谁为 Data Agent “买单”？

最近，AI 数据智能体（Data Agent）逐渐成为我们与客户探讨的核心议题。在与来自银行、保险、零售、制造等行业的企业深入沟通时，我切实感受到业务场景与 AI 融合所释放的巨大潜力，也从实践中收获了不少启发。当前人工智能行业话题热度高涨，整理了一些最新观察与思考，欢迎进一步探讨。

AI 数据智能体究竟服务于谁？

回顾数据分析产品和数字化平台的发展历程，它们往往高度依赖技术人员介入，部署和培训过程也相对繁琐。

那么，在 AI 的加持下，Data Agent 这类应用真正应该惠及谁？在我们这个领域，我经常遇到三类人群：管理层领导、数据分析师/行业专家，以及非技术型的业务人员。谁更需要 AI 的帮助，帮助谁更能提升企业的整体竞争力？

早在 2023 年，我们就结合大语言模型推出了 Kyligence Copilot，率先上线了 AI 问数、深度归因分析、洞察决策等能力。那时候我们的目标就很明确：AI+数据分析，必须服务企业中 70% 以上的非技术人员——也就是广大业务人员和职能线同事。因为领导有支持团队，本来就不缺数据分析能力。专家自身就是能力者，AI 对于他们是锦上添花。只有对广大的普通业务人员，AI 带来了 0 到 1 从“不能”到“能”的数字决策能力，激发了一线业务的数字创新力。这也是对软件服务商来说最大的机会与价值所在。

△ 本图由 AI 生成

「领导层」无疑是 AI 数据智能体的受益者。传统的工作模式下，领导往往面临以下挑战：

• 数据客观性受限： 下属提供的数据可能带有主观筛选，或受限于对领导布置任务的理解程度，不够客观和全面。

• 报告的低时效性： 人工找数和撰写报告耗时较长，如果数据分析整理花费了几天甚至一周，可能错过决策的最佳时间窗口。

• 报告无法回答“下一个”提问：报告篇幅很长，但不一定包含决策所需的所有线索。有时第一批数据会指向第一方案并不可行，进而开启第二、第三方案的讨论，此时的追问往往难以当场得到满意答复。还会出现报告范围通常较窄，无法覆盖领导更宏观的战略思考维度情况。

  
  

我曾看到一家大型保险公司的案例，他们的“综合赔付率”指标需要逐级下钻：从汽车、房产等二级维度，进一步细分至燃油车、新能源车等，往往要深入五层才能定位问题根源。这种层层追问不仅耗时（可能需要三五天才能完成报告），更关键的是，最终产出的三四十页分析报告，仍是分析师基于个人理解筛选数据后的产物。比如某次关于赔付成本的报告认为“新能源车成熟度低，导致报案率上升，赔付率上升，最后赔付成本上升”。新能源车的普及是客观基本面没错，并不以人力而改变。这样的分析结果并不帮助解答如何降低赔付率，或者如何降低处理赔付的成本，仅是指明了下一步优化探索的方向，而时间已经花费好几天。可见传统报告不能解决持续追问、多轮探索、追查问题根因的需求。这些都超出了传统协作套路中分析师的任务范围。

因此，新一代智能数据产品能够帮助领导交互式地探索关键数据，通过层层追问，帮助领导跳过人为筛选，直接获取并排查关键数据，大大提升决策效率。

以国内某头部绿色能源制造企业为例，我们正依托 Kyligence 三大产品线，通过推动数据标准化、决策指标化与数据知识化，在质量监测等场景中，显著提升了企业管理 SOP（标准操作流程）的自动化执行能力。

不过，仅服务于领导群体的局限在于，它只是辅助了本就具备决策能力的人，而非实现从“不能”到“能”的根本性突破。毕竟，领导原本就拥有更完整的数据和团队支持。

△ 本图由 AI 生成

AI 数据智能体对「数据分析师/专家」当然有帮助，但并非最大的帮助。

• 提升工作效率：分析师本就熟练掌握 BI 工具、SQL 或编程语言，AI 在这类场景中的价值主要体现在效率提升，其效果取决于具体业务的复杂程度。短期看来，如果人类专家的水平是 80 分，AI 目前只能做到 60 分甚至更低，给到人类专家的帮助比较有限。

