过去一年，几乎所有主流 BI 厂商都在给自己的产品装上 AI。
看报表变成了问报表，拖字段变成了说一句话，过去需要分析师完成的数据查询，如今似乎只需要在聊天框里问一句："这个月销售为什么下降？"
听起来，BI 终于要进入 AI 时代了。
但在迅易参与企业 BI、数据平台和数据治理项目的实际经验中，以及我们与一线客户持续交流的过程中，看到的现实却没有产品演示中那么简单。一些企业对 ChatBI 抱有很高期待，真正进入自己的数据环境和业务场景之后，却发现会聊天，并不意味着会分析；能回答，也不意味着答案值得直接用于经营决策。
真正决定 ChatBI 能不能走出 Demo、进入企业日常经营的，很可能不是模型有多聪明，而是它面对的是怎样的数据、指标、业务规则，以及多复杂的真实经营问题。
作为多家国内外主流 BI 厂商的合作伙伴，迅易科技既能看到产品能力的快速进步，也能听到一线客户在真实使用中的困惑和吐槽。
今天，我们只想站在客户的角度，聊聊这轮 ChatBI 热潮背后讨论的一些问题。
一、ChatBI能问数，但客户期待的不只是问数
我们在和客户交流时经常听到的，往往不是ChatBI 完全答不出来，而是他们意识到自己真正想问的问题，比 Demo 里的问题复杂得多。
企业对ChatBI最容易产生的一个认知落差是，客户以为自己买到的是一个懂业务的AI分析师，但现阶段标准化ChatBI更容易实现的，仍然是用自然语言问数据。
以一个典型的场景来说，业务人员在试用阶段问的都是单指标问题，比如今年销售额是多少？哪个区域增长最快？哪款产品销量最高？帮我生成今年销售趋势等等问题，这些问题的反馈很好，只要数据、指标和口径已经准备好，这类问题往往可以很快返回数字、排行和图表。
但当企业部门真正用起来，想问的却是更深层的问题：
- 为什么这个月销售增长了，利润反而下降？
- 哪些产品在拖累利润？
- 是成本涨了、价格降了，还是产品结构变了？
- 为什么华东有这个问题，华南却没有？
看起来只是多问了几个为什么，实际上已经从数据查询进入了经营分析。然而这些问题的背后，真实业务里可能需要串起多个数据源、指标和业务规则，而这些企业专属的经营知识，并不会因为开通了ChatBI就自动被大模型理解。
ChatBI现在最容易展示的是数据呈现，但客户真正想要的往往是经营解释。所以，当ChatBI从告诉发生了什么，走向告诉为什么发生，真正考验的就不只是模型能力了。
二、AI 听得懂中文，却未必听得企业专属语言
大模型精通通用自然语言，却很难读懂企业内部私有、模糊且持续迭代的业务口径。
举个真实场景：用户向 ChatBI 提问，最近哪些产品卖得不好？ 在业务人员眼里，这句话表述已经足够清晰。
但 AI 无法自动理解 "卖得不好" 的定义：是销量环比下滑？还是销售额萎缩？亦或是毛利走低、库存周转滞缓？又或者产品销量尚可，但叠加促销、渠道与物流成本后，实际处于亏损状态？
同理，当问到 "哪些客户价值偏低"，也存在多重解读维度： 是客户贡献的销售额少？利润贡献不足？回款周期长？复购意愿弱？还是服务维护成本过高？
类似的词还有很多：重点客户、异常订单、经营风险、动销不好。 放在会议室口头沟通，全员心领神会，可一旦交给数据查询，就必须锚定到具体字段、数据表与计算逻辑。
这里就形成了有趣的认知错位， 业务方认为"我明明说得很清楚。" ChatBI的理解"其实定义并未明确。"
这并非单一产品的短板，行业内早已普遍遇到这类难题。就拿 GMV 来说，不同企业，甚至同一家公司不同部门，口径都不尽相同：统计口径是下单金额还是实收金额；是否计入退款；优惠是否需要分摊扣除等等，这类隐性规则不会写在数据库字段上，只藏在企业老员工的业务经验里。
人与人沟通，天然包容模糊性；但数据分析，一切都要明确的定义。人类之间的默契，可以靠当面追问、结合业务上下文补齐；但企业如果没有提前沉淀这套业务语义，大模型就会基于现有数据表、知识库，输出一段语法通顺、逻辑自洽，却背离真实业务意图的结论。
大模型读懂的是全社会通用的中文，而企业经营运行着一套只有内部人才能读懂的专属语言。
对 ChatBI 而言，最难习得的从来不是中文，而是这家公司独有的 "中文"。
三、同一个问题问 ChatBI，却得到不同答案
这是客户反馈里最常见、也最容易被误判的一条。
业务方直观感受往往是，昨天查询还是这个数字，今天再问结果怎么变了？
技术团队常会怀疑模型不稳定、版本迭代或是数据未及时刷新，但深入跟着客户排查后会发现，很多时候根源更加棘手，企业内部本身，就不存在唯一标准答案。
就拿基础指标 "销售额" 来说，同一家公司就有多种口径： 销售看签单额，签单即统计；供应链看发货额，以出库为准；财务按会计准则确认收入；电商运营采用平台支付 GMV；管理层做经营分析，还要扣减退款、分摊优惠。五个部门，五个数字，各自的口径都成立。
当同一个名词对应多套指标，ChatBI 无法识别当前查询对应的业务口径时，不同次提问就可能选中不同字段与计算逻辑。 不少项目都遇到类似情况，查询区域销售额，多次返回结果不一致。排查后发现，库内多个字段都命名为 "销售额"，分别代表含退款、不含退款、发货、签收等口径。
