“AI时代最大的特点，就是用户学会了等。”
帆软联合创始人Richie向「首席数智官」表示。
这里的“等”有两个意思。
一个是用户不急于AI秒回自己，另一个是用户学会了等待真正可用的产品。
在「首席数智官」的观察中，从2024年开始，中国企业软件圈的AI节奏明显加快。
那年，钉钉1月发布AI助理，4月上线 AI 助理市场；用友刚在8月推出YonGPT 2.0和100多项智能应用，金蝶就在10月发布了苍穹App。
但在当时的一片喧闹中，被誉为“软件界胖东来”的帆软，却并未第一时间冲出来喊AI。
要知道，帆软并非没有实力。
这家2006年在南京成立、累计服务超43000企业、378家中国500强、赛迪网连续9年位居中国BI市场第一的老牌厂商，真实想法非常朴素：
“我们想先把AI在自己公司跑通，把组织整合好，把方向想清楚。”
果然，2026年，帆软集中发布了FineBI Next、MOSS谋士、Dora朵拉等多款AI产品。
而这些产品背后的逻辑，是一整套完整的深入企业经营链路的AI体系。
帆软在AI上的思路已经越发清晰。
而我们希望探讨的是，这家不追风口的企业软件厂商，在AI时代看到了什么？它如何把这些思考落到产品里？它的实践，对所有企业软件厂商的自我进化有什么启示？
01
砍掉 ChatBI，帆软做对的第一件事
要看懂帆软在AI时代的答卷，先要理解它是一家什么样的公司。
帆软2006年在南京成立，从FineReport报表工具起家。2010年转向自助式BI（FineBI），拿下国内BI市场头部。
在过去20年里，帆软几乎只做三件事：报表、BI、零代码（简道云）。
而像数字营销、数据中台等曾经爆火的toB圈技术概念，帆软都没有跟。
这种聚焦，让帆软区别于中国SaaS行业里普遍以融资烧钱、上市退出为典型路径的其他公司，成为了少数赚钱的SaaS公司，2025年实现营收17.4亿元。
但到了AI时代，帆软其实也“差点跟风”。
时间拉回到2023年。
ChatGPT爆火之后，BI开始被看作是AI产生落地价值的场景之一，方式是用对话的方式进行数据分析，简单来说就是“问数”。
彼时，帆软的营销人员很焦虑，认为BI马上就要被淘汰了，产品研发团队必须马上跟进AI+BI产品。
但产研的问题是：如果业务人员通过对话得出的数据错了，怎么办？责任是谁的？
“没有解决好责任归属，ChatBI这种模式就很难真正落地。”帆软联合创始人Richie坦言。
这不只是技术问题，也是企业运转的责任结构问题。而这个问题在当时几乎无解。
不过，帆软也并未因此忽略对AI的探索，而是在2023年专门成立了一个小组，尝试性研发ChatBI产品。
帆软的逻辑很简单，先跟上技术热点，再看实用性和商业化。
尽管最后这个项目仅维持了2年，但帆软收获了宝贵的AI经验。帆软意识到，AI不能只展示效果，更要解决业务问题。
而要想让AI真正在企业端落地并非易事。
除了如何从技术与产品层面解决AI的精度与泛化问题外，还有组织层面的问题，如何激发企业组织接受AI并利用AI进行创新，实现客户价值？
“模型会变，但企业经营的问题不会变。”这是帆软对AI的判断。
由此，帆软计划先让AI在自己公司跑通，再把方法论沉淀到产品里，最后对外输出，确保AI能力可用、好用。
那么，这套认知如何落到产品里？
02
3场内部实验，长出1套产品矩阵
砍掉ChatBI后，帆软内部真正开始了一场“先内部后外部”的AI转型。
2024年，帆软进行了一次成立以来最大规模的组织调整，从产品化管理转向职能化管理，并成立产研委员会，砍掉各产品线的重复模块，重构一体化平台。
组织调整的同时，帆软也对自身技术架构进行了重构。
首先是对市面上各个领先大模型的适配。
与其他toB软件公司不同，帆软没有选择自己训练行业垂直模型，而是兼容了市面上十几个最强的通用大模型，产品可以无缝对接。
其次是构建完善的上下文工程。
大模型用公网数据训练，能理解“我饿了”这种C端场景，但很难搞懂企业里的“台前毛利率”“区域营收贡献率”。
甚至企业内部各部门对某个指标的定义都完全不同。“这就是上下文工程的价值，我们要把企业的私有数据、业务逻辑、指标体系都梳理清楚。”Richie直言。
最后是系统权限和工具链。
就像新员工入职需要开通各种系统账号才能工作，大模型要落地也离不开工具支持。
帆软在产品重构时专门做了适配，让各种大模型Agent接入后，能轻松调用数据分析引擎、公式算法和分析节点。
做好了组织与技术架构的调整，为了进一步推动AI在企业内部落地，帆软在当时还推出了一些内部活动。
其中最重要的是“提需求兑奶茶”活动：让员工填表单，描述自己日常工作中“重复性高、耗时久”的任务，并说明如何用AI解决。
