作者 | 由仪
编辑 | 葛覃
帆软联合创始人季明华狠起来，连自家产品都拿出来“吊打”。
在2026智数大会上，季明华现场展示了一个之前的真实场景，30万行订单明细，以及客户、回款和退货记录，并把问题交给四个AI工具：8月上半月销售增长了，为什么利润质量没有同步？
Codex、WorkBuddy、ZCode和FineBI Next给出的结果不尽相同，都有一套各自的运算流程，其中WorkBuddy和ZCode使用同一个模型，结果仍然出现差异，这说明差别来自数据处理、时间窗口、工具调用和默认口径，而不只是模型能力。
其中，FineBI Next虽然没有答对，但它把筛选、关联、计算字段和公式打开了，业务人员可以方便的补上成本回冲，重算得出正确答案，由此也引出了帆软对于企业AI的观点。
“答案今天很便宜，真正稀缺的是答案背后的证据”，季明华如此表示。他也提出了企业AI的可信进化概念，也就是从Business Intelligence，走向Believable Intelligence。
背后的认知并不复杂，对于企业来说，大多数AI还是黑盒，当AI只负责写一段文案，错误通常止于屏幕，但到了Agent时代，AI开始触发采购、排产、催收和客户跟进，错误就会沿着流程放大。
Gartner在2026年5月发布研究，将企业语义缺失列为Agent产生不准确结果和无效支出的重要原因，这里的语义指向具体业务背景，包括数据关系，指标规则和适用条件。
可信AI的难点也在这里，模型负责生成候选答案，企业还需要一套完整机制和产品体系，将可信AI固化到企业的方方面面。
可信AI，喊得比做的响亮
从去年开始，企业级市场都在喊可信、可靠之类的概念，但可信AI到底包括什么，每家厂商都有自己的定义。
有厂商把可信等同于模型能力，模型越强，幻觉越少；有厂商更多精力放在事后审计，运营中报警，事后给一份日志；有厂商聚集在权限管控，AI不该看的数据不让它看，做好任务闭环。
这就是2026年中国企业AI的核心焦虑，可信变成了一个被通用化的口号，却少有公司做出一个成熟稳定的产品。
此前业内也存在一种观点，AI原生会吃掉BI市场，这条路径默认先有模型，再围绕模型重组企业的数据、流程和决策。模型为入口，应用为出口，不少新一代企业AI创业团队大多走这条路，他们把大模型当作新的操作系统，再向上长CRM、长ERP、长BI。
AI原生的逻辑是模型需要尽量多的上下文，把所有相关数据喂给模型，让它自己判断如何工作。
但是就像Agent需要Harness一样，模型也无法单独处理复杂的企业级场景，BI原生的逻辑是上下文必须被治理过的，指标定义已经被提前对齐，数据血缘已经被可追溯，权限已经被分层，企业有了大量BI资产，让AI进入BI已经划定的语义、权限和口径边界。
海外也有类似的分化，Palantir Foundry把企业实体和事件建模为本体（Ontology），AI操作的是本体而非直接操作数据库；Microsoft Fabric把OneLake数据底座和Power BI、Copilot串起来，强调数据资产先于模型；Salesforce把Tableau Pulse和Einstein串起来，可信切入口放在CRM流程和权限。
这本身就在说明，可信AI这条路没有银弹，愈强的模型就越需要愈强的工程能力。
麦肯锡2026年全球调查显示，近九成受访组织已在至少一个职能中常态化使用AI，44%开始在企业范围扩展AI，但只有37%报告AI对息税前利润产生正向贡献，真正达到高绩效标准的组织约占6%。AI的采用速度和经营结果之间，仍有一道很宽的缝。
答案越来越便宜之后，企业级AI的竞争转向可验证的经营链路，可信AI，也从一个合规和伦理话题，变成填上这道缝的经营基础设施。
把可信AI做成一套系统
帆软试图把企业AI的竞争维度，从生成答案的速度，转向答案如何被生产、验证和使用，其产品组合也被重新组织成一条从事实到行动的链路。
链路的起点是业务事实，简道云承接审批、退货、催收和反馈等现场记录，把时间、责任人和权限一并结构化；FineDataLink连接订单、客户、退货和回款等数据，处理主键、粒度、重复、缺失和刷新状态。