• 管理角度的危和机： 一些分析师可能会对 AI 的推广感到危险，担心被替代。甚至在心理上潜意识中抗拒 AI 的落地和推广。但放长来看，有 AI 在简单工作上的助力，被解放的专家将有机会去做更多更复杂的分析工作，这里有对个人来说前所未有的机会。

  
  

以报案率和赔付率为例，若 AI 迅速发现主要原因是新能源车推广增加，分析师便能腾出更多时间深入挖掘次要因素，比如三线城市的新能源普及率并不算高，但报案率依然上升，多半有其他原因。过去，分析师往往无暇顾及此类细节。而现在，领导能在一天内通过 AI 获得结论，分析师则多出四天时间，在业务运营、优化和归因等方面开展更深入、更全面的研究。从而提升业务能力的上限。

我认为，这就是 AI 时代数据分析师的新角色——提升整体业务能力的上限，进行更深更广的业务分析。

△ Kyligence AI 数据智能体能力演示

以某西式快餐巨头为例，在一次“疯狂星期X”促销活动后，某地门店出现鸡肉卷销量大涨、冰淇淋销量下滑的异常情况。复盘会上，市场总监现场提问，Kyligence AI 数据智能体在 10 秒内自动完成归因分析，快速识别主因。相比过去依赖分析师使用 SQL 和 Excel 手工分析、耗时 4 小时以上的流程，如今效率实现质的飞跃。分析师因此获得更多时间，展开更多在主因之下的次因、次次因的调研和分析。

就像大数据技术能将分析对象细化到每位顾客，实现千人千面的精准营销，AI 技术则能解放人类专家的精力，让他们在更多业务细分领域深入探索，推动新一轮数据驱动的业务创新。

△本图由 AI 生成

让没有数据分析技能的普通人也能用上数据，这才是 AI 数据智能体最大的价值所在，也是“从 0 到 1”的巨大突破。

企业普遍认为，过去由于技术人员不足，大量的用户数据需求无法得到满足，而现在，AI 能够解决这一痛点，让数据普惠大众。与领导和专家不同，这批一线的业务员在过去无法自由的用数（受限于技术和成本），是数字化决策和数字化创新的空白地带。他们不仅人数众多，可以占员工整体的 70%，还往往是企业中直接与客户打交道的人，是整个组织业务金字塔结构里坚实的底盘。通过 AI 用数来点亮这个广大的群体，是数据赋能在企业中结构性的突破，潜力不可限量。例如，Kyligence AI 数据智能体的核心能力之一在于“结合直观的业务指标语言与 AI 能力”，确保在智能问数、归因分析、报告撰写和智能决策等关键环节，输出结果具备准确性、可靠性和可解释性。目前，该产品已依托多业务场景，上线销售运营、市场营销、风险管控等多重垂直场景助手，更好助力不同部门的企业员工。

以一家大型金融企业为例，该公司拥有逾万名销售人员和千余名管理小队长。借助 Kyligence AI 数据智能体，核心目标是降低数据使用门槛、提升管理和决策效率。对销售人员而言，传统的数据模型和数据表门槛较高，而现在他们可以通过自然语言查询关键指标，与管理层实现数据驱动的对话。例如，销售运营团队的成员即便不擅长 Excel 和报表工具，但他们了解自身的考核 KPI，如拨打连通率、通话时长、拨打频次等。在统一的指标系统中，每个人都能清晰看到个人与团队的成绩表现及对应奖励。目前的直接成效已实现分析归因时间由 2–3 天缩短至 20 分钟，区域材料准备从 5 天压缩到 2 小时内。

不过，我在不少场景中遗憾地看到，这种门槛降低所带来的价值往往被低估，甚至被忽视。

专家是数据分析技能树中的前 10% 人群，他们很难理解，如此“简单”的事情，有 70% 甚至更多的人仍然无法做到。对普通人而言，他们可能无法在几百行、多个分页的 Excel 表格中找到自己关心的内容，但在 AI 数据智能体中，他们可以用自然语言直接查询考核 KPI，更加直观地理解业务指标，还能主动进行信息分享和运营动作。

也正因如此，我们更应该关注普通人的用数体验。用 AI 数智点亮组织结构的广大基层，也意味着企业的用数能力发生了结构性改变，显著提升精细化运营中核心业务的数据使用率。

Kyligence AI 数据智能体的愿景，就是让数据能力真正普惠到企业的每一个角落，帮助更多业务人员掌握数据、用好数据，在日常决策与管理中发挥更大价值。这将是推动企业实现深层次数智化转型的关键一步。