刘诚忠

“【提示】2026第六届数智化颁奖典礼将于8月5日在北京举行颁奖点击可报名参加颁奖典礼丨此次人物榜单/奖项的评选依然会进行初审、公审、终审三轮严格评定，并会在国内外渠道大规模发布传播欢迎申报。

2026年，中国企业数智化转型正式进入深水区。历经多年数字化基建铺设，绝大多数企业完成数据采集、数据仓库搭建，大模型、AI Agent技术全面普及，行业集体迎来一场热闹却充满误区的变革：一部分企业全盘否定传统BI，认为ChatBI、Data Agent可以彻底取代报表、看板；另一部分企业固守传统BI工具，视AI问数为华而不实的演示玩具。两种极端认知，正在大量消耗企业数字化预算，拉长转型周期，最终造成大量AI项目“上线即闲置”。

深耕BI行业十余年，从传统大数据平台到AI原生智能分析，我见证了数智化转型完整发展周期，今天以一线从业者、企业服务创业者的身份，分享我对2026年数智化核心趋势、AI Agent落地痛点、企业数据建设正确路径的深度思考。核心观点清晰且坚定：2026年企业数智化转型不存在“传统BI与AI Agent二选一”，真正成熟的数据体系，是传统BI稳定底座与Agent智能探索能力深度融合，人机协同才是企业数据驱动的终极答案；脱离指标、口径、治理等底层基建的AI Agent，永远无法支撑企业真实经营决策。

复盘行业现实：AI热潮之下，企业数智转型普遍陷入两大认知误区

2024至2025年，ChatBI、AI Agent概念席卷整个数据产业，几乎所有企业都启动了AI数据工具POC测试。但两年多落地实践下来，行业暴露出统一的困境：绝大多数企业的AI问数工具使用率不足三成，演示阶段效果惊艳，长期使用后业务团队反馈集中于三点：AI经常给出失真结论、复杂业务问题输出无效信息、遇到固定经营复盘场景，依旧依赖传统看板。

我走访过近百家不同行业客户，总结出当下企业在AI+BI转型中最致命的两大认知偏差，也是阻碍数智化真正落地的根源。

误区一：激进替代论——认为AI Agent可以淘汰传统BI，抛弃报表、指标体系

不少厂商对外宣传“传统BI已过时，一套AI对话工具就能搞定所有数据分析”，很多企业管理层被这类宣传打动，直接搁置多年搭建的BI看板、指标中台，全力采购纯对话式AI工具。落地后才发现巨大漏洞。

传统BI承载的核心价值，是企业标准化、可审计、稳定可控的数据资产。集团月度经营复盘、财务合规报表、风控监管报送、生产固定监控大屏，这类场景对数据口径、计算逻辑、权限追溯、版本留存有硬性要求。传统BI依托指标中台、统一语义层，把全公司统一收入、毛利、复购、产能等核心指标固化下来，所有部门共用一套计算标准，任何数据结果可追溯、可校验、可存档。

而纯对话式AI工具没有标准化约束，大模型仅依靠通用语义理解业务问题。我接触过一家区域零售集团，放弃原有BI体系全面上线ChatBI，运营人员提问“上半年门店净利润”，AI调用未统一口径的原始数据表，销售部门、财务部门两套收入逻辑混杂，输出同比数据偏差超过15%，管理层依据错误数据制定促销策略，直接造成数百万元营销损耗。

我始终坚持一个行业铁律：没有标准化指标基建的AI Agent，只是无根之木。AI可以做灵活探索，但无法替代企业沉淀多年、经过业务与财务双重校验的标准化数据底座。传统BI的报表、看板、指标体系不是历史包袱，而是企业数据可信性的底线保障。

