国产 BI 的未来：市场分层、「山顶的 BI」与分析师的两条出路

音频文件：1022.MP3

时长：约 16 分 44 秒（00:00:00 – 00:16:43）

形式：即席快速分享（讲者提到"刚刚跑完步之后，一边跑步一边想了一下几个要点"，从白天讲到傍晚）

配套文件：字幕 1022字幕.srt（237 条，与音频时间轴对齐；已按讲者要求删除纯语气词）

插图：5 张 SVG 矢量图（illustrations/ 目录），对应各章核心论点，可无损缩放

阅读说明：各章末尾的"AI 点评"为整理者的第三方评论（补充与商榷），非讲者原话

核心观点速览

1. 人机交互正在进入第三阶段：从"人人交互"到"人机交互"，再到"人看着机器与机器交互"（Agent 与 Agent 交互）。
2. 低端 BI 市场会被 AI 快速替代：报表（Report）市场和入门级可视化分析首当其冲。
3. 能活下来的只有"山顶的 BI"：与业务系统、数据层、语义层深度绑定，让客户的迁移（叛逃）成本足够高。
4. 国产工具的最大短板是开放性：普遍缺少好用的 API、MCP 和开放的底层格式，难以融入 AI 生态。
5. 业务分析师只有两条路：成为自己做决策的 Business Leader，或成为辅助决策的 Business Partner（BP），没有第三条路。
6. BI 的终局是 Headless BI（无头/无中心 BI）：无处不在，甚至不需要登录平台，但人人都必须依赖它的数据服务。

开场白：今天的主题是国产 BI 的未来。为了回答"国产工具的未来在哪里、有没有未来"，需要先回答一个更大的问题：

在 AI 时代，未来的人机交互是怎样的？

AI 点评：问题意识很好——不直接聊产品竞争，先回到"人机交互如何演进"这个更底层的问题，让后面的产品判断有了骨架，这是系统性思考的习惯。一点批评："国产"这个限定词有点过时，AI 时代工具竞争的主轴正在从"国产 vs 国际"变成"开放 vs 封闭"——这一点讲者后文自己也印证了（国际大厂都自身难保）。所以真正该问的可能不是"国产 BI 有没有未来"，而是"封闭的 BI 有没有未来"。

一、人机交互的三个阶段（01:24 – 04:38）

阶段一：人人交互

整个计算机时代的最早期，本质上是"人人交互"到"人机交互"的演变。所谓人人交互，就是 A 拿着一个文档，找 B 领导签个字。

阶段二：人机交互

• 最早的形式：鼠标键盘输入，计算机做简单计算并回显展示。
• Excel、Tableau 出现后：人机交互越来越复杂，典型形式是"高级的工具"。
• 现在：很多人用 Excel 做分析，有人用 Tableau、Power BI 做分析——等于能够操控更大的计算机世界；浏览器也是如此。

阶段三：人看着机器与机器交互

• 以前觉得很难实现，现在 Codex、Claude 等 AI 工具的一个重要能力是 Computer Use——模仿人、操控鼠标和键盘，直接替人操作计算机，"把人机交互的那个人替代掉了、模拟掉了"。
• 讲者用 AI 做开发时，AI 会自动打开浏览器、截图、识别自己做得对不对——也是在接管人机交互的一部分。
• 更往后的"机器与机器交互"很难直接实现，于是被分解成不同层次：
• 较浅的机器交互：调用 API（如 Tableau 可以直接连 REST API 获取聚水潭的数据）、JSON 等文件格式；
• 更像未来的方式：Agent 与 Agent 的交互，比传统 JSON 交互更丰富，甚至可以传富文本。现在很多 AI 都在向多 Agent 演进——讲者最近下载了一个工具，可以同时看着几十个 Agent 在工作。
• 讲者还在 WorkBuddy 申请了一个 Agent 邮箱，但 Agent 邮箱通讯更像"保存数据"、速度较慢；实时的 Agent 交互现在已经很成熟。

