随着企业对数据分析需求的不断增长和智能化转型的加速推进，ChatBI 作为一种新兴产品逐渐进入企业用户的视野。

然而，当前 ChatBI 产品在准确率、稳定性、易用性、安全性、高级分析能力和灵活表达能力等方面仍存在诸多不足，特别是在金融、央国企等复杂业务场景中表现尤为明显。

本文深入分析了 ChatBI 市场需求与供给现状，探讨了其存在的问题，并以行业代表性产品思迈特 Smartbi AIChat 为例，剖析了如何通过技术创新和产品优化来弥合供需差距，推动 ChatBI 从 " 勉强可用 " 向 " 真正可用 " 转变。

该产品已在金融、大型央国企等多个高要求行业完成实战验证，形成了可复制的能力闭环。同时，文章还探讨了 ChatBI 未来的发展趋势，包括半自动化 Agent 和全自动 Agent 两条技术路线，以及思迈特的 " 双轮 " 产品战略，旨在为行业提供参考和启示。

01  

ChatBI 进入企业视野，但 " 勉强可用 " 问题多

随着智能化转型的加速推进，众多企业纷纷投身于大模型技术应用的探索之旅。

据爱分析调研数据显示，在 2025 年，大模型最为关键的应用场景当属数据分析。在应用大模型的企业中，选择将数据分析作为应用场景的比例高达 75%。

图表 1：2025 年大模型重点应用场景

在此背景下，新需求催生了新供给，ChatBI 逐渐进入企业用户的视野范畴。ChatBI 的核心目标是实现 " 数据分析民主化 "，旨在彻底攻克传统数据分析方式所面临的沟通难题以及效率低下等诸多困境。

然而，鉴于 ChatBI 目前仍处于发展初期阶段，各类问题接踵而至，致使大多数 ChatBI 产品仅处于 " 勉强可用 " 的状态，距离真正达成 " 数据分析民主化 " 的目标仍存在较大差距。

尽管 ChatBI 所采用的自然语言交互方式为企业带来了全新的体验感，但由于整体体验欠佳，难以在实际业务场景中真正落地并投入使用。在 2023 年和 2024 年期间，诸多 ChatBI 项目在概念验证（POC）阶段便遭遇挫折，即便部分项目成功上线，也未能有效发挥其应有的作用。

爱分析通过对数十家已采购或正在考虑采购 ChatBI 的央国企和大型民营企业进行深入调研，涵盖金融、能源电力、工业制造、物流运输、消费品零售等行业，梳理并总结出了当前市场中存在的产品能力供需差距情况。

图表 2：ChatBI 产品能力供需现状对比

1. 准确率与稳定性瓶颈

准确率低下是当前企业用户关注的首要问题。在早期，部分企业对 ChatBI 的能力存在过度乐观的预期，甚至期望其准确率能够达到 100%。

然而，经过 1 至 2 年的市场教育与实践探索，企业逐渐形成了更为理性的共识：在企业应用场景中，若 ChatBI 的准确率能够稳定保持在 90% 以上，则可视为具备基本的可用性。

调研显示，2024 年初大多数 ChatBI 产品的准确率约 70%，随着技术的发展与优化，综合准确率普遍有所提升。

但从腾讯对市面上大量大语言模型 text2SQL 能力的测试来看，该关键能力的准确率基本在 62%-79%，可见当下产品在数据处理准确性方面，仍存在显著提升空间。

综合准确率之所以难以突破 80% 这一瓶颈，主要在于复杂场景的查询需求对准确率产生了较大的拉低影响。在与众多企业的交流过程中发现，企业用户往往并不满足于简单的数据查询，而是更倾向于进行深入的分析。

例如，用户可能先询问 " 今年哪几个销售做得比较好 "，随后又会进一步追问 " 去年这几个销售的业绩如何 "" 在哪些行业表现较好 " 等，形成一连串的复杂问题。目前，大多数 ChatBI 产品在应对这类复杂连续问题时存在一定的困难，进而导致整体准确率出现下滑。

