BI)原生优势并非“我们有安全性,而他们没有”。 关键是,你不必在两个地方维护访问逻辑,再祈祷它们保持同步——而对于受监管的工作,JAS 可以在本地部署的小型语言模型上运行,因此提示和数据绝不会离开你的基础设施。

人们已经在这里工作

一个独立的“数据门户”在演示中听起来很棒,在日常使用中会逐渐消失,因为使用它意味着离开你的仪表板,重新描述你所看到的内容,然后返回。 JAS 显示在消费点——仪表板中、图表组件旁边、全局窗格中——因此问题和数据都位于同一个地方。

最后一点是,JAS 的两件最新作品使抽象结构变得具体。

JASlet 与 JAS 面板:难以复制的关键部分

JASlet

这是可直接放入仪表板的 JAS 小部件。它读取仪表板或某个特定图表组件的当前状态,进行总结、解释,并回答有关屏幕内容的后续问题。一个实用细节是:你可以为每个小部件设定角色。同一销售仪表板可以用一种方式向要求数字严谨且附有必要说明的财务审计师解释,用另一种方式向关注趋势及其实际意义的运营经理解释。仪表板说明不再是通用的人工智能段落,而是与用户角色相适应。

全局 JAS 窗格

它解决了横向代理群体大多忽略的问题,因为他们的整体世界观“是从原始数据中产生答案”。 在一家成熟的组织中,答案通常如此 已经存在了。 已经有人已经搭建了认证的仪表盘。 实际问题不是生成答案,而是发现:在数千份报告中找到可信赖的视图。

JAS 窗格可让您从平台的任意位置提问。 利用节点、表格和字段描述以及真实使用模式的检索增强生成,它找到了最相关、最常用的展示或仪表板,应用了正确的筛选功能,并在几秒钟内将答案放在你面前。 它并非从零开始生成答案,再寄希望于与官方答案一致——它正将你路由到可信赖的资产,并将其过滤到你的问题上。 一个文本转SQL的代理会愉快地重写一个几个月前就已经完善并认证的分析师的查询,可能有所不同。 JAS 窗格将你引向经过认证的资产。 在拥挤的环境中,这就是助手与风险来源的区别。

何时应选择横向代理

我们说过,说实话:确实有一些情况,我们会选择Cortex、Genie或Fabric代理,而不是使用BI原生助手。

如果你的情况...... 更合适的是......
数据尚未在BI工具中建模——它位于 lakehouse,用户是数据科学家,正在大规模地对原始表格进行开放式探索 直接在计算资源旁运行的数据仓库原生代理
你需要的价值是“对原始数据提出任何问题,包括无人预料的问题” 靠近数据仓库的方案更有优势
你完全掌握一个云平台的生态系统,却从未计划离开 原生集成确实很方便
您的分析已在受治理的商业智能平台中运行,而商业决策者每天都在使用 像JAS这样的BI原生助手会重复使用你已经构建的图层

而且JAS也不是巫术。 它与其下方的语义建模完全一样好——视图、描述和衡量标准。 如果那些马虎马虎,JAS就会马虎。 诚实的对称性如下: 两种方法依赖于一个构建良好的语义层。 不同之处在于,使用BI平台时,你很可能已经构建并维护了一个,而一个BI原生助手则重复使用它——而一个横向代理则要求你将该层构建(或重建)为独立的工件,然后将其永久地并行维护。

结论

我们找到的最简洁的表述方式:横向数据代理可让您与数据对话。 这很有价值。 但商业智能从来不仅仅是表格和查询。 它包含受治理的模型、仪表盘、过滤器、视觉约定、权限、人物形象,以及十年来关于你真正信任哪份报告的制度性记忆。

一个BI原生助手可让你与商业智能环境对话——也就是整个受治理的环境,而不仅仅是其下的数据库。

如果你的分析已经存在于一个商业智能平台中,那么让任何人工智能助手都值得信赖的语义基础,正是你已经做过的工作。 值得问的问题不在于他们是否添加了聊天框。 每个人都有。 他们的人工智能是否理解你已经建模的业务,尊重你已经设定的治理,以及你员工已经使用的工作流程中的答案——或者它是否是重建所有这些内容的又一个地方,以及一个需要和解的真相来源。

聊天框从来都不是难的部分。 难的是确认它说的是真话。

在您自己的商业智能环境中体验 JAS

如果你的分析已经生活在一个受治理的商业智能环境中,JAS 不会要求你重建它——它会读取你已经投入的语义层,并在用户已经使用的仪表板中给出答案。

预约我们团队的产品演示,并查看JAS、JASlet以及全局 JAS 面板在受治理模型上的运行情况,并支持面向受监管环境的本地SLM。

您也可以探索我们的 完整商业智能对比 了解 TURBOARD 在更多企业场景中表现如何。

带来一个真实的业务问题,看看 TURBOARD 如何回答。

我们在您的报表、您的定义和您的安全上下文中演示 JAS —— 而不是在通用示例数据库上。

Are you curious?