← 返回博客

DataFocus · 博客

BI Copilot 與本體平臺:誰能答對業務問題?

BI Copilot 在單個工具的語義模型內回答得很好。問題一旦跨越 CRM、ERP 和合同,或需要讓資料看板與外部 Agent 得到同一口徑並附上 SQL,本體層更合適。

當問題只落在一個 BI 工具裡、一個準備充分的語義模型內時,BI Copilot 就夠用,例如“這份報表裡上季度各區域的銷售額是多少?”。當問題依賴跨多個系統的定義時,它就不夠了:比如 CRM、ERP 和合同里的“客戶 A”是不是同一家公司;或者同一個答案要同時送到資料看板、搜尋和外部 AI Agent,並附上 SQL 和來源表。後一類問題需要一個共享的定義層,這正是 DataFocus OT 這類本體平臺提供的。有價值的比較點是可追溯性和共享定義,而不是哪個對話視窗更好用。

BI Copilot 的回答到底基於什麼?

先看廠商自己的說法。Microsoft 的 Power BI Copilot 概述(截至 2026 年 11 月,頁面最後更新於 2026 年 8 月 24 日)寫道:“當問題與語義模型中的資料相關時,Copilot 使用該語義模型來回答問題;否則,它根據大語言模型(LLM)的通用知識作答。”(Microsoft Learn(英文))同一頁面還要求模型所有者先準備好語義模型,因為“不做準備,Copilot 可能誤解資料,返回籠統或不準確的結果”。

這是合理的設計,邊界也說得很清楚:Copilot 的水平取決於它所依託的那一個語義模型。報表窗格回答的是當前開啟的報表;應用範圍內的體驗則“僅限於應用包含的內容,以及使用者在應用內擁有的許可權”。Microsoft 還提供由應用作者準備的“已驗證答案”,在這個範圍內是實實在在的治理手段。

Tableau 的 AI 功能總體上也是以工具自身的資料來源作為依據;具體細節請查閱 Tableau 的最新文件,因為這類產品更新很快。

研究文獻對難點所在的看法一致。Spider 2.0 基準論文(Lei 等,arXiv,2024 年發表,2025 年修訂(英文))報告稱,基於 o1-preview 的 Agent 框架只解決了 632 個真實企業 Text-to-SQL 任務中的 21.3%,而在較早的 Spider 1.0 上是 91.2%。另外,在一項廠商自報的研究中,Collate 於 2026 年 4 月寫道,加入其語義層後,某個模型在 Spider 2.0-Snow 子集上的執行準確率從 10.8% 提升到 76.5%(Collate,2026(英文))。這只是單一廠商的結果,沒有給出題目數量和方差,但方向與其標題的論點一致:Text-to-SQL 的問題主要是上下文問題,而不是模型問題。

所以問題不是“用不用 Copilot”,而是:上下文放在哪裡,有多少工具能用上它?

單個工具的語義在哪裡會失效?

DataFocus 的產品簡介指出企業 AI 通常缺少三樣東西(OT 產品簡介(英文)):

  1. 上下文:CRM、ERP 和合同里的“客戶 A”是不是同一家公司,“交付”指什麼,當前生效的是哪個版本的規則。
  2. 邊界:AI 可以看到什麼、可以改什麼。
  3. 在人的把控下行動的能力。

某個 BI 工具裡的語義模型,只能對載入其中的表處理第一點。來看一個假設場景:某家分銷商的分析師被問到:“按當前合同條款,哪些客戶在已交付訂單上存在逾期未付?”這個問題需要:

  • CRM 中的客戶賬戶記錄,
  • ERP 中的訂單和交付狀態,
  • 載有付款條款的合同文件,
  • 對“交付”含義的統一口徑(已發貨、已收貨,還是已簽收)。

如果合同條款存放在 PDF 中,交付的定義存放在財務團隊的表格裡,那麼建立在銷售語義模型上的 Copilot 就無處可查。它仍可能給出答案,依據的是模型的通用知識,這正是 Microsoft 文件中寫明的兜底行為。這樣的答案讀起來很流暢,卻可能錯得讓人看不出來。

第二種失敗是口徑漂移。如果銷售團隊的報表、財務資料看板和外部 Agent 各自帶著自己的“活躍客戶”定義,那麼每一處表現良好的 Copilot 都會給出三個自信但互不相同的數字。

本體平臺怎樣回答?