与准确率问题紧密相连的，还有 ChatBI 的稳定性问题。如果面对同一问题，ChatBI 给出的两次回答存在差异，这同样难以获得企业用户的认可。

为了提升稳定性，一些厂商尝试对基础大模型进行微调，但从实际效果来看，在稳定性提升程度以及成本投入两方面综合考量，这种解决方案并不具备足够的适用性。

2. 易用性不足制约应用

易用性是企业提及率最高的方面，主要涉及以下五点：

企业对 ChatBI 生成的结果存在信任问题，在结果出来后，希望查看生成过程，但一般没有相应功能，往往需要回到 BI 翻表验证。

业务人员可能要上传自己的 Excel 文件，但目前市面上的产品大多需要先导入，导入后还要进行中间的建模过程，若要与之前的模型关联，还需涉及 IT 部门，基本不允许业务用户直接导入 Excel 数据进行分析。

大多的 ChatBI 在分析前需要用户先选择数据模型以提升准确率，如分析经营就选经营模型，看会员就选会员模型。不熟悉业务的人常在第一步就卡住，问错模型就得重新来过。企业用户自然希望无需选数据模型，直接提问，让 AI 自动理解问题。

一些用户不想将 Excel 导入 ChatBI 再分析，而是希望点击进入 Excel 后，在页面内直接与 AI 对话，但当前的 ChatBI 大多不具备此功能。

大型企业管理层日常通过微信沟通，希望在移动端提问，并能将管理层关注的数据 / 指标每天推送给他们，以更好地体现 ChatBI 的价值。

3. 安全性短板引发担忧

企业内部通常设有不同级别的数据访问权限，例如普通员工、经理、CXO 等各级人员所能访问的数据范围各不相同。然而，部分 ChatBI 产品在权限精细化管理方面存在不足，这在一定程度上影响了数据的安全性。

企业普遍担忧 ChatBI 接入后可能出现数据泄露或滥用的情况，尤其是涉及财务、企业信息等敏感数据领域。尽管大多数 ChatBI 产品在常规场景下能够满足基本的安全要求，但在一些复杂场景下却显得力不从心。

以银行为例，其内部存在特别复杂的权限体系。一方面，银行可能拥有多种组织架构，需要适配不同架构下的权限设置；另一方面，可能存在员工虽然归属于某个部门，但同时分管其他部门的情况，这就要求 ChatBI 能够精准地为这类员工分配跨部门的数据访问权限。

然而，目前部分 ChatBI 产品无法有效应对这类复杂场景，导致一些员工可能需要多个账号来分别满足不同部门的数据访问需求，这不仅给用户带来了不便，还可能引发数据汇总等操作上的困难，进一步凸显了其在权限管理方面的局限性。

除了权限管理问题，ChatBI 还可能面临其他安全风险。如产品采用 NL2SQL（自然语言转 SQL）方案，这在技术实现上虽有其优势，但也可能带来 SQL 注入风险。如果攻击者获取了相关接口，就有可能篡改 SQL 语句，进而绕过安全校验，获取本不应访问的数据。

4. 高级分析能力有待提升

高级分析能力通常是通过插件或接口的形式进行扩展的，因为目前 ChatBI 的核心功能主要集中在数据查询和返回上，主要通过 NL2SQL、NL2Python 或 NL2API 等方式实现。

然而，对于其他分析方案、思路的实现，往往需要借助插件来完成，这些插件本质上就是高级分析能力的体现。

目前，市面上的 ChatBI 厂商大多宣称具备归因分析能力。例如，找出上个月销售额下降的原因，ChatBI 可以通过 SQL 查询列出所有相关维度和属性，但并不进行深入判断，而是让用户自行判断，这属于较为基础的归因分析。