误区二：保守排斥论——固守传统BI，将AI Agent视为锦上添花的附加功能

与激进替代论对立的另一类企业，是深耕传统BI多年的制造、金融、大型集团。这类企业拥有成熟数据团队，搭建了完整数据仓库与看板体系，但对AI持观望态度，认为“业务人员看报表足够，AI问数没有实际业务价值”，仅把ChatBI当作演示工具，不纳入常态化数据工作流。

这套思路会带来显著效率瓶颈。传统BI的工作链路存在天然人力断层：业务人员产生新分析需求，必须提交工单至IT或数据分析师，分析师建模、配置看板、调试数据，常规需求交付周期3-5个工作日。市场瞬息万变，当运营发现销量异常、HR观测人员流失波动、财务追踪预算偏差时，等待数天的分析结果早已失去决策时效。

以制造业供应链场景举例：某汽配企业依靠传统BI仅能每日输出固定库存报表，当原材料价格波动、上游工厂延期交货时，业务人员无法快速交叉拆解“不同品类库存、交付周期、采购成本”关联数据，只能手动导出多份报表Excel拼接，单次深度分析耗时半小时以上。而嵌入Data Agent后，业务人员用自然语言即可完成多维度交叉分析，几分钟定位供应链风险点。

2026年市场竞争节奏持续提速，企业需要全员具备即时数据探查能力。只依靠固定静态报表，数据无法前置支撑业务预判，数智化转型只能停留在“事后复盘” 阶段，无法实现事前预警、事中调整的闭环运营。排斥AI智能能力，等于主动放弃数据转型的效率升级红利。

两种误区本质是把传统BI与AI Agent对立，陷入非黑即白的二元选择思维。但真实企业经营场景复杂分层，固定标准化场景需要传统BI兜底，灵活探索式场景需要AI Agent赋能，二者不存在竞争关系，而是互补共生的完整数据体系。

2026数智化核心趋势：Agentic BI引领数据智能，人机协同重构企业数据工作流

站在2026年产业节点，我判断今年企业数智化转型第一核心趋势，是从单一ChatBI工具走向完整Agentic BI架构，从“人适配工具”转向“智能体自主协同数据全流程”，构建传统BI底座+AI智能体的双轮驱动模式。

此前市场主流ChatBI，本质是Copilot辅助问答工具，仅能完成单次简单查询，不具备自主规划、多轮推理、自动化调度、环境迭代能力。而衡石定义的Agentic BI，是一套覆盖数据查询、指标校验、报表生成、定时调度、环境发布、结果推送的全链路智能体系，由ChatBI、CLI、JARVIS三大组件协同形成自动化分析工厂，完美补齐传统BI的效率短板。

JARVIS承担调度编排能力，负责定义分析任务触发时机；ChatBI承载自然语言理解、多轮深度分析、报告生成能力；CLI提供命令行标准化交付，打通开发、测试、生产三环境CI/CD自动化流水线。三者联动，解决传统BI两大长期痛点：一是业务人员自助分析门槛高，二是BI资源批量上线、环境切换全靠人工操作，交付效率低下。

在落地过程中，我清晰总结出传统BI与AI Agent各自的舒适区、深水区，两者分工明确，形成完整闭环：

传统BI的舒适区：标准化、高合规、固定周期场景集团月度经营看板、财务合规报表、风控实时监控大屏、固定绩效考核指标。依托统一语义层固化口径，数据稳定、可追溯、权限管控严密，作为企业可信数据底座，不可被AI替代。

AI Data Agent的舒适区：灵活探索、多轮归因、自动化报告场景HR分析人员流动趋势、财务追踪预算偏差、运营复盘营销活动效果、供应链拆解库存波动。业务人员无需掌握SQL、无需等待数据团队，自然语言完成多维度交叉分析，自动生成文字解读、定时推送日报周报。

两者协同的深水区：复杂口径变更、跨指标关联、季节性剔除等高阶分析当企业指标口径迭代、需要剔除促销/季节异常、多业务线同比对比时，单纯看板无法快速调整，纯ChatBI易出现口径混乱。此时依托传统BI沉淀的指标版本管理体系，由Agent自动识别口径变更记录，自动完成数据调整，输出可比分析结果，实现稳定底座与智能探索结合。