本节小结

AI 点评：三段式框架干净有力，"人看着机器和机器交互"这个概括很精准；用"AI 自动打开浏览器截图、识别自己做得对不对"来具象 Computer Use，比抽象定义好懂得多。两点保留意见：其一，"实时的 Agent 交互已经很成熟"判断偏乐观——目前 Agent 间互操作（A2A、MCP 等协议）仍处在标准争夺的早期，跨厂商互通还是难题；其二，三阶段划分略粗，人机交互内部其实还有"命令行 → 图形界面 → 自然语言"的演变，直接跳过会掩盖"交互民主化"这条更重要的线索。

二、国产 BI 有没有未来：市场分层（04:38 – 06:38）

讲者当天与一家航空公司客户线上交流了两个小时，讨论 Tableau 适合哪些场景，由此看清了市场分层：

案例：航空公司

• 航空公司有几亿旅客数据，飞行器、发动机每天产生大量数据。这类分析如果直接用 AI 连数据库做重分析，容易把数据库系统搞崩——这种场景下，BI 这种"很重的工具"是有用的。
• 但很多业务系统（如飞机健康管理系统、飞行排班系统）的实时查询，用 Tableau 做再嵌入进去，远不如直接用 AI 做一个快速的交互式仪表板简单高效。

被 AI 替代的低端市场

1. Report（报表）市场：讲者多年前就认为报表不符合主流分析趋势；现在有了 AI 和 WorkBuddy，人人都可以"手搓"填报系统——企业再花钱买 Report，"我觉得是一种智商税"。
2. 入门级可视化分析：客户的飞行健康管理系统中嵌入的其实是一个开源国产工具，技术水平相比 Supabase、Metabase、Superset 还比较落后；这类开源工具的内容会被 AI 快速替代，因为 Agent 之间的交互效率会远远超过人。

AI 点评：全篇最扎实的一段——用真实客户的两小时交流做证据，"重分析用 BI、实时查询用 AI 仪表板"的切分非常务实，比空谈趋势有说服力。两点不同意见："Report 是智商税"说得有点满——金融、国企等强合规场景里，固定口径的报表恰恰是刚需，AI 灵活生成反而带来口径不可控的风险；另外"AI 连数据库做重分析会搞崩系统"本质是缺少查询治理层，这恰恰说明需要 BI 的语义层去约束 AI——这个点与第三部分其实可以咬合得更紧。

三、"山顶的 BI"：唯一能活下来的路线（06:38 – 09:18）

低端市场被替代后，国产 BI 剩下的领地只有一种，讲者称之为"山顶的 BI"——叛逃（迁移）成本足够高，客户不得不留下。

数据库的启示

• OpenAI、Claude 兴起之前，市值最高的软件公司是 Oracle——靠的是数据库。
• 微软 Power BI 很便宜，因为真正赚钱的是 Azure 云、SQL Server、数据库。数据库的替换成本非常高。
• 推论：BI 要提高替换成本，就必须深度绑定——能和业务系统深度绑定的是数据层，而不是展现层；展现层在 AI 时代是能够被快速替代的。

国际厂商的主攻方向

Power BI、Tableau、ClickHouse 等公司的主力发展方向是：云优先、Agent 优先、语义层优先、模型优先于展现。

• Power BI 走 a library（库）扩展路线，Tableau 用更细粒度的"行列"路线——但再怎么做也快不过 AI。
• 讲者最近做 AI 扩展开发用的 shadcn UI，比国内流行的 Vue 在 AI 世界里更容易控制、更灵活——灵活到"敏捷的 Tableau 已经像传统的 BI 了"。在 AI 面前，号称敏捷的 BI 已经活成了传统 BI 的样子。
• 结论：BI 只有和业务深度绑定这一条路。

数据引擎与语义层

以航空客户为例：几亿数据没法直接抛弃中间的数据引擎（如 Tableau 的 Hyper、Power BI 的数据层）——现在有了更高级的名字：语义层。抛弃这一层，代价非常高，它就留下来了。