在预测方面，企业对 ChatBI 的期望也较高。例如，企业希望 ChatBI 能够根据预期的增长率（如每月增长 3%）进行预测，并给出明确结论。

然而，目前多数 ChatBI 产品在预测功能上仍较为简单，通常只是基于前三个月的数据进行平均计算，然后根据增幅进行简单预测，缺乏更复杂的预测模型和算法支持。

报告生成也是 ChatBI 高级分析能力的重要组成部分，但目前市面上大部分的 ChatBI 产品在这方面表现欠佳。

这类产品只能基于查询结果进行简单总结，无法生成完整的报告。即使能够生成报告，与 ChatGPT、豆包等智能问答工具生成的报告相比，也难以看出明显差异，缺乏专业性和深度。

5. 灵活表达能力受限

在用户需求侧，除了准确率、稳定性、易用性和安全性这些刚需外，企业用户还希望 ChatBI 能够支持灵活表达。用户不仅希望查询数据，更希望通过数据分析解决业务问题。

既然 ChatBI 赋予了用户自由表达的能力，就不应该再去限制用户的问法。用户希望以自然语言的方式提出问题，而 ChatBI 能够理解并给出答案，无论是简单的数据查询还是复杂的业务分析。

然而，在供给侧，市面上大部分的 ChatBI 产品会限制用户的提问方式。这些产品往往要求用户按照固定的格式或规则提问，例如 " 查询某机构某指标某日期的数据 "，这种限制使得用户难以自由表达真实的业务需求。

例如，用户可能希望直接问 " 某指标为何出现异常下降 "，或者 " 找出业绩突出的几个销售 "，而不是按照固定的格式提问 " 根据上个月的销售额给我排个序，然后找出前三的 "。这种对提问方式的限制，使得 ChatBI 在实际应用中难以满足用户的灵活表达需求，进而影响了其在企业中的广泛采用。

02  

Smartbi AIChat：弥合供需差距，迈向 " 真正可用 "

作为数据分析领域的代表性厂商之一，思迈特自 2011 年成立以来已服务 5000 多家企业客户，积累了较为丰富的行业实践经验。其产品体系全面支持 DeepSeek、阿里 Qwen 系列、智谱清言 GLM、科大讯飞星火、ChatGPT 等主流模型接口，能够适配不同企业的技术架构需求。

Smartbi AIChat 是思迈特基于指标平台，结合大语言模型、AI Agent 及 BI 数据分析技术开发的企业级对话式分析平台，于 2024 年 8 月正式发布。该产品的设计针对当前 ChatBI 在准确率、稳定性、安全性和复杂分析能力等方面的短板，尤其注重在高要求行业场景中的实际可用性。

IDC 发布的《2025 中国 GenBI 厂商技术能力评估》报告显示，其在数据分析、大模型能力等七项平台技术能力及金融与央国企两项行业能力总分第一。

目前，Smartbi AIChat 已在银行、保险、证券及制造业等领域的头部企业得到应用，同时在部分政府机构完成部署。其技术架构不仅具备前瞻性设计，更在金融、大型央国企等高复杂度场景中完成了工程化验证，形成了可标准化交付的能力闭环。

1. 准确率与稳定性提升路径

Smartbi AIChat 通过基于指标模型获取统一可信的全域数据，结合全面的 RAG（检索增强生成）技术增强大语言模型在业务理解、映射、SQL 生成等方面的准确性。

RAG 技术通过结合企业私域知识库与指标模型，使 Smartbi AIChat 在初次使用时即可达到约 90% 的准确度，而在特定场景下，准确率甚至可高达 99%。

在稳定性方面，Smartbi AIChat 采用了一种基于经验积累的方案，即 " 点赞记忆 " 机制。例如，当用户询问 " 今年的业绩情况 " 这一较为宽泛的问题时，大模型会尝试猜测哪些指标属于 " 业绩情况 "，但由于每次猜测的结果可能不同，这可能导致回答的不稳定性。