2026年另一不可忽视的数智化趋势，是数据民主化下沉至全员，数据不再是IT部门专属资产。过去十年，数据分析长期被贴上“IT工作”标签，HR、财务、市场、生产等业务部门有高频数据需求，却缺乏专业工具与技术能力。Agentic BI 的核心价值，就是打破技术壁垒，让非技术人员自主完成完整数据分析，真正实现“人人可用数据”。

我接触的一家头部连锁零售企业，落地衡石Data Agent半年后，业务部门自助数据查询占比从18%提升至72%，数据团队从重复制作报表的低价值工作中解放，转向数据架构、指标治理、合规体系搭建等战略工作，企业整体数据人力投入产出比提升超60%。这正是人机协同转型的真实价值：AI Agent承接重复性查询工作，传统BI守住数据标准底线，人类数据专家聚焦高价值架构与治理工作。

永落地实战：避开AI Agent落地陷阱，构建可持续的企业数智化路径

创业十年来，我始终坚持务实落地路线，不鼓吹脱离企业现实的技术噱头。很多企业AI项目失败，根源不是大模型技术不足，而是跳过数据基建直接上线AI工具。结合数百客户落地案例，我总结出2026年企业搭建AI+BI融合体系的三层落地方法论，也是企业深潜数智化转型的核心实操路径。

第一层：筑牢底层根基——统一语义层与指标中台，解决AI“胡说”核心痛点

当前绝大多数ChatBI落地翻车，核心问题是大模型不懂企业专属业务口径。同样叫“收入”，销售部统计签约金额，财务部统计实收金额，没有统一指标定义，AI自然输出矛盾数据。

因此所有企业启动AI数据工具前，首要工作是搭建统一指标中台与语义层，把全公司核心业务指标标准化：统一计算公式、归属业务域、数据源、变更记录、负责人。衡石Text2Metrics引擎将标准化指标沉淀为企业专属“业务词典”，AI提问时优先匹配内部指标定义，而非通用大模型知识，从根源降低数据失真概率。

针对指标口径变更场景，指标中台留存全版本记录，当企业调整MRR、营收、成本等指标计算逻辑，Agent可自动区分新旧口径，做同比分析时自动完成数据校准，避免跨周期对比失真。这一层基建，是AI Agent能够稳定落地的前置条件，任何企业都不能省略。

第二层：搭建双轮体系——传统BI标准化底座+Agent智能自助平台并行建设

完成指标治理后，企业同步搭建两套相辅相成的数据能力：一方面，基于传统BI搭建集团统一经营看板、合规报表、监控大屏，固定业务周期、固定口径的工作全部交由标准化看板承载，保障决策底线数据可信；另一方面，上线全链路Data Agent体系，开放给全体业务人员做自助探索分析。HR、财务、运营、生产人员通过自然语言自由提问，完成多轮归因、异常拆解、临时分析，Agent自动生成可视化图表与文字解读，无需IT介入。

二者数据同源，共享同一套指标语义层，不存在两套数据、两套口径的割裂问题。固定工作看板兜底，临时探索AI赋能，兼顾稳定与灵活，彻底规避“二选一 误区。

第三层：构建自动化交付流水线——CLI+JARVIS打通BI CI/CD，支撑规模化扩张

当企业BI规模从十几张看板扩张至上百份报表、数十套业务应用，手动导出导入、切换环境、配置权限的模式完全不可持续，人力成本极高且极易出错。

依托CLI命令行工具，企业可将数据集、看板、权限、指标全部转化为可版本管理的脚本文件，存入Git仓库；搭配JARVIS调度引擎搭建CI/CD流水线，实现开发环境修改资源→自动同步测试环境→校验无误一键发布生产环境全自动化。定时任务可由JARVIS配置，每日自动调用ChatBI生成经营报告，推送至管理层企业微信、飞书群，实现“分析-解读-推送”无人值守闭环。