这里的风险极具迷惑性，SQL 完全正确，但业务结论依旧出错。 如果系统不能展示数据来源、指标口径与计算逻辑，业务用户很难发现异常。AI 不会报错，只会返回一个看起来合理，但溯源不明的数字。
所谓 ChatBI "不准"，很多时候并不是模型问题。而是企业数字化长期遗留的痛点，数据不同源、指标多口径、业务定义不一致，被 ChatBI 直接暴露在了业务用户的聊天窗口。
企业自己都没法一句话讲清指标定义，就难以要求 AI 精准作答， 很多时候 ChatBI 不是算不出答案，而是不知道，企业要它采信哪一套答案。
四、企业担忧ChatBI给出看起来正确的答案
这是最值得企业警惕的风险点。
传统 BI 出错辨识度很高，数字异常、报表未刷新、图表空白等，业务一眼就能发现问题，直接找 IT 排查。生成式 AI 则不一样，错误不一定会提示报错，而是变成一段语言流畅、逻辑完整的分析结论。
比如问为什么华南区利润下降， ChatBI可能回复利润下滑源于产品结构变化、核心客户订单减少、营销投入提升，产品结构是主要因素，建议关注高端产品占比。
文字看起来非常专业，甚至可以直接拿去开会。 但很少有人会去核验，利润用的是什么口径；产品结构带来的影响幅度是多少；营销费用有没有计入；订单下滑是原因，还是同步发生的结果。AI 擅长把相关性包装成因果，两件事先后发生，就会被描述成因果关系。经营中现象同步出现，不等于存在因果关联。
企业使用 BI，是为了降低决策的不确定性，可如果 AI 不断输出看着正确，但无法验证的答案，反而新增一层不确定性。
用户需求也会逐步升级，从查询基础指标，转向追问业务根因，但为什么不在数据库字段里。利润波动可能受售价、成本、促销、产品 / 客户结构、渠道费、一次性费用等多重因素交织影响。有些数据在系统里，有些只存在业务经验、未存档的临时决策中。
查出数字和解释数字，是两种完全不同的能力。而企业对数据工具的信任十分脆弱，一旦多次发现结论不符合业务常识，业务人员就会退回传统报表、Excel 人工取数。
很多项目复盘都指出，用户几次体验不佳就放弃使用，是 ChatBI 难以规模化落地的典型痛点。
ChatBI 最危险的不是坦言无法回答，而是自信地给出一段看起来非常懂业务的答案。
五、ChatBI 上线，传统的数据治理问题依然存在
企业对 ChatBI 最初的期待很简单，大模型连上数据库，业务直接提问，以往 BI 的各类难题就能迎刃而解。
但正式上线后大家才发现，基础工作一项都省不掉，数据要治理，指标要定义，口径要统一； 权限需要权衡管控，太严不好用，太松有数据安全隐患； 数据模型需要持续维护； 业务术语要做解释，还要持续更新； AI 输出结果必须核验； 企业内部业务规则，需要逐条补充进系统。
指标新增、口径调整、字段变更、促销规则迭代，都要求 ChatBI 背后的业务语义同步更新。一旦缺少持续维护，系统定义和真实业务之间的偏差会持续扩大。
很多企业的切身感受是，本以为 AI 可以避开这些麻烦，实际落地才明白，AI 只是换了交互形态，让老问题再次出现。 并且变得更加前置、直观。从前这些问题藏在 IT 后台，业务感知不强；现在直接出现在对话里，变成业务人员的困惑为什么回答不符合实际？
这也解释了很多项目的现状，小范围试用体验尚可，大范围推广之后，复杂度陡增。 上线的不只是一个查询工具，还有一整套原本就没梳理清楚的企业业务语义。
AI 革新了数据查询的交互方式，但无法消除企业数据与生俱来的复杂性。
说到底，不是 AI 不够强。当 AI 深入企业业务底层，那些曾经不起眼、缺乏吸引力的数据基础工作，根本无路可绕。
六、写在最后
写到这里，分享下迅易科技的实践视角。
作为 BI 生态合作伙伴，这些年我们落地了大量企业 BI、数据平台、数据治理与 AI 项目。我们亲眼见证 ChatBI 近两年的快速迭代，模型能力持续变强，语义理解精度不断提升，产品形态也日趋成熟。我们始终相信，自然语言，终将成为 BI 最重要的交互入口。
但一线客户反馈的另一面，同样真实。传统 BI 模式下，口径冲突、数据异常、术语歧义，大多在报表制作、数据分析环节提前对齐校验。数据团队的层层人工核对，形成了一道缓冲。
ChatBI 降低了业务人员查数的门槛，让更多人能直接访问企业数据；但也将曾经被报表、分析师、Excel 掩盖的复杂度，直接前置到业务端。
门槛下放，复杂度前置，这就是 ChatBI 热潮的真实现状。也正因为此，我们建议企业先别急着上，并不是反对企业使用 ChatBI。
ChatBI 值得试，也值得投入，但它的效果高度依赖企业数据底座和指标体系的成熟度。至于先做什么、做到什么程度，每家企业的情况都不一样。我们觉得在决定 ChatBI 应该走进企业多深之前，或许应该先把它真实的能力边界看得更清楚一点。
大模型正在让"Chat"越来越容易，但企业真正困难的，一直是后面的那个"BI"。
或许这一轮 ChatBI 热潮里，我们高估了 Chat，低估了 BI。