为了解决这一问题，Smartbi AIChat 引入了用户反馈机制：当模型给出正确的回答时，用户可以进行 " 点赞 " 操作。点赞后，系统会自动将这一正确的回答及其对应的指标记忆保存下来，作为长期记忆。

在后续类似问题的查询中，系统会自动匹配并优先使用这些经过用户验证的正确答案，从而保证了回答的稳定性。这种基于用户反馈的 " 点赞记忆 " 机制是目前较为高效的方法，但据观察，目前市场上的其他 ChatBI 产品尚未广泛采用此类方法。

2. 易用性优化

Smartbi AIChat 在易用性方面进行了多项优化，以满足企业用户对高效数据分析的需求。

一键跳转透视分析：Smartbi AIChat 的对话结果支持一键跳转至 " 透视分析 " 页面。用户在对话中查看分析结果后，可直接点击按钮进入透视分析界面，在熟悉的分析工具中自由拖拽字段、验证计算逻辑以及继续深入挖掘数据。

Excel 数据融合分析：Smartbi AIChat 将支持业务人员上传 Excel 进行融合分析。用户可以上传 Excel 文件，并直接基于 Excel 数据与企业内部数据进行关联分析，而无需经过复杂的导入和建模过程，也无需涉及 IT 部门。

模型自动推荐：Smartbi AIChat 支持 " 模型自动推荐 " 功能。用户只需提出问题，系统会自动理解业务语境并智能推荐最匹配的数据模型。如果问题存在歧义，系统会主动反问用户的具体意图，再进行推荐。

这一功能使得即使是首次使用的用户也能轻松上手，无需深入了解不同问题对应的数据模型，让分析更加准确高效。

AIChat 报表助手：Smartbi AIChat 具备独立的 AIChat 报表助手功能模块，这是一款基于现有报表资源打造的智能对话分析工具。通过在报表页面新增 "AI 问答 " 入口，用户可以实现用自然语言与数据直接对话，让报表 " 开口说话 "。

移动端体验升级：Smartbi AIChat 对移动端体验进行了升级，支持微信小程序和企业微信。无论用户是在外出差、上下班途中，还是在会议前临时需要数据，Smartbi AIChat 的移动端都能轻松应对，满足用户随时随地获取数据的需求。

案例：某头部券商的应用实践

某头部券商面临着业务数据海量化和指标维度繁复的挑战。传统报表和看板虽然实现了数据可视化，但缺乏灵活性，无法满足业务人员的即时分析需求。

业务人员在使用传统报表时面临三大痛点：定制报表缺乏灵活性、报表制作和查询响应效率低、数据分析门槛高。该券商调研了市场上的 ChatBI 产品，发现虽然支持自然语言对话，但使用起来仍然不方便，学习成本高。

基于对主流 ChatBI 的对比评估，该券商上线 Smartbi AIChat，业务人员能够即时获取所需数据，无需等待漫长的开发周期或外部团队的介入。取数分析周期大大缩短，显著提升了工作效率。

Smartbi AIChat 的易用性使得业务人员能够快速上手，无需复杂的培训，真正实现了数据分析的民主化。

3. 安全性强化

Smartbi AIChat 在安全性方面采取了多项措施，以满足企业对数据安全的严格要求：

金融级数据管控：Smartbi AIChat 采用操作权限、资源权限、数据权限三重控制机制，实现数据访问的精细化管理，确保不同级别的用户只能访问其被授权的数据范围，从而有效防止数据泄露和滥用。

私有化部署：Smartbi AIChat 支持本地化部署，企业无需依赖公有云，这大大降低了数据外泄的风险，提升了数据的安全性。私有化部署使企业能够更好地控制数据的存储和访问，满足对数据安全有较高要求的场景。

符合国家安全标准：Smartbi AIChat 通过了 " 三级等保 " 认证，这一认证表明其符合国家对信息安全的严格要求，能够满足金融、政府、能源等高安全性行业的合规需求。