而如果仅仅是可视化，很多客户（特别是中小企业）已经从 Tableau 前端迁走，因为他们发现"用 AI 更像敏捷的 BI"。

AI 点评：全文最强的一段。Oracle / Azure 的类比一针见血——"绑定数据层而非展现层"基本回答了 BI 在 AI 时代的护城河问题；shadcn 那个例子尤其妙：当 UI 生成成本趋近于零，可视化本身就不再是壁垒。一点补充："山顶"恐怕不止一座，更可能的终局是"重内核（语义层 / 数据引擎）+ 轻前端（AI 生成界面）"的分层共存，而不是某一种 BI 一统天下；另外 Power BI 与 Tableau 技术路线的对比略含糊，两者严格说不算同一层面的竞争。

四、开放性：国产工具的短板（09:18 – 11:23）

山顶 BI 的特质：与企业的业务、数据、语义深度绑定。而"绑定 / 不绑定"的关键区别在开放性：

• AI 天然非常开放：OpenAI 开放的协议，以及 Anthropic 的开放交互方式（原音 "forcee"，经讲者确认）。
• 国产工具普遍缺少好用的调用 API（如读取、编辑数据内容）。对比：
• Tableau 2026.3 最近刚推出的 API，可以直接回写 TDS 文件；
• Tableau 正在改进底层开源格式 TWB（.twb 工作簿文件；以前 XML 不够规范，正在测试新格式；原音 "TWP"，经讲者确认），目的是更好地融入 AI 世界；
• 几乎所有的国际优秀 BI 公司都在开放 MCP。
• 国内 BI 几乎没有几家同时做到：好 API + 好 MCP + 开放底层格式给 AI 读。
• 结论：国产工具以前的敌人是国际大厂，现在国际大厂都自身难保。最后的赢家是：
• 低端市场：AI 替代（Report、快速实现可视化）；
• 中间市场：有很厚重的语义、很厚重的中间模型，或能与业务深度绑定的 BI。

AI 点评：判断犀利，尤其"以前的敌人是国际大厂，现在大厂都自身难保"这个反转，把整个竞争棋盘重新画了一遍，是有洞察力的框定。两点修正：一是"国产工具没有 API"以偏概全——头部厂商其实都有 API 和 AI 助手，真正的差距在开放质量（文档、稳定性、权限模型）而非有无；二是 MCP 目前更多是"表态"——不少 BI 的 MCP 只是薄薄包了几个查询接口，离讲者说的"成为 Agent 世界的数据中心"还隔着整个语义层的距离。

五、未来的分析师路线（11:35 – 13:18）

路线一：Business Leader（业务经理 / 业务领导）

数据分析天然目的是为领导提供建议，最好是给自己提供建议——你自己是业务经理，做了分析、做了决定，能赚更多钱、拿到更高绩效。

最好的业务经理，其实就是最好的业务分析师。

要转向业务、深度地和业务绑定，才能够在 AI 大风来临之前"抱住你周围的大树"。

路线二：Business Partner（BP）

很多人天然不愿意做决定（对做决定内心有恐惧），他们的路线是成为 BP：

• 财务 BP、供应链 BP、成本 BP、人力 BP，甚至 IT BP（大集团、上市公司大了之后会有专门的审计部门，审计 IT 的）；
• AI 来临后，会有很多人借助 AI 更深入地扎根业务，但因为自己不愿做决定，所以为领导提供辅助。

本节结论

业务分析师未来只有两个方向：

1. 自己做决定的 Business Leader；
2. 为 Business Leader 提供分析建议的 Business Partner。

没有第三条路。

在这个过程中，IT 的功能会越来越往后靠（做数据来源、数据治理），BI 会变得很重——不重的、能马上实现的 BI，就会被 AI 替代掉。

AI 点评：职业建议部分最实用，"最好的业务经理就是最好的业务分析师"这句扎心但真实；BP 的细分观察（财务 BP、供应链 BP、IT BP）对大公司组织演进的判断也准确。两点商榷："没有第三条路"下结论太早——做 AI 数据分析产品、设计 Agent 工作流，或走独立顾问路线，都是现实中正在发生的第三选项；另外"IT 往后靠"只对了一半：数据治理在 AI 时代不是后退而是前置，没有治理的 AI 分析是在沙地上盖楼——讲者自己反复强调语义层，其实已经承认了这一点。