这套自动化体系解决大型集团多业务线、多环境BI交付痛点，让数据团队可以批量维护数百份报表应用，支撑企业数智化规模持续扩张，也是2026年中大型企业数字化建设的刚需能力。

长远展望：2026后数智化终局
数据智能成为企业原生操作系统

站在行业长期发展视角，我判断AI Agent与传统BI融合不是阶段性过渡方案，而是企业数据能力的长期终局形态。未来三年，企业数智化将持续沿三大方向演进。

第一，数据智能深度嵌入业务全流程，形成“感知-分析-决策-执行”闭环。当前多数AI工具仅停留在输出数据、生成报告阶段，未来Data Agent可直接对接ERP、MES、CRM等业务系统，识别数据异常后自动触发业务动作。例如制造企业Agent监测设备良品率下滑，自动拆解生产参数并推送调整指令至产线；金融Agent识别客户风险异动，自动触发风控复核流程，数据不再仅用于事后复盘，而是前置驱动业务运营。

第二，数据生态协同成为主流，BI平台从内部工具转型生态连接器。单一企业数据能力存在边界，未来BI Agent将打通上下游供应商、渠道合作伙伴数据，在数据安全隔离前提下实现协同分析，产业链数据价值全面释放。衡石现阶段已构建200余家SaaS厂商生态，将AI+BI能力嵌入各类垂直业务系统，让数据分析原生存在于业务软件中，无需单独部署独立BI平台。

第三，数据驱动成为组织底层文化，全员数据素养成为企业核心竞争力。2026 年起，优秀企业不再将数据分析限定为数据部门职能，业务岗、管理岗全员具备基础数据探查能力。AI Agent大幅降低使用门槛，传统BI提供统一可信标准，两者结合持续培育全员数据思维，企业所有经营决策均以标准化数据为依据，真正完成从数字化到数智化的质变。

结语：深潜数据基建
远航人机协同的数智新周期

回到本次榜单主题“深潜・远航”，这四个字恰好概括我对2026年中国企业数智化转型的全部思考。

所谓“深潜”，是企业放下对AI技术的浮躁期待，沉下心搭建指标、语义、数据治理等底层基建，不追逐短期演示效果，深耕可信数据底座；所谓“远航”，是善用AI Agent智能能力，打破数据分析的技术壁垒，让数据驱动覆盖全业务、全角色，依靠人机协同的完整数据体系支撑企业长期增长。

行业不必再纠结传统BI与AI Agent孰优孰劣、二选一，真正的下一代企业数据智能，从来不是单一技术的替代，而是成熟底座与前沿智能的融合共生。作为深耕BI赛道十余年的从业者，我也将持续带领衡石科技，坚持务实落地路线，持续完善Agentic BI全链路产品体系，助力更多中国企业避开AI落地误区，走出一条稳健、可持续、高价值的数智化转型升级之路。

·申报人“刘诚忠”简介：

刘诚忠，衡石科技创始人&CEO毕业于北航计算机系，拥有超过20年高科技企业⼯作经验，历任VMware Core Networking组高级工程师、秒针大数据研发经理、明略科技创始合伙⼈，专注于Big Data Infra领域，是国内最早⼀批⼤数据分析的创新实践者。2016年创⽴衡⽯科技，专注于新一代AI-Powered Agentic BI智能分析平台，赋能全行业的数据驱动型组织零代码构建数据智能场景。旗下核心产品HENGSHI SENSE作为定位超前的BI PaaS引擎式产品，让软件厂商在自己的业务场景中轻松上线Data Agent、ChatBI、数据看板、自助分析、业务大屏等功能。获评“2025数智化领军人物“，拥有多项BI相关发明专利。