SQL 注入防护：为了应对 SQL 注入风险，思迈特采用 OLAP 多维数据模型方案，在数据处理过程中对所有 SQL 语句进行中间过滤，有效防止了 SQL 注入攻击，从而增强了系统的安全性。

4. 高级分析洞察深

Smartbi AIChat 在高级分析方面表现出色，尤其是在复杂场景的归因分析和预测分析上，展现了强大的功能。

归因分析：在面对复杂场景的归因分析时，用户仅需轻松输入问题，Smartbi AIChat 能够迅速调用适配的归因分析插件，高效完成归因分析，并精准呈现关键因素与策略建议。其达成多指标因果分析的关键步骤如下：

1. 自主定制因果图谱：多指标归因分析的第一步是精准获取目标指标与其他指标的关系。Smartbi AIChat 为此配备了因果图谱自定义功能。分析前，用户可以通过可视化操作轻松搭建指标间的因果图谱，并根据业务变化随时调整优化，快速理清指标之间的联系。

2. 按需创建挖掘模型：Smartbi 拥有专业的机器学习工具，内置丰富的算法组件，用户可根据实际业务需求选择合适的算法组件来自定义模型。例如，因果分析组件以结构因果算法为核心，能够科学深入地计算指标间的因果关系，适用于多指标因果分析。

3.Python 调用归因分析模型：Smartbi AIChat 采用 AI Agent 智能体技术，借助 Python 融合 Smartbi 的专业机器学习能力，能够依据不同场景智能调用适配的挖掘模型，精准洞察复杂问题。

对于多指标归因分析，Smartbi AIChat 根据预设的因果图谱精准获取数据，并通过 Python 调用相关归因分析模型，深入剖析指标因果关系及其影响较高的维度因素，全面挖掘数据背后的规律。

预测分析及报告生成：思迈特充分发挥技术优势，Smartbi AIChat 借助 Python 插件扩展预测性算法，既支持按省份、区域等多维度精准预测，处理高阶分析任务，还能叠加各类算法因子并识别异常；

同时，依托专家报告插件，可自动生成报告，如用户发现问题可通过对话进行修改，相比传统人工编制大幅提升效率与分析灵活性。

专家模式：据了解，Smartbi AIChat 配备了一种专家模式，该模式具备深度洞察力，能够模拟人类分析师的思维链路。它支持对复杂问题进行任务拆解和多维度验证，使数据思考过程可视化且可修正。

例如，当用户有分析想法但不确定如何提问时，他们可以直接向 Smartbi AIChat 提出想法。该系统能够根据用户的想法拆解任务，列出思考计划和步骤，并逐一完成分析，最终提供数据洞察报告。这种功能有助于使决策过程更加智能和高效。

案例：某大型制造企业的应用实践

某大型制造企业面临产品同质化加剧和价格战的挑战，报价过高会导致客户流失，过低则会压缩利润。采购方价格敏感度各异，企业需在利润率与竞争力之间找到平衡。

一线销售常被复杂报价工具或 Excel 表格困扰，操作繁琐、规则调整难，直接影响响应速度和成交率。

引入 Smartbi AIChat ，为破解这一困局提供了新思路。它依托上下文语境理解能力，支持基于历史信息的多轮问答，以及 Python 算法插件，迅速测算出产品毛利率与边际毛利率，帮助销售团队快速评估盈利空间。

以 AI 驱动销售场景，帮助一线人员快速掌握成本、利润及定价数据。通过智能分析与测算，销售团队能快速响应市场变化，优化报价策略，为客户提供更具竞争力的方案，从而赢得更多商机。