六、总结（13:19 – 16:43）

1. 人机交互的演变

从人与人的沟通，到人机交互（Excel、Tableau、浏览器），再到 AI 时代更大的暗流——AI 与 AI、机器与机器之间的沟通，所以现在大家都在往 Agent 方向走。

2. 山顶 BI 的特质

• 有足够的开放精神，能够接入 AI，让别人依赖你提供数据；
• 有很好的数据引擎、数据基础和业务理解，就能在企业生态中活下来——不能被依赖的部分，AI 分分钟替代；
• 要有很好的 API，让大家以自己喜欢的方式依赖你；应该有比较好的 MCP（非必备）；更重要的是未来能和 Agent 对话，让 BI 在更大的 Agent 世界中成为一个数据中心；
• 企业未来只应该有一个决策的中心：Data Center，而其中心应该是 BI 的底层；
• BI 慢慢变成 Headless BI（无头的 / 无中心的 BI）：business intelligence, headless——你无处不在，甚至不需要登录那个平台，但你必须依赖它的服务。

3. 未来分析师的工作方式

未来做可视化，很可能不是用 BI 构建，而是用 MCP 让 Agent 去读 BI 背后的 Agent，按需要快速生成可视化——用完即销毁。

所以未来的分析师要熟练掌握 AI，要么成为对决策负责的 Business Leader，要么成为在领导旁边提供数据建议的 Business Partner（财务 BP、人力 BP、IT BP、成本 BP 等）。越大的公司，这些细分岗位越重要；深刻理解业务的人，被替代的可能性更低。

结尾原话："这是我们今天分享的内容，好的，从白天讲到傍晚，拜拜。"

AI 点评：收尾收得漂亮——Headless BI 的提法有前瞻性，"用完即销毁的可视化"画面感极强；"企业只应该有一个数据中心"则抓住了 AI 时代数据消费的真正瓶颈。留下一个未解的问题：当人人都通过 Agent 消费数据，BI 厂商如何计量和变现？按查询量、按 Token、还是按语义层订阅？商业模式可能比技术架构更难解。另外"无中心"与"数据中心"两个词并排放略有矛盾，想表达的其实是"无界面、有内核"——这恰好也是 Headless 一词的准确含义。

附录 A：术语与概念表

附录 B：转录与整理说明

1. 本稿基于语音自动转录（ASR）生成，正文为通顺整理；配套字幕 1022字幕.srt 共 237 条，已按讲者要求删除纯语气词（呃/啊/嗯/哦/哈/唉/哎/诶/呀、对吧/是吧/好吧、句中"呢"、句末"那"），口头禅（然后/就是/其实/这个）按讲者要求保留。
2. 对明显的识别错误已做人工校正，主要包括：塔不罗 / 塔布罗 / 塔罗 / 塔不lo → Tableau；workbody / worker body → WorkBuddy；click → ClickHouse；shedCN / shadCN → shadcn；Super bases → Supabase；meta base → Metabase；cloud → Claude；APII → API；Jason → JSON；副文本 → 富文本；aten 交互 → Agent 交互；山顶的AI → 山顶的BI；那BIA的另外 → 那 BI，另外；report / hyper / superset / headlessBI → Report / Hyper / Superset / Headless BI（大小写统一）等。
3. 经讲者确认的术语：forcee → Anthropic（开放交互方式）、TWP → TWB（Tableau 底层开源格式）、聚水潭（电商 SaaS，Tableau 通过其 REST API 获取数据）。
4. 仍按原音保留、建议结合上下文理解的词：a library（Power BI 的库扩展路线）、行列（Tableau 更细粒度的元素路线）；口头禅“呃那个呃对”删去叹词后残留的“那个对”也已一并删除。
5. 字幕按标点切分为适合阅读的小块（每条不超过约 32 字），时间戳按字数比例在原稿时间轴内分配，已在英文术语处（如 REST API、Power BI、ClickHouse、a library）避免断词，句末标点不会甩到下一条开头。