在 DataFocus OT 中,本體儲存業務物件和關係,AI 沿著它們走,而不是靠猜。每次查詢都會返回實際執行的 SQL、用到的表和資料指紋(OT 產品簡介(英文))。分析師的工作從“相信對話”轉為“核對回執”。

在 OT Heavy 中,這套機制在介面上是看得見的(OT Heavy 手冊(英文)):

  • 資料搜尋在結果右側欄顯示“Query SQL Statement”面板,給出搜尋實際執行的 SQL 及計算耗時。
  • 不是標準列名和關鍵詞的輸入會交給 FocusGPT,解析成搜尋語句;使用者會看到一個帶有“還原(Revert)”操作的提示。即使是標準語句,FocusGPT 也會在後臺解析,並可能替換它。
  • **智慧問數(FocusGPT)**會選擇資料表、執行查詢,並回復一行說明輸入是如何被解析的。通常需要一兩分鐘,頁面會提示“Content is generated by AI, please carefully identify it”,手冊建議在資料搜尋中複核重要結論。
  • 我的知識庫讓使用者為 FocusGPT 新增業務定義和術語,可逐條或批次新增,每條包含內容、關鍵詞、型別、分類和啟用標記。管理員在系統管理 > 知識庫中管理全系統範圍的知識。

最後一點正是“交付是什麼意思”被寫下來的地方:只寫一次,放在 AI 會讀取的位置。

產品簡介給出了一個基於內建示例資料的完整示例(演示場景,資料集為中文)。業務使用者在資料搜尋中,與通過 MCP 連線的 Claude Code,都按申請部門彙總總額,得到一致的數字:運營支援 7,842,000,採購 6,966,000,數字化 5,786,000(元)。Agent 的回答引用了 SQL 和一個名為 evidenceRowsSha256 的回執欄位。重點不在這些數字,而在於兩個差別很大的客戶端得出了相同的數字,其中一個還能出示依據行的雜湊。

一個定義如何同時觸達搜尋、資料看板和 Agent?

產品簡介的原則是“定義一次,處處使用”:業務定義設定一次,搜尋分析、資料看板、控制面板、本體 Agent 和外部 Agent 都會使用,得到的數字相同(OT 產品簡介(英文))。

對業務使用者而言,建立在這一層之上的介面包括:搜尋式分析(輸入列名和關鍵詞,得到圖表並檢視 SQL,另有預測和歸因分析)、通過 FocusGPT 的自然語言提問、本體工作臺、控制面板、可定時推送到企業微信、釘釘或飛書的資料看板、資料填報表單,以及 21 種介面語言。

對照:Copilot 與本體層

對比項BI Copilot(如 Power BI Copilot,截至 2026 年 11 月)本體平臺(DataFocus OT)
答案的依據工具的語義模型;否則是 LLM 通用知識已連線的表和文件中的本體物件與關係
定義的範圍一個語義模型、報表或應用定義一次,供搜尋、資料看板、控制面板、本體 Agent 和外部 Agent 複用
返回的依據取決於具體體驗;應用範圍內有已驗證答案每次查詢都有執行的 SQL、用到的表和資料指紋
給 AI 用的業務詞表語義模型中的模型準備和描述知識庫條目(Heavy),含型別、分類和啟用標記
外部 Agent限於廠商生態內向外部 Agent 提供相同的數字,如簡介示例中通過 MCP 接入的 Claude Code
最適合已建立的 Power BI 體系中以報表為中心的問題必須可追溯、口徑一致的跨系統問題

檢查清單:哪些問題該交給誰?

符合下面這些情況時,把問題交給 BI Copilot:

  • [ ] 所有資料都在 Copilot 已在使用的同一個語義模型裡,
  • [ ] 指標口徑由該模型負責並已有文件,
  • [ ] 答案就在該 BI 工具內使用,
  • [ ] 答錯的代價小,而且容易發現。

符合下面這些情況時,交給本體層:

  • [ ] 答案要關聯 CRM、ERP 以及合同這類文件,
  • [ ] “交付”或“活躍客戶”這樣的術語在公司內有不止一種含義,
  • [ ] 同一個數字必須同時出現在資料看板、搜尋結果和 Agent 的回答裡,
  • [ ] 有人在據此行動之前會要求“給我看 SQL 和用到的表”,
  • [ ] 外部 AI Agent 也需要這些數字,而不只是 BI 工具裡的人。

一條簡單的判斷規則:本體一側的五項中勾選了兩項,就先把定義放進本體,再讓 Copilot、資料看板和 Agent 從中讀取。

取捨:本體不適合的情況

  • 如果你的組織已統一使用 Power BI,問題都停留在準備充分的語義模型內,並且依靠已驗證答案,那麼 Copilot 是更簡單的選擇。再加一層只會增加工作,回報不大。
  • 本體只有在有人負責定義時才有價值。沒人維護的知識庫,會像任何其他詞表一樣逐漸漂移。
  • FocusGPT 的回答需要時間(Heavy 手冊說是一兩分鐘),產品本身也提示使用者在資料搜尋中複核重要結論。把自然語言的回答當作草稿,把 SQL 當作依據。
  • 版本很重要:OT Heavy 延續 Hadoop、Hive、Trino 和 Iceberg 的架構,OT Flash 則是更輕量的版本。請根據資料量、併發和模型需求規劃資源;系統要求和支援的平臺列在各版本的發行說明中。

下一步

閱讀 OT 產品簡介(英文)瞭解完整的定義模型,然後在下載頁面選擇版本。兩個版本均可免費使用;安裝包和發行說明發布在 GitHub:OT Flash 與 OT Heavy。