中间是可信分析：FineBI Next统一指标口径，并把筛选、Join、聚合和计算字段变成可见、可修改的分析资产；九思进一步完成多步分析与验证，将确认过的方法沉淀下来。
终点是授权行动，悟帆把正式的分析事件转成可审计任务，交给责任人或数字员工执行，再把结果写回业务流程。
这条链路背后有三个值得注意的产品判断。
其一，AI与BI要运行在同一套资产里，AI把分析意图写成产品可执行、可校验的DSL，既能生成新分析，也能理解和修改已有仪表板与分析表。
其二，计算性能不仅影响体验，也决定系统能否在每一步及时取得真实结果、暴露异常，避免错误一直滑到最终报告。其三，AI继承原有数据权限，模型只获得完成任务所需的语义、统计信息和必要样例，而不是默认接触整库明细。
帆软此前就提出“AI提效不甩锅”的理念，并把未来的使用方式概括为“自然语言交互、半自动生成、人工校正”。这比让AI替代分析师更接近企业软件的现实。AI先把工作推进到60分或70分，人负责口径确认和关键判断，系统则负责保留证据、重新计算与追责。
这也解释了为什么FineBI Next在演示中的初始错误并非尴尬的例外，反而构成了产品逻辑的证明。一个可信系统不需要表演第一次永远正确，它需要证明错误发生后，用户能不能看见过程、进入过程并改变结果，相比黑箱式地给出一个碰巧正确的数字，这种可纠错性更接近企业愿意承担责任的方式。
当然，可信AI的复杂性也水涨船高，跨系统数据治理需要实施成本，统一语义需要业务部门参与，新旧资产迁移、复杂权限继承和Agent动作审计也都要在真实负载下验证。
帆软接下来需要回答的，不只是产品之间能否连通，更要回答这条链路能否标准化复制、能否降低总拥有成本，以及能否在不增加组织负担的前提下产生可衡量的经营回报。
AI将重新定义BI价值
AI和BI的关系，将走向何处？随着企业AI的规模化落地，形势愈发明朗起来。
大模型刚进入企业软件时，市场最常见的做法是给原有产品加一个对话框。自然语言降低了使用门槛，却没有自动解决数据质量、指标冲突和权限边界。
随着Agent从问答走向执行，行业正在进入第二阶段，模型能力依然重要，但决定AI能否规模化落地的，越来越是模型下面的数据语义层、治理层和资产层，以及模型上面的流程与责任体系。
AI与BI不是替代关系。AI扩展了BI的交互方式和分析半径，让更多业务人员可以用自然语言完成原本需要专业技能的工作；BI则为AI提供经过治理的数据、统一指标、计算引擎、权限体系与历史资产，使答案能够复现。
没有AI，BI可能仍停留在人找数据；没有BI，企业AI则容易变成模型猜数据，两者结合，才有机会从看见数据走向解释问题，再走向经过授权的行动。
BI市场竞争格局也因此发生变化，模型厂商拥有通用智能，云厂商拥有算力与平台，协同办公厂商占据用户入口，传统BI厂商则掌握数据分析资产。
最终的胜负未必取决于谁最早上线一款产品，而在于谁能把模型、企业语义、计算、权限和工作流组合成低摩擦的生产系统。对BI厂商而言，这是一次窗口，也是一次淘汰赛，只会可视化的产品会被压缩价值，能够承接企业数据事实并控制行动边界的平台，价值反而可能上升。
帆软的优势首先来自存量，大量真实报表、指标、权限和行业场景可供产品迭代，可信AI最缺的，恰恰是这些长期沉淀的客户侧实践。
季明华强调，企业软件是慢生意，要把方向做透、把产品做精。可信链路如果依赖大量定制项目，就难以形成规模；如果能把数据接入、指标治理、分析验证、人工介入和行动审计做成可复用能力，帆软过去在BI和零代码领域形成的交付与服务网络，才可能转化为AI时代的复利。
帆软选择了一个更接近企业AI价值的方向，为更少的错误、更短的验证链路、更清晰的责任边界和更可量化的经营改善买单。
AI答案会继续变多，也会继续变便宜，当每一家厂商都能调用相近的模型，真正稀缺的是背后的工程化体系能力，帆软正在走的路，就是把BI从呈现答案的工具，变成AI进入企业经营的可信底座。
The End
热门跟贴