5. 灵活表达能力的突破

Smartbi AIChat 不仅解决了常规的数据查询与分析问题，还通过以下方式突破了灵活表达能力的限制：

常规的数据查询与分析：Smartbi AIChat 能够处理从简单的数据查询到复杂的归因预测和多步计算等任务，满足用户多样化的分析需求。

基于 Agent 平台可编排的分析：Smartbi AIChat 支持基于 Agent 平台的可编排分析，用户可以根据自身业务场景灵活构建独立的 Agent BI 应用。例如，通过配备 OCR 插件、爬虫插件、生成 Word 报告插件、生成 PPT 插件等，用户能够根据具体需求进行定制化开发，应对专属场景。

专家模式：Smartbi AIChat 的专家模式能够处理泛化性问题，支持用户以自然语言提出各种业务问题，而不仅仅是固定的查询格式。

案例：某企业对 Agent 平台的应用实践

近期，在某项目中，思迈特成功地将 BI 的查询功能进行了拆分和扩充，提供了更为丰富的分析工具。

项目初期，思迈特实现了基础的查询功能，随后增加了图形生成插件和 Word 报告生成插件。通过这些插件的协同工作，思迈特为客户交付了一个编排的报告工作流，该工作流能够直接生成专属的分析报告。

这一解决方案不仅提高了报告生成的效率，还使得非技术背景的用户也能够轻松创建专业的分析报告，从而显著提升了业务决策的质量和速度。

03

ChatBI 的下一站：Agent BI 如何突破现有局限

1.ChatBI 技术演进：从半自动化 Agent BI 到全自动 Agent BI 的发展路径

爱分析调研显示，Agent 技术正逐步成为 ChatBI 厂商的核心架构方向，推动行业向 Agent BI 阶段演进。基于对多家头部厂商的技术路线分析，这一趋势已成为行业共识，预计将带动市场规模化发展。

从技术路径来看，Agent BI 的发展主要分为两个阶段。第一阶段是半自动化 Agent BI，厂商将预定义的分析思维嵌入到 Agent BI 中，企业只需接入自身数据即可使用。

这种 Agent BI 基于规则定义的流程，按照预设的分析思路执行任务。这种方式相对成熟，已有厂商推出了相关产品。

第二阶段是全自动 Agent BI，它采用 AGI（通用人工智能）的思路，实现完全自动化的分析和交互。然而，要达到真正易用和可用的状态，这种全自动 Agent BI 仍有很长的路要走。

2. 思迈特的产品实践：双轨推进 Agent BI 落地应用

Smartbi AIChat 作为 ChatBI 领域的先行者，同时也是当前国内真正具备 Agent BI 核心特征的代表性产品，其产品规划不仅展现了思迈特对当前市场需求的深刻理解，也反映了对未来市场趋势的前瞻性思考，同样值得借鉴。

从长远来看，思迈特将持续致力于开发全自动的 Agent BI，推动 ChatBI 进入新的发展阶段。

届时，户只需输入一个命题，Agent BI 便能自动寻找数据、运用工具并生成结果。思迈特认为这是未来的发展趋势，但目前实现这一目标仍面临诸多挑战，因此在短期内这一愿景可能难以完全实现。

鉴于此，思迈特采取了双线并行的技术路线。思迈特计划推出 Agent BI 平台，并配备多种插件，如 OCR 插件、爬虫插件、生成 Word 报告插件、生成 PPT 插件等。这些插件将赋予用户更大的灵活性，使他们能够根据自身业务场景构建独立的 Agent BI 应用。

另一方面，思迈特凭借在 BI 领域积累的丰富经验（服务超过 5000 家企业），将这些经验沉淀到 Agent BI 平台中。不仅如此，思迈特在未来可能会针对特定领域（如财务领域的三大报表分析）开发专门的 Agent BI，为相关决策者提供即开即用的解决方案。

这一策略体现了思迈特在追求技术创新的同时，也注重产品的实用性和市场适应性，通过深度贴合当下市场需求，以持续的研发投入筑牢技术根基，用扎实的实践成果积累行业信任，稳步推动 ChatBI 技术向更高级阶段演进。

注：点击左下角" 阅读原文 "，前往爱分析官网了解更多内容。