第一个落地项目是会议室预约：以前帆软的会议室系统是自建的，很老旧，只能在PC端运行。而通过AI，员工直接在企业微信上通过机器人对话就能完成会议室预约，现在全公司都在用。
由于这场活动收集了大量来自一线的真实需求，所以帆软把它升级成了内部的黑客马拉松，直接拿出100万现金，对做出可用AI项目的团队进行最高10万元的激励。
“第一届（2024年）黑客松准备了半年，因为写代码的人是稀缺资源。提想法的人多，但能落地的少。”Richie直言。
不过，随着2025年Claude Opus 4.6模型发布后，AI coding能力大幅提升，参加黑客松的项目也越来越多，项目质量也越来越高。
Richie透露，今年帆软发布的MOSS谋士、xiguan吸管等产品，最初的项目原型都出自黑客马拉松。
03
闭环，AI矩阵的真正价值
修炼完内功，帆软开始对外输出。
去年9月，FineBI 7.0发布，引入“指标中心”作为底座能力；今年，帆软发布全场景AI智能体矩阵：FineBI Next、DORA朵拉、MOSS谋士、FineSales、吸管AI等，覆盖企业经营的核心链路。
我们以企业经营必须的外部洞察、内部分析、经营执行来做简单分析。
先说外部经营洞察。
MOSS谋士的定位是企业级商业洞察智能体。
企业经营的第一个痛点，是管理者看不清行业。毕竟市场趋势、竞品动作、风险信号散落在工商/财务/舆情/知识产权等多源数据里，传统人工方式根本处理不过来。
而MOSS谋士的解法是，把这些多源专业数据接入，覆盖企业在“了解一家公司”全生命周期中的不同层次需求，让AI直接担任情报分析师、竞品研究员、风险预警官、战略参谋。
再说内部数据分析。
企业经营走到内部，第二个痛点是业务人员不会用数据。比如不会SQL、报表找数据、结果不可信等。
FineBI Next就在解决这些问题。
通过AI对话问数、自动建图、自助搭板、自动生成分析报告等能力，FineBI Next让业务人员能够更加自然地与数据交互，降低数据分析门槛。
同时，通过大数据架构和全链路可信追溯能力，保障企业分析结果可信可靠。
但这还不够。
FineBI Next真正的分水岭能力是10亿级数据秒级查询和全链路可信追溯。也就是AI给出的每一个结论，都能一路回溯到指标口径、分析模型、原始数据行。解决初代AI问数的责任问题。
还有企业经营执行。
企业经营的第三个痛点是，数据分析完，但依旧需要有人去执行。比如潜量分析、门店诊断、日报、风险监控这些执行层面的工作，仍然要靠人盯。
而DORA朵拉作为企业数据智能体平台，它的核心理念就是让数据智能体成为企业的数字员工。
围绕数据分析师、报告研究员、日报秘书、风险预警官等角色，Dora能够帮助企业完成市场潜量分析、门店经营诊断、报告生成、风险监控等任务，让AI从辅助分析进一步走向辅助经营。
不过，上述观点仅是单一业务场景对产品的理解。在Richie看来，帆软的全场景AI智能体矩阵本身就可以实现业务闭环。
MOSS面向企业高层，分析公司整体战略；数据从ERP/OA等系统进入FineBI Next汇总分析，通过DORA产出洞察报告；报告再给MOSS探查，我有哪些未来的事情可以做，形成新的战略洞察。
从战略，到分析执行，再到战略，才是一个完整的企业数据决策闭环，也是帆软AI智能体矩阵的真正价值。
帆软产品矩阵，来源：帆软
04
给所有toB厂商的三个启示
帆软的实践，给中国所有企业软件厂商留下了三个共同的命题。
第一个命题是：AI 转型是管理问题，不是技术问题。企业一号位最该明白的事，是判断方向、建立机制、允许试错。
帆软在2024年并没有抢先发布AI产品，而是进行组织调整、独立拉AI研发团队，并推出一系列活动，把“AI能做什么”这个问题交给公司2000名员工一起回答。
让员工愿意尝试，让业务参与共创，并且持续迭代。
第二个命题：模型会趋同，护城河在场景。
这对企业软件厂商是双刃剑：模型不再是壁垒，真正的壁垒是20年沉淀下来的数据理解、业务经验、场景认知。
Salesforce Einstein、SAP Joule在做“把AI嵌进既有ERP/CRM流程”；而用友BIP、金蝶云苍穹在尝重做企业服务总线。
各家路径不同：有的拼模型、有的拼生态。帆软选“拼场景”这条最难的路。因为模型会变、数据会变，但企业经营的问题不会变。
第三个命题：自我进化的核心是取舍。
从产品层面来说，ChatBI显然是失败的。但帆软也从这个项目中积累了很多宝贵的经验。而且DORA也是从ChatBI“一标版看数查数”的切口重新做起来的。
AI的迭代速度非常快，我们要做的绝不是试图抓住每一个风口，而是学会取舍，做自己最需要的那个。
模型会变，但企业经营的问题不变。帆软20年做了一件事：让企业用好数据；AI时代要做第二件：让企业用好AI做经营。
